Ollama v0.40.11-rc0: каталог голосов Phonon и что было в предыдущем релизе

24 октября вышел Ollama v0.40.11-rc0. Это release candidate, а не стабильный релиз. Основное изменение в нем - обновление каталога голосов Phonon. Сам синтез речи и семейство d3 появились раньше, в v0.40.9 от 22 октября.
Phonon: голос прямо из терминала
Функция синтеза речи появилась в v0.40.9. Команда `ollama run phonon "Hello from Ollama."` озвучивает текст на macOS без дополнительных зависимостей. Воспроизведение начинается до того, как вся фраза готова - аудио стримится по мере генерации, задержка минимальная.
Под капотом - модель Phonon на базе чекпойнта Gradium с 31 миллионом параметров. Формат вывода по умолчанию - WAV: 16-bit, моно, 24 кГц. Есть и сырой PCM без заголовка - для тех, кто встраивает речь в собственные аудиопайплайны. Лимит на один запрос - 4096 символов.
Модель английская. Попытка указать несуществующий голос вернет ошибку 400 со списком доступных вариантов. Генерация работает на Apple Silicon; поддержка других платформ для этой функции в релизных заметках не упоминается.
На macOS для воспроизведения используется `afplay`. На Linux система перебирает `paplay`, `pw-play`, `aplay` и `ffplay` в порядке приоритета. На Windows подключается PowerShell. Если перенаправить вывод в файл - вместо воспроизведения получится WAV-файл. Это работает даже на серверах без звуковой карты: достаточно указать `OLLAMA_HOST=my-server:11434` и запустить команду локально.
Конвейер: чат-модель плюс голос
Практически интересный сценарий - пайплайн из чат-модели и Phonon:
ollama run gemma4 --hidethinking "Tell me a fun fact about owls." | ollama run phonon
Photon начинает озвучивать ответ уже после первых одного-двух предложений из чат-модели. То есть пользователь слышит начало ответа раньше, чем LLM дочитывает его до конца. Для голосовых интерфейсов это критично - разница между "говорит" и "сначала думает, потом говорит" ощущается сразу.
OpenAI-совместимый эндпоинт
Для разработчиков добавлен `/v1/audio/speech` - полная совместимость с OpenAI Audio API. Любой код, написанный под OpenAI TTS, заработает с Ollama после замены `base_url` на `http://localhost:11434/v1` и `api_key` на строку `ollama`. Никаких других изменений не нужно.
Gradium 31M - модель компактная, разборчивость достаточная для служебных задач: озвучка уведомлений, голосовые интерфейсы для локальных приложений, автоматизация.
Для российских разработчиков: Ollama работает локально, никаких запросов к внешним серверам при использовании Phonon нет. VPN не нужен, карты не нужны - все на своем железе.
D3: модели принятия решений
В том же релизе v0.40.9 появилось семейство d3, построенное на базе семантического роутера от vLLM Semantic Router. Семейство включает четыре размера: 2B, 4B, 9B и 27B.
Задача d3 - не генерация текста, а классификация и маршрутизация. На входе может быть текст, структурированное состояние или изображение. Модель отвечает классификацией, бинарным решением (да/нет) или скорингом с вероятностями. Пример из документации:
ollama run d3 "A customer says their card was charged twice." --ask "Is this a billing issue?"
Это инструмент для агентских систем: нужно быстро решить, куда направить запрос, без полноценной генерации. Версия 2B означает, что такой роутер запустится практически на любом железе с приемлемой скоростью - включая машины без мощной видеокарты.
Что еще изменилось
Помимо двух главных функций - несколько технических правок. Потоковые запросы через OpenAI Responses и Anthropic Messages перестали молча обрываться при сбоях: теперь ошибка генерации явно сообщается клиенту. Раньше приложение просто получало обрыв потока и не понимало, что пошло не так.
Инструмент Flint для работы с кодом внутри Ollama расширил поддержку на Linux и Windows - раньше он работал только на macOS.
Что это значит для экосистемы
Ollama последовательно закрывает пробелы, которые заставляли разработчиков тянуть сторонние сервисы. Сначала - работа с изображениями, теперь - речь и семантическая маршрутизация. Архитектура при этом остается той же: OpenAI-совместимые эндпоинты, которые позволяют переключаться между облаком и локальным инстансом без переписывания кода.
v0.40.11-rc0 добавляет к этому обновленный каталог голосов Phonon. Когда выйдет стабильный релиз и что в него войдет - в доступных материалах не указано.
Источники
Похожие новости
Edge0 открыла TTS-модель на 0,6 млрд параметров с клонированием голоса на 23 языках
Edge0 выложила Audio8-TTS-Realistic под Apache 2.0: модель клонирует голос по одной записи, знает русский и обходит Qwen3-TTS-1.7B на бенчмарке CV3 по средней ошибке.
AssemblyAI выпустила первую TTS-модель: $15 за миллион символов, 6 языков
AssemblyAI запустила AssemblyAI-TTS-1, синтез речи для голосовых агентов. Цена $15 за 1 млн символов без годового контракта и без отдельной платы за параллельные сессии, но SSML и управления скоростью пока нет.
Block выпустил Dessa: первая ИИ-модель, обученная только на человеческой речи
Dessa от компании Block не переводит речь в текст - она слышит эмоции, сарказм и паузы напрямую из аудио. Это меняет подход к голосовому ИИ.