Mac 版 Ollama 支持本地语音合成：断网也能让 AI 开口说话

本地跑 AI 模型的开源平台 Ollama，10 月 24 日宣布 Mac 应用正式支持文本转语音。第一个落地的是 Gradium 开发的 Phonon 系列模型，用户不用连云端，在 Apple Silicon 的 Mac 上就能让模型开口说话。Windows 和 Linux 版本会随后跟进。

一分钟速览

• Ollama Mac 应用新增文本转语音，Windows 与 Linux 版本稍后支持。
• 首个支持的语音模型是 Gradium 的 Phonon 系列，体积小、可离线运行。
• macOS 上使用苹果的 MLX 框架，调用统一内存架构提升效率。
• 在 M5 Max 的 MacBook Pro 上，生成速度比原实现快 35%，词错误率相当。
• 支持实时语音，文字一边生成，声音一边输出。

为什么本地语音值得关注

过去一年，本地大模型解决的是能读会写，但输入输出仍以文字为主。加上语音合成之后，本地 AI 才真正具备完整的对话形态。对注重隐私的人来说，这一点很关键：会议记录、私人笔记、医疗信息都不必上传到别人的服务器，断网也能用。

语音还打开了另一类场景。视障用户读文档、老人在没有键盘的设备上操作、创作者快速给视频配音，这些需求原来要么依赖云服务，要么得装一堆专用软件。现在一个本地运行时就能覆盖，安装和切换模型都只需要一条命令。

技术细节：MLX 与 Phonon

在 macOS 上，Ollama 采用苹果开源的机器学习框架 MLX，利用 Apple Silicon 的统一内存架构来提升运行效率。官方测试显示，在搭载 M5 Max 芯片的 MacBook Pro 上，Phonon 在保持与 Hugging Face Transformers 参考实现相当的词错误率的前提下，语音生成速度比 Gradium 自己的实现快 35%。

速度快 35% 听起来不算爆炸性，但对实时语音意义很大。人说话时，延迟超过几百毫秒就会觉得对方在发呆。新功能支持实时生成，用户不必等整段文字写完再听，可以在回答生成的过程中同步播放，交互更接近自然对话。

语言与口音的现状

Phonon 目前提供英语、法语、德语、西班牙语和葡萄牙语的独立模型，另有支持五种语言的多语言模型，用户还能选择美式英语或英式英语等不同口音。中文暂时不在首批名单里，这可能是国内用户最直接的遗憾。

不过模型是模块化的，接入新语言主要看社区和数据质量，而不是运行时本身的限制。Ollama 在 GitHub 上有近 18.5 万颗星、约 1.86 万个分叉，生态足够大，补齐语言通常只是时间问题。

趋势洞察

语音合成的竞争正在从像不像人转向能不能在本地实时跑。云端方案音质更好，但成本、延迟和隐私三道坎始终存在；本地方案音质稍逊，却胜在可控。随着笔记本芯片的神经网络单元越来越强，这条分界线还会继续往本地移动。真正决定体验的，可能不是模型参数，而是端到端延迟和断网时的可用性。