A Ollama agora fala, localmente. Só o modelo em inglês permite uso comercial, então leia a licença

A linha mais importante do anúncio de text-to-speech da Ollama não é o benchmark. É esta: “Os modelos de 40M são distribuídos sob a CC BY-NC 4.0, que os limita ao uso não comercial.”

O efeito é concreto: a variante em português, phonon:40m-pt, é justamente uma das não comerciais. Hoje, um assistente de voz para clientes em português não pode usá-la.

No dia 24 de outubro, a Ollama adicionou geração de fala, começando pela família Phonon, da Gradium. O modelo padrão em inglês, phonon, tem licença Apache 2.0. As variantes em francês, alemão, espanhol e português, e a multilíngue que cobre os cinco idiomas, são não comerciais. Uma empresa que constrói uma funcionalidade de voz de atendimento em espanhol ou português sobre esses modelos estaria usando fora da licença.

Isso não torna o lançamento menos interessante. Torna clara a ordem da avaliação.

O que chegou

• Geração de fala local com Ollama 0.40.11 ou superior, apenas em Macs com Apple Silicon por enquanto, usando o framework MLX, da Apple. Windows e Linux estão “em breve”.
• Streaming: o áudio toca enquanto é gerado, então uma resposta de chat em pipe começa a falar depois da primeira frase.
• Um endpoint compatível com OpenAI, /v1/audio/speech no servidor local. Código que já existe para o SDK da OpenAI “só precisa de uma nova base URL”.
• Vozes do catálogo da Gradium, escolhidas por requisição, e saída mono de 24 kHz em WAV ou PCM bruto.
• Um benchmark do fornecedor: em um MacBook Pro com M5 Max, a Ollama diz que foi 35% mais rápida que o segundo motor mais rápido que testou, o runtime da própria Gradium, ao gerar 45 segundos de fala (mediana de dez execuções), com taxa de erro de palavra igual à da implementação de referência em 200 frases em inglês. Uma máquina, uma comparação, medida pela Ollama.

Por que fala local importa para o enterprise

Funcionalidades de voz normalmente significavam um serviço de fala na nuvem ao lado do modelo que conduz a conversa. Isso acrescenta um processador para cada fala, uma conta por caractere e uma ida e volta de rede no meio de uma troca em tempo real. Já descrevemos agentes de voz como sistemas em tempo real, em que a latência molda a arquitetura mais do que a inteligência. A síntese local elimina um salto e um fluxo de dados.

O endpoint compatível com OpenAI é a parte prática. Um time pode prototipar contra uma API de fala na nuvem e passar para a geração local trocando uma base URL, ou manter as duas atrás do mesmo cliente e rotear por caso de uso. É o mesmo argumento de portabilidade dos modelos de texto, aplicado a áudio.

Quatro perguntas, nesta ordem

1. O uso é comercial? Se a resposta for sim e o idioma não for inglês, as variantes atuais do Phonon estão fora. Ferramentas internas são uma zona cinzenta que o time jurídico, e não os engenheiros, deve decidir.
2. Onde vai rodar? Hoje, só em Apple Silicon. Isso serve para máquinas de desenvolvedor e alguns totens de borda; não serve para os servidores Linux que a maioria das empresas usa para inferência em produção.
3. Text-to-speech é o formato certo? O Phonon transforma texto em fala. Ele não escuta, e não lida com interrupções nem com a troca de turnos. Um agente de voz conversacional ainda precisa de reconhecimento de fala e de um modelo no loop.
4. Local quer dizer compatível? O processamento local mantém o áudio fora dos servidores de terceiros, o que ajuda. Isso não satisfaz por si só requisitos de retenção, consentimento ou segurança, e uma voz sintética ainda levanta a questão que discutimos para avatares de IA: de quem é a voz que a empresa pode sintetizar, e o ouvinte sabe que ela é sintética?

Onde isso se encaixa hoje

Os usos enterprise realistas de agora são internos e em inglês primeiro: recursos de acessibilidade em ferramentas internas, resumos falados para times de campo em Macs, protótipos de interfaces de voz que depois vão migrar para um modelo de produção licenciado. Para cargas de trabalho que pertencem a uma máquina embaixo da mesa, a fala local fecha a stack.

Para voz multilíngue voltada ao cliente, o lançamento é um sinal, não uma solução: a fala está se tornando parte padrão do runtime local de modelos, atrás do mesmo formato de API da nuvem. Quando o suporte a Windows e Linux chegar, e se vierem modelos com licença comercial em outros idiomas, o caso fica muito mais forte. Até lá, a licença decide antes da latência.