अब तक Ollama का काम ज्यादातर text तक ही सीमित था। लेकिन 24 October 2026 को Ollama ने अपने official blog पर announce किया कि अब Ollama text को speech में भी बदल सकता है। मतलब आपका Mac लिखा हुआ text खुद बोलकर सुना सकता है, बिना internet और बिना monthly bill के। Ollama में आया पहला speech model family Phonon है, जिसे French startup Gradium ने बनाया है। फिलहाल यह feature macOS पर Apple Silicon वाले Macs के लिए available है, Windows और Linux का support जल्द आएगा। Ollama के official blog पर speech models की पूरी announcement पढ़ सकते हैं
Ollama के Speech Models क्या हैं
Simple भाषा में कहें तो Ollama अब बोलना सीख गया है। Text-to-speech, जिसे TTS भी कहते हैं, वह technology है जो लिखे हुए text को बोली हुई आवाज़ में बदल देती है। Phonon कोई एक model नहीं, बल्कि models का family है। Default model phonon English बोलता है। इसके अलावा 40M वाले variants हैं, French, German, Spanish और Portuguese के लिए, और एक multilingual variant भी है जो पाँचों languages को एक ही model में संभालता है। मेरे हिसाब से Ollama ने speech को भी अपने usual style में रखा है। Model को pull करो, run करो, और काम हो गया। Phonon Kyutai के Pocket TTS और Mimi codec पर build हुआ है।
Speed पर Company का दावा
Ollama ने speed को लेकर दो दावे किए हैं, और दोनों को company के claim की तरह ही देखना चाहिए। पहला दावा है कि Apple Silicon पर Phonon real time से 100 गुना ज्यादा तेज speech generate करता है। दूसरा दावा benchmark से जुड़ा है। Ollama का कहना है कि MacBook Pro with M5 Max पर उसका implementation Gradium के अपने runtime से 35 percent तेज रहा, और accuracy में कोई कमी नहीं आई। Accuracy को word error rate से मापा गया। यह speed Apple के MLX framework की वजह से मिलती है। लेकिन यह company का अपना benchmark है।
Languages, Voices और License की जरूरी बात
Phonon पाँच languages support करता है। English, French, German, Spanish और Portuguese। हर language का अलग 40M variant है, और multilingual variant पाँचों को एक साथ संभालता है। Official announcement में --voice Hadley जैसे example दिए गए हैं। License में एक catch है। Default English model phonon Apache 2.0 license के under release हुआ है, मतलब commercial use में भी इस्तेमाल किया जा सकता है। लेकिन French, German, Spanish, Portuguese और multilingual वाले 40M models CC BY-NC 4.0 license के under हैं, जो non-commercial use तक सीमित है। मेरे हिसाब से यह license split developers के लिए सबसे important detail है। पाँचों languages European हैं, Hindi, Chinese या Japanese जैसी languages फिलहाल list में नहीं हैं।
Mac पर Speech कैसे Use करें
पहला step, Ollama को update करें। Version 0.40.11 या उससे नया चाहिए, और Mac में Apple Silicon chip होना जरूरी है। दूसरा step, Phonon model को pull करें।
ollama pull phonon
तीसरा step, text को बोलकर सुनें।
ollama run phonon “Hello from Ollama.”
चौथा step, --voice option से अलग voice चुनें।
ollama run phonon –voice Hadley “Hello from Ollama.”
पांचवां step, chat model की reply को सीधे सुनें।
ollama run gemma4 –hidethinking “Tell me a fun fact about owls in two sentences.” | ollama run phonon
छठा step, speech को WAV file में save करें।
ollama run phonon “Save this to a file.” > speech.wav
पहले छोटी line से test करें, फिर लंबे text पर जाएं।
Developers के लिए API
Developers के लिए सबसे अच्छी खबर यह है कि Phonon OpenAI compatible /v1/audio/speech endpoint पर काम करता है। अगर आपका code पहले से OpenAI के speech API के हिसाब से लिखा है तो सिर्फ base URL को local Ollama server की तरफ point करना होगा। Official example में base URL http://localhost:11434/v1 है और API key ollama set की जाती है। Audio 24 kHz mono WAV में आता है। मेरे हिसाब से यह compatibility इस feature की सबसे smart बात है, क्योंकि developers को नई library सीखने की जरूरत नहीं है।
Cloud TTS से Comparison
OpenAI TTS या ElevenLabs जैसी services की आवाज़ें बहुत natural होती हैं, लेकिन उनकी दो cost होती हैं। एक तो per character या per API call का पैसा, और दूसरा आपका data उनके server पर जाता है। Ollama का Phonon इन दोनों cost को खत्म करता है। Model आपके Mac पर चलता है, इसलिए text कभी आपका computer नहीं छोड़ता, और कोई per use charge नहीं है। Cloud services में Hindi समेत दर्जनों languages मिलती हैं, जबकि Phonon में फिलहाल सिर्फ पाँच European languages हैं। इस blog पर Nvidia Nemotron 3.5 Transcribe model पर भी article है, जो speech को text में बदलता है। Voice AI अब दोनों directions में local और open होती जा रही है।
आम User के लिए इसका मतलब
आम user के लिए practical मतलब सीधा है। अगर आपके पास Apple Silicon वाला Mac है, तो आप free में अपने computer को बोलना सिखा सकते हैं। Articles सुनना या long text को audio में बदलना, सब बिना internet और subscription के possible हो गया है। Windows या Linux users को थोड़ा इंतज़ार करना होगा। एक सावधानी license को लेकर है। Personal use में कोई दिक्कत नहीं, लेकिन paid product या client काम में voices इस्तेमाल करने से पहले license check कर लें। AI voices का गलत इस्तेमाल, जैसे किसी real इंसान की आवाज़ की नकल, न करें।
FAQ
Ollama में speech models कब आए?
Ollama ने 24 October 2026 को अपने official blog पर इसकी announcement की। पहला speech model family Gradium का Phonon है।
Phonon क्या है?
Phonon French startup Gradium का text-to-speech models का family है, जो Ollama में local तौर पर चलता है।
क्या Phonon Hindi बोल सकता है?
नहीं, फिलहाल सिर्फ English, French, German, Spanish और Portuguese। Hindi का support अभी announce नहीं हुआ है।
Phonon use करने के लिए क्या चाहिए?
Apple Silicon वाला Mac और Ollama version 0.40.11 या उससे नया। Windows और Linux पर support अभी नहीं आया है।
क्या Phonon free है?
Download और personal use free है। English model Apache 2.0 में है, लेकिन non-English 40M variants CC BY-NC 4.0 में हैं।
Cloud TTS से यह कैसे अलग है?
Cloud TTS में text company के server पर जाता है और per use charge लगता है। Phonon local चलता है, इसलिए data private रहता है और कोई recurring cost नहीं है।
आखिरी बात
Ollama का speech models की तरफ बढ़ना local AI के लिए एक natural next step है। लेकिन picture अभी incomplete है। Windows और Linux का support आना बाकी है, Hindi जैसी languages missing हैं, और non-English models की license commercial use की इजाज़त नहीं देती। मेरे हिसाब से यह feature आज experiment करने लायक है।
