Ollama v0.40.11：macOS 语音输出与 d3 决策模型

Ollama 一直给人的印象是「本地跑 LLM」的命令行工具，v0.40.11 这版加了两个方向不太一样的能力：一个是 macOS 上的语音输出，让本地模型「开口」；一个是 d3 决策模型，专门做分类、是非判断和打分，而不是闲聊。这两样对做本地 Agent 的人都有用，分开说。

语音输出

语音能力基于 phonon 这个模型，它在 macOS 上把文字转成语音，而且是边生成边流式朗读——文本还没念完，声音就开始放了。语音模型用的是 Gradium 的 31M 英文 checkpoint，自带几个英文声音（Zoey、Easton、Freya），不指定就用默认音色。命令行用法很直白：

ollama run phonon "Hello from Ollama."          # 朗读一段文字
ollama run phonon --voice Zoey "Hi, this is Zoey."   # 指定声音
echo "Text from another program" | ollama run phonon  # 朗读别的程序的输出

更有意思的是管道组合：把一个聊天模型的输出接给 phonon，就能边生成边念出来，第一两句说完就开始播。当输出被重定向时，它不播放而是写成一个 WAV 文件，没有扬声器的服务器也能用：

# 把聊天模型的回答边生成边念出来
ollama run gemma4 --hidethinking "Tell me a fun fact about owls." | ollama run phonon
# 重定向则落盘成 WAV，而不是播放
ollama run phonon "Save this to a file." > speech.wav

对应用来说，走 OpenAI 兼容的 /v1/audio/speech 接口流式拿音频：

curl http://localhost:11434/v1/audio/speech   -H "Content-Type: application/json"   -d '{"model": "phonon", "input": "Hello from Ollama.", "voice": "default"}'   --output speech.wav

注意边界：语音是 macOS 能力，播放端在 macOS 走 afplay、Linux 走 paplay/aplay 这类系统播放器，但官方发布说明里点名的生成能力是 macOS。

d3 决策模型

d3 是另一类东西。它不是聊天模型，而是 vLLM Semantic Router 那套「决策模型」进 Ollama 的版本：给它文本、结构化状态或一张图片，让它做分类、回答是或否、或者给选项打分，返回的是分数和概率，不写对话式回答。典型的用法是路由工单、文档分诊、优先级排序，或者判断一张图是否满足某个标准。家族有 2B、4B、9B、27B 四档，默认 d3 跑的是 4B，256K 上下文，支持文本和图片输入。

# 是非判断：是不是账单问题？
ollama run d3 "A customer says their card was charged twice."   --ask "Is this a billing issue?"

# 多选分类：该派给哪个团队？
ollama run d3 "A customer says their card was charged twice."   --ask "Which team should handle this?"   --choice 'billing=Invoices and charges'   --choice 'returns=Refunds and replacements'   --choice 'technical=App errors'

同一个输入可以一次问好几个问题。这跟「拿一个通用 LLM 做分类」的区别在于：d3 不生成自由文本，输出天生就是结构化分数，省掉了让模型输出 JSON 再解析、再担心它跑偏的那一步。对「路由」这类高频、低延迟、要可复现的决策，专用模型比通用模型的 prompt 工程要省心得多。

d3 吃的不只是纯文本，还有结构化状态和图片；它的输出也不是一句解释，而是每个选项的分数和概率——这正好是路由、分诊、质检这类场景要的东西。把决策从「让通用模型输出 JSON」里解放出来，好处有两层：一是稳定，不用再跟 prompt 里的「只输出 JSON」较劲；二是可复现，同一个输入给出来的是确定的分数，而不是每次措辞都不同的回答。对要做本地 Agent 编排的人，d3 适合当网关前那道「分类闸门」：先把请求分到对的处理器，再让专用模型做剩下的事。语音那侧，phonon 适合做本地播报、边生成边听的交互原型，但它是英文 TTS，中文场景不在能力范围内，选之前先确认这个前提。

选型怎么选

d3 的 4B 在 16GB 机器上就能起步，2B 更轻、27B 更稳，按任务精度和显存选。要注意 d3 需要 Ollama 0.4 及以上。两样都装的话，phonon 和 d3 还能串起来：d3 先判断意图，phonon 再把结果念出来。

不适合谁

两个能力的边界都很清楚。phonon 目前是英文语音，做中文 TTS 的场景别指望它；而且生成能力聚焦 macOS，跨平台的语音方案得另找。d3 不做生成式回答，你要是想让它「解释一下为什么这么分类」，它不是干这个的——它只给分数和概率，解释得你自己用常规模型补。对这两类需求，这版更新解决的是「语音」和「结构化决策」这两个很具体的点，而不是要抢谁的地盘。