Phonon مقابل VoxCPM2: ما الذي يعود به فعليًا وجود معاملات أكثر بـ64× في TTS

VoxCPM2 هو نموذج كلامي من OpenBMB بعدد معاملات قدره 2 مليار، صدر في أبريل 2026، ويتحدث 30 لغة بتردد 48 كيلوهرتز، ويمكنه ابتكار صوت من وصف مكتوب. Phonon 31M هو نموذج من Gradium بعدد معاملات قدره 31 مليونًا، صدر في 20 أكتوبر 2026، ويتحدث الإنجليزية بتردد 24 كيلوهرتز عبر 37 صوتًا ثابتًا، ويحتل مساحة 64.5 ميجابايت. تبلغ نسبة المعاملات نحو 64 إلى 1، والجزء المفاجئ ليس أن النموذج الأكبر يفعل أكثر. بل إن النموذج الأصغر هو من يزعم أنه حقّق الدرجة الأفضل في الرقم الوحيد الذي ينشره المورّدان معًا — معدل خطأ الكلمات في الإنجليزية على Seed-TTS.

من المؤكد تقريبًا أن هذا الادعاء ليس مقارنة عادلة، وفهم سبب ذلك يخبرك أكثر عن حالة تحويل النص إلى كلام المفتوح مما يخبرك به منشور إطلاق أي من النموذجين. فـ VoxCPM2 وPhonon 31M كلاهما بترخيص Apache 2.0، وكلاهما قابل للتنزيل، وكلاهما موجه لفرق تريد الحصول على كلام دون فاتورة لكل حرف. لكنهما موجهان إلى عتاد مختلف تمامًا.

وظيفتان مختلفتان تحملان التسمية نفسها

VoxCPM2 هو مولّد كلام متعدد اللغات عام الأغراض. وهو خالٍ من المُرمِّز (tokenizer-free) وانتشاريّ ذاتيّ الانحدار (diffusion-autoregressive)، ويعمل في الفضاء الكامن لـ AudioVAE V2 عبر أربع مراحل يسمّيها المؤلفون LocEnc وTSLM وRALM وLocDiT، على أساس بنية MiniCPM-4 الأساسية. يدعم تصميم الصوت انطلاقًا من وصف باللغة الطبيعية، والاستنساخ القابل للتحكم من مرجع قصير، والاستنساخ بنمط المتابعة الذي يستخدم مقطعًا مرجعيًا ونصه المكتوب معًا. يُخرِج صوتًا بتردد 48 kHz ويقبل صوتًا مرجعيًا بتردد 16 kHz.

Phonon 31M هو مُركِّب صوتي أحادي اللغة وأحادي الغرض. وهو محوِّل مطابقة تدفّق يعمل على كامنات Mimi، بإطارات مدتها 80 مللي ثانية في المرة الواحدة، ويُفكّ ترميزه إلى صوت أحادي القناة بتردد 24 كيلوهرتز. لا يتضمن تصميم أصوات، ولا استنساخًا من مقطع مرجعي في واجهة API الموثّقة، ولا كشفًا للغة. لديه كتالوج أصوات، ومدخل نصي، وبيئة تشغيل تبدأ في أقل من 10 مللي ثوانٍ.

تسمية كلاهما «TTS مفتوح» دقيقة وغير مفيدة. أحدهما منصة أبحاث في الكلام، والآخر مكوّن مضمَّن.

أين يذهب 64×

ميزانية المعاملات تتيح أربعة أشياء، والأربعة جميعها ظاهرة في ورقة المواصفات لا في اختبار الاستماع.

• اللغات — أكثر من 30 لغة وتسع لهجات صينية لـ VoxCPM2؛ الإنجليزية فقط لـ Phonon 31M.

• معدل الإخراج — 48 كيلوهرتز أصلي لـ VoxCPM2؛ 24 كيلوهرتز أحادي لـ Phonon 31M.

• إنشاء الأصوات — تصميم صوتي قائم على الوصف وثلاثة أوضاع استنساخ لـ VoxCPM2؛ و37 صوتًا مدمجًا بالإضافة إلى كتالوج أصوات مخصصة لـ Phonon 31M.

• الحد الأدنى من العتاد — نحو 8 غيغابايت من ذاكرة VRAM على بطاقة RTX 4090 لتشغيل VoxCPM2؛ و64.5 ميغابايت ونواة معالج CPU لتشغيل Phonon 31M.

• السرعة — عامل الزمن الحقيقي نحو 0.30 على RTX 4090 لـ VoxCPM2، أو 0.13 مع Nano-vLLM؛ أسرع من الزمن الحقيقي بمقدار 26 إلى 41 مرة على نواة حاسوب محمول لـ Phonon 31M، وفقًا لملف README الخاص بـ Gradium.

• الترخيص — Apache 2.0 لكليهما.

مقارنة WER ليست مقارنة.

يُدرج التقرير الفني لـ VoxCPM2 معدل خطأ كلمات إنجليزي (WER) قدره 1.84 على Seed-TTS-eval، مع تشابه متحدث يبلغ 75.3. وتُدرج بطاقة نموذج Phonon قيمة 0.51 على Seed-TTS لـ Phonon 31M. عند قراءتهما جنبًا إلى جنب، يبدو ذلك وكأنه هزيمة ساحقة: نموذج بحجم 31M يتفوق على نموذج بحجم 2B في الوضوح بثلاثة أضعاف.

ليس كذلك. فالرقمان يأتيان من أدوات تقييم مختلفة، ومن مجموعات مرجعية مختلفة على الأرجح، ومن نماذج تفريغ صوتي مختلفة بالتأكيد تقريبًا استُخدمت لتقييم المخرجات. استخدمت منهجية Gradium المنشورة لتقييمها الأسبق الجزءَ الإنجليزي من Seed-TTS — 1,008 عبارات منطوقة — فُرّغت باستخدام whisper-large-v3 وقيّمت بمسافة التحرير. ولا يستخدم التقرير الفني لـ OpenBMB المسار نفسه في الأرقام المعروضة على صفحة طرازه. ولم يشغّل أي من البائعَين نقطة التحقق الخاصة بالآخر عبر أداة التقييم الخاصة به، ولم ينشر أي طرف ثالث مقارنة مباشرة.

ما تدعمه الأرقام فعلاً هو ادعاء أضعف لكنه لا يزال مفيدًا: كلا النموذجين يقعان في نطاق معدل خطأ الكلمات (WER) المنخفض ذي الخانة الأحادية على مجموعات الاختبار الإنجليزية القياسية، أي إن كليهما واضح بما يكفي لأعمال القراءة بصوت عالٍ في بيئات الإنتاج. أما فكرة أن 31M معلمة لا يمكنها إنتاج إنجليزية سليمة فهي ببساطة خاطئة في 2026. وفكرة أن 31M معلمة يمكنها مجاراة نموذج بحجم 2B عبر 30 لغة خاطئة أيضًا، ولا يدّعي أي من المورّدين ذلك.

ثمة سبب ثانٍ لعدم الثقة بالعنوان الرئيسي: فوثائق Gradium نفسها تتناقض فيما بينها. تمنح مدونة الإصدار Phonon 31M نسبة WER محددة بشكل قاطع قدرها 1.70%، وتمنح بطاقة الطراز 1.5%، بينما لا ينشر ملف README الخاص ببيئة التشغيل أي نسبة WER على الإطلاق. وعندما تختلف ثلاث وثائق لمورّد ما بنسبة 13% حول المقياس نفسه، فالاستجابة الصحيحة هي التعامل مع الرقم كنطاق.

الحد الأدنى من العتاد هو القرار الحقيقي

يحتاج VoxCPM2 إلى GPU. تبلغ التهيئة المرجعية نحو 8 GB من VRAM، ويعمل النموذج بسرعة تقارب ثلث الزمن الحقيقي على RTX 4090 دون مكدس تقديم مُحسَّن. وعلى Apple M4 Pro مع تكميم Q8_0، يبلغ عامل الزمن الحقيقي نحو 1.76، أي أنه يستغرق 1.76 ثانية من الحوسبة لإنتاج ثانية واحدة من الصوت — أبطأ من الزمن الحقيقي، وغير عملي للمحادثة المباشرة على تلك العتاد. ومع Nano-VLLM ينخفض العامل إلى نحو 0.13، وهو سريع، لكنه مكدس تقديم له تكلفته التشغيلية الخاصة.

الحد الأدنى لـ Phonon 31M هو نواة معالج واحدة. يسرد ملف README الخاص بـ Gradium سرعة تبلغ 26 ضعف الزمن الحقيقي على نواة واحدة من MacBook Air M5، و22 ضعفًا على Neural Engine في iPhone 16 Pro، و2.3 ضعف على Raspberry Pi 5. أما الأرقام الواردة في مدونة الإصدار فهي مختلفة — 11.6 ضعف على نواة واحدة، و3.7 ضعف على Raspberry Pi — لكن كل نسخة من الرقم تصف جهازًا يتسع داخل راحة اليد.

هذه ليست حجة تتعلق بالجودة. إن تصيير VoxCPM2 بتردد 48 kHz عبر GPU سيبدو أفضل من تصيير Phonon بتردد 24 kHz، وينبغي أن يكون كذلك. السؤال هو ما إذا كان منتجك يستطيع تحمّل تكلفة GPU لكل بث متزامن. بالنسبة لخط إنتاج دبلجة على الخادم، نعم. وبالنسبة لتطبيق هاتف يجب أن يعمل على متن طائرة، لا.

تصميم الصوت مقابل طاقم تمثيل ثابت

أبرز ما يميز VoxCPM2 هو تصميم الصوت: وصف بين قوسين في نص التوجيه يُنتج صوتًا دون أي تسجيل مرجعي على الإطلاق. أضف إلى ذلك الاستنساخ القابل للتحكم، حيث يحدد مقطع صوتي قصير الجرسَ الصوتي وتحدد تعليمةٌ أسلوبية طريقةَ الأداء، فتحصل على نظام لإنتاج طاقم من الشخصيات بدلًا من مجرد قراءة نص.

لا يملك Phonon أي شيء من ذلك. أصواته الإنجليزية البالغ عددها 37 صوتًا مجموعة ثابتة، وتتطلب الأصوات المخصصة ملف .safetensors بدلاً من جملة وصف. هذا تبسيط متعمد: كتالوج الأصوات أسهل في التدقيق، وأسهل في الترخيص، ويستحيل استدراجه ليقول شيئًا بصوت أحد المشاهير. بالنسبة إلى عمليات النشر الحساسة للامتثال، فإن هذا القيد ميزة. أما بالنسبة إلى العمل الإبداعي، فهو حائط.

كلاهما Apache 2.0، وهو ما يغيّر المعادلة.

هذا هو الجانب الذي يجعل المقارنة أنظف من مقابلات Phonon الأخرى. VoxCPM2 مرخّص بموجب Apache 2.0 للشيفرة والأوزان. Phonon 31M مرخّص بموجب Apache 2.0 للأوزان، مع وقت التشغيل تحت MIT أو Apache-2.0. وعلى عكس نقاط التحقق 40M الخاصة بـ Gradium، المرخّصة بموجب CC BY-NC 4.0 وغير القابلة للاستخدام في المنتجات التجارية دون اتفاقية، يمكن شحن كلٍّ منهما.

يستحق اختلاف الترخيص داخل عائلة Gradium نفسها التكرار لأنه يسهل تفويته: النموذج الأفضل صوتًا — Phonon 40M، عند Elo قدره 2,117 مقابل 2,098 لـ 31M — هو النموذج الذي لا يمكنك استخدامه تجاريًا. أما نموذج Apache 2.0 فهو الأصغر، والإنجليزي فقط.

أين يفوز كل واحد

اختر VoxCPM2 عندما تحتاج إلى لغات تتجاوز الإنجليزية، أو مخرجات بدقة 48 كيلوهرتز، أو تصميم الأصوات، أو الاستنساخ، أو السرد الطويل، وعندما تكون وحدة معالجة الرسومات (GPU) جزءًا من عملية النشر بالفعل. وهو أيضًا الخيار الأفضل للبحث في تحويل النص إلى كلام متعدد اللغات، لأن نقطة التحقق والتقرير الفني ومجموعة التقييم كلها متاحة للعامة.

اختر Phonon 31M عندما يجب توليد الصوت على الجهاز، وعندما تكون الإنجليزية كافية، وعندما يمكن تثبيت مجموعة الأصوات، وعندما يكون تنزيل بحجم 64 MB هو الفرق بين الإطلاق وعدم الإطلاق. الألعاب وأدوات إمكانية الوصول والأكشاك وميزات المتصفح والمساعدات دون اتصال هي مجاله. لا يستطيع نموذج 2B مجاراته هناك، وهو لا يسعى إلى ذلك.

لا تستضيف OrcaRouter أيًّا من الطرازين — إذ يُقدَّم VoxCPM2 عبر vLLM-Omni أو بيئة تشغيل محلية، ويعمل Phonon على عتادك. وتبرز أهمية طبقة التوجيه عند خطوة واحدة أعلى في المكدس، حيث يُولَّد النص الخاص بالصوت: أكثر من 200 نموذج لغوي خلف مفتاح واحد، مع تمرير سعر قائمة المزوّد بهامش ربح 0%، وتبديل تلقائي عند تعثّر أحد المزوّدين. يبقى TTS حيث ينتمي؛ أما توليد النص فيمكن نقله.

ما الذي ينبغي أن يحسمه المعيار التالي

التجربة الغائبة واضحة ولم يُجرِها أحد: كلتا نقطتي التفتيش، مجموعة اختبار واحدة، نموذج نسخ واحد، مُقيِّم واحد، تُنشَر مع الصوت. وإلى أن توجد تلك التجربة، فإن الموقف الصادق هو أن VoxCPM2 هو النظام الأقدر، وأن Phonon 31M هو الأكثر قابلية للنشر، وأن مقارنة WER بين 0.51 و1.84 هي مصادفة منهجية وليست نتيجة.

ما لا يدعو إلى الشك هو اتجاه المسار. فوجود نموذج إنجليزي بحجم 64 ميغابايت في أكتوبر 2026 أمرٌ موثوق لأعمال القراءة بصوت عالٍ في الإنتاج، على نحو لم يكن ممكنًا لنموذج بحجم 64 ميغابايت في أوائل 2025. والسؤال المثير للاهتمام في دورة الإصدار القادمة ليس ما إذا كان نموذج صغير يستطيع أن يضاهي نموذجًا كبيرًا في الإنجليزية، بل ما إذا كان يستطيع أن يكتسب لغة ثانية دون أن يتضاعف حجمه. إن نقطة التحقق متعددة اللغات لدى Gradium بحجم 40M هي محاولة أولى، ويشير ترخيصها غير التجاري إلى أن الشركة لم تقرر بعد كيفية بيعه.