Phonon vs. Qwen Audio 3.0 TTS: 7 ms auf Ihrem Laptop oder 200 ms in der Cloud

Ein Support-Agent beendet einen Satz und der Sprachassistent muss antworten. Bei Phonon 31M, Gradiums 64-MB-On-Device-Modell, veröffentlicht am 20. Oktober 2026, kann das erste Audiosample etwa 7 Millisekunden, nachdem der Text bereitsteht, eintreffen, weil nichts das Gerät verlässt. Bei Qwen Audio 3.0 TTS, Alibabas gehostetem System aus Juli 2026, ist das erste Paket mit unter 200 Millisekunden dokumentiert — und diese Zahl beginnt erst, nachdem Ihre Anfrage das Netzwerk zu einem Rechenzentrum in Peking oder Singapur durchquert hat.

Diese Lücke ist der ganze Vergleich im Kleinen, aber sie ist nicht die ganze Entscheidung. Qwen Audio 3.0 TTS spricht 16 Sprachen und 20 chinesische Dialekte bei 48 kHz, nimmt Emotions- und Non-Verbal-Tags inline entgegen und klont eine Stimme aus einem Referenzclip. Phonon 31M spricht Englisch bei 24 kHz in 37 festen Stimmen und läuft auf einem Raspberry Pi. Zwischen ihnen zu wählen heißt zu wählen, welche Art von System man baut, nicht, welches Modell in einer Demo schöner klingt.

Was jedes einzelne tatsächlich ist

Phonon 31M ist ein Checkpoint in Gradiums Open-Weight-Familie. Er hat 31 Millionen Parameter ohne den Audio-Tokenizer, wird als 64,5 MB große q8-GGUF-Datei ausgeliefert, gibt 24-kHz-Mono aus und ist unter Apache 2.0 lizenziert – der einzige Checkpoint der Familie, der für kommerzielle Nutzung frei ist. Die begleitenden Phonon-40M-Modelle decken fünf Sprachen ab, stehen aber unter CC BY-NC 4.0, daher sind sie ohne separate Vereinbarung keine Option für ein ausgeliefertes Produkt. Die Runtime ist Rust, ohne PyTorch bei der Inferenz, und es gibt Builds für CPU, Core ML, Snapdragon-NPUs und WebAssembly.

Qwen Audio 3.0 TTS ist kein herunterladbares Modell. Das Qwen-Team von Alibaba kündigte es am 20. Juli 2026 auf der WAIC in zwei API-Stufen an: Flash, optimiert für Echtzeitinteraktion, und Plus, optimiert für Qualität. Beide sind über Alibaba Cloud Model Studio erreichbar. Die Dokumentation für den Flash-Endpunkt nennt eine First-Packet-Latenz von unter 200 ms, ein Ratenlimit von 180 Anfragen pro Minute und einen Preis von 1 CNY pro 10.000 Zeichen in Peking bzw. 1,12413 CNY in Singapur. Es gibt keine Gewichte, keine lokale Laufzeitumgebung und keinen Offline-Modus.

Die Latenzdifferenz beträgt nicht 193 Millisekunden.

7 von 200 abzuziehen ergibt eine Zahl, die die Lücke untertreibt und ihre Bedeutung überbetont – je nachdem, was man baut. Für eine Voice-Schnittstelle mit Sprecherwechsel liegt das End-to-End-Budget bei etwa 800 ms, bevor sich das Gespräch falsch anfühlt. Ein Cloud-TTS-Aufruf verbringt seine 200 ms nach einem Netzwerk-Roundtrip, der bei einer guten kabelgebundenen Verbindung 20 ms und mobil 150 ms betragen kann. Rechnet man TLS-Aufbau bei einer kalten Verbindung, Audiopufferung und die Tail-Latenz hinzu, die ein Rate Limit von 180 RPM unter Last impliziert, ist die p95-Erfahrung deutlich schlechter als die Schlagzeile.

Der lokale Pfad hat eine andere Gestalt. Phonons eigenes README nennt 5 ms Time-to-First-Byte auf einem Kern eines MacBook Air M5 und 9 ms auf der Neural Engine eines iPhone 16 Pro. Es gibt keinen Netzwerk-Tail, kein Rate Limit und keinen Anbieter, der einen schlechten Nachmittag hat. Was man aufgibt, ist Elastizität: Ein Telefon, das thermisch drosselt, führt Phonon langsamer aus, und ein Browser-Tab, der mit einem Videoanruf konkurriert, bekommt weniger CPU. Die Raspberry-Pi-5-Werte des Anbieters – 68 ms und 2,3-fache Echtzeit im README, 38 ms und 3,7-fache Echtzeit im Release-Blog – zeigen, wie weit diese Untergrenze auf schwacher Hardware fallen kann.

Dies ist auch der Punkt, an dem die Zahlen einen Vorbehalt verdienen. Gradiums Release-Blog und seine Runtime-README weichen bei der Durchsatzleistung für dasselbe Gerät um mehr als den Faktor zwei voneinander ab, und keine der beiden Angaben wurde unabhängig reproduziert. Betrachten Sie 7 ms als Größenordnung, nicht als Spezifikation.

Sprachen und Stimmen: Breite versus feste Besetzung

Qwen Audio 3.0 TTS deckt 16 Sprachen ab, darunter Japanisch, Koreanisch, Arabisch, Vietnamesisch, Malaiisch und Filipino, sowie 20 chinesische Dialekte. Es unterstützt Stimmklonen anhand von Referenzaudio und kann eine andere Sprache als die im Referenzclip ausgeben, was die Funktion ist, die Lokalisierungs-Pipelines interessant macht. Die Ausgabe erfolgt mit 48 kHz, und die Plattform erlaubt bis zu drei Minuten Audio pro Synthese.

Phonon 31M ist ausschließlich englischsprachig, und die Modellkarte von Gradium ist diesbezüglich unmissverständlich: Andere Sprachen werden falsch ausgesprochen. Es bietet 37 integrierte Stimmen, weitere in einem separaten Stimmkatalog sowie Unterstützung für benutzerdefinierte Stimmen im .safetensors-Format. Der mehrsprachige Phonon 40M Checkpoint erreicht fünf Sprachen, aber seine nichtkommerzielle Lizenz schließt ihn aus den meisten Produktentscheidungen aus.

• Sprachen — nur Englisch für Phonon 31M; 16 Sprachen plus 20 chinesische Dialekte für Qwen Audio 3.0 TTS.

• Abtastrate — 24 kHz mono für Phonon 31M; 48 kHz für Qwen Audio 3.0 TTS.

• Sprachquellen — 37 integrierte plus ein Katalog benutzerdefinierter Stimmen für Phonon 31M; Referenzaudio-Klonen für Qwen Audio 3.0 TTS.

• Maximale Äußerungslänge – für Phonon 31M nicht dokumentiert; bei Qwen Audio 3.0 TTS bis zu drei Minuten pro Synthese.

• Wo es läuft — CPU, NPU, Browser oder Telefon für Phonon 31M; Alibaba Cloud Model Studio nur für Qwen Audio 3.0 TTS.

• Lizenz — Apache 2.0 für Phonon 31M; kommerzielle API-Bedingungen für Qwen Audio 3.0 TTS.

Steuerung: Tags und Klonen gegenüber einer festen Besetzung

Die Geschichte von Qwen zur Ausdrucksstärke basiert auf Inline-Steuerung. Das Modell akzeptiert fein abgestufte nonverbale Tags – Atemzüge, Lachen, Seufzen – sowie Stilangaben in natürlicher Sprache, sodass ein Skript nicht nur festlegen kann, was gesagt wird, sondern auch wie. Die Berichterstattung zum Launch hob den Wandel von „kann sprechen“ zu „kann performen“ hervor, und die Plus-Stufe belegte mit einem Elo von 1.237 den ersten Platz in der Artificial Analysis Speech Arena, vor Gemini 3.1 Flash TTS und ElevenLabs v3. Dabei handelt es sich um ein unabhängiges Leaderboard und nicht um eine Anbietertabelle, wobei der Eintrag allerdings von Alibaba eingereicht wurde und Elo in einer kuratierten Arena den Stil ebenso stark belohnt wie die Verständlichkeit.

Die Steueroberfläche von Phonon ist bewusst schmal gehalten. Man wählt eine Stimme, sendet Text und erhält Audio. Es gibt keine Emotions-Tags und keinen Stil-Prompt. Für eine Schnittstelle, die kurze, vorhersehbare Äußerungen vorliest – Benachrichtigungen, Navigation, Formularbestätigungen –, ist das ausreichend, und das Fehlen einer Stil-Ebene ist einer der Gründe, warum das Modell 31 Millionen Parameter statt Milliarden hat. Für Narration, Werbung oder Charakterarbeit ist es ein Ausschlusskriterium.

Keines der beiden Systeme löst das Einwilligungsproblem. Qwens Klonen akzeptiert einen Referenzclip; Phonon akzeptiert benutzerdefinierte Sprachdateien. Beide überlassen es dem Integrator, nachzuweisen, dass der Sprecher zugestimmt hat.

Was es bei hohem Volumen kostet

Phonon 31M hat keinen Preis pro Zeichen. Sie zahlen für Hardware, die Sie bereits besitzen, und für den Strom, um ein Modell zu betreiben, das auf einem Laptop-Kern 26- bis 41-mal schneller als Echtzeit generiert. In kleinem Maßstab ist das praktisch kostenlos; in großem Maßstab wird es zu einem Batterie- und Wärmebudget auf Mobilgeräten, was reale Kosten sind, aber anderer Art.

Qwen Audio 3.0 TTS Flash berechnet in Peking 1 CNY pro 10.000 Zeichen. Zehn Millionen Zeichen im Monat sind 1.000 CNY, rund US$140 bei einem runden Kurs von sieben Yuan je Dollar – weniger, als die meisten Teams für Logging ausgeben. Die entscheidende Zahl ist nicht die Monatsrechnung, sondern ihre Form: Die Kosten skalieren mit der Nutzung, Latenz wird gemietet, und das Modell kann von jemand anderem neu bepreist oder ausgemustert werden. Das ist der Kompromiss für 48 kHz und sechzehn Sprachen.

OrcaRouter hostet keines dieser beiden Modelle, und nichts hier sollte etwas anderes nahelegen: Phonon läuft auf deinem Gerät, und Qwen Audio 3.0 TTS wird über Alibabas eigene API erreicht. Wo Routing seinen Platz verdient, ist eine Ebene höher. Der Antworttext eines Sprachassistenten stammt normalerweise von einem Sprachmodell, und dieses Modell ist eine austauschbare Handelsware. Ein Schlüssel deckt mehr als 200 Modelle zum Listenpreis des Anbieters mit 0 % Aufschlag ab, sodass eine Preissenkung oder ein neues günstiges Modell noch am selben Tag nutzbar ist und automatisches Failover die Text-Hälfte der Schleife am Leben hält, wenn ein einzelner Anbieter beeinträchtigt ist. Die Sprachschicht kann genau dort bleiben, wo du sie platziert hast.

Wo jedes einzelne gewinnt

Wählen Sie Phonon 31M, wenn die Audioausgabe auf dem Gerät erzeugt werden muss, wenn die Sprache Englisch ist, wenn ein festes Stimmen-Set akzeptabel ist und wenn ein Download von 64 MB und eine Apache-2.0-Lizenz mehr wert sind als stilistische Bandbreite. Offline-Assistenten, Barrierefreiheitswerkzeuge, Spiele, Kiosksysteme und Browserfunktionen sind sein natürliches Habitat.

Wähle Qwen Audio 3.0 TTS, wenn du andere Sprachen als Englisch, 48-kHz-Ausgabe, emotionale Performance, Voice Cloning oder Äußerungen benötigst, die länger als ein oder zwei Sätze sind – und wenn eine Netzwerkabhängigkeit akzeptabel ist. Kundengerichtete Sprachagenten in mehreren Märkten, Synchronisation und vertonte Inhalte sind sein natürliches Habitat.

Das Hybridmodell, das die meisten Teams letztendlich aufbauen werden

Die beiden Systeme schließen sich nicht gegenseitig aus, und die interessante Architektur nutzt beide. Phonon 31M läuft als lokaler Standard für kurze, vorhersehbare englische Antworten – diejenigen, bei denen Latenz spürbar ist. Auf Qwen Audio 3.0 TTS zurückgreifen, wenn die Antwort lang ist, wenn der Benutzer die Sprache gewechselt hat oder wenn das Gerät das lokale Modell nicht dauerhaft betreiben kann. Der Wechsel ist eine Richtlinienentscheidung, keine Neuimplementierung, weil beide Text entgegennehmen und Audio zurückgeben.

Was diese Architektur funktionieren lässt, ist, dass der Fallback kein zweitklassiges Erlebnis ist. Qwens 48-kHz-Ausgabe und Style-Tags sind fast in jeder Hinsicht besser als die von Phonon – außer bei Latenz und Datenschutz. Der Grund, standardmäßig lokal zu arbeiten, ist nicht die Qualität; es ist, dass 7 Millisekunden einen Netzwerk-Roundtrip schlagen, wenn der Nutzer wartet.

Gradiums Release ist drei Tage alt, und seine Benchmarks werden weiterhin vom Anbieter durchgeführt. Alibabas Modell ist drei Monate alt, hat eine unabhängige Platzierung in einer Arena und wird pro Zeichen abgerechnet. Die Entscheidung zwischen beiden wird nicht durch eine WER-Tabelle entschieden. Sie wird davon entschieden, ob Ihr Produkt ein Rechenzentrum im Ablauf tolerieren kann.