Phonon vs. VoxCPM2: Was 64× mehr Parameter bei TTS tatsächlich bringen

VoxCPM2 ist ein Sprachmodell mit 2 Milliarden Parametern von OpenBMB, veröffentlicht im April 2026, das 30 Sprachen bei 48 kHz spricht und aus einer schriftlichen Beschreibung eine Stimme erfinden kann. Phonon 31M ist ein Modell mit 31 Millionen Parametern von Gradium, veröffentlicht am 20. Oktober 2026, das Englisch bei 24 kHz in 37 festen Stimmen spricht und in 64,5 MB passt. Das Parameterverhältnis liegt bei etwa 64 zu 1, und das Überraschende ist nicht, dass das größere Modell mehr kann. Es ist, dass bei der einen Zahl, die beide Anbieter veröffentlichen — der englischen Wortfehlerrate auf Seed-TTS —, das kleinere Modell den besseren Wert für sich beansprucht.

Diese Behauptung ist fast sicher kein fairer Vergleich, und zu verstehen, warum, sagt mehr über den Stand von Open-TTS aus als der Launch-Post des jeweiligen Modells. VoxCPM2 und Phonon 31M sind beide Apache 2.0, beide herunterladbar und beide auf Teams ausgerichtet, die Sprache ohne Abrechnung pro Zeichen wollen. Sie sind auf völlig unterschiedliche Hardware ausgerichtet.

Zwei verschiedene Jobs, die dasselbe Etikett tragen

VoxCPM2 ist ein vielseitiger mehrsprachiger Sprachgenerator. Er ist tokenizer-frei und diffusions-autoregressiv und arbeitet im latenten Raum von AudioVAE V2 über vier Stufen, die die Autoren als LocEnc, TSLM, RALM und LocDiT bezeichnen, auf einem MiniCPM-4-Backbone. Er unterstützt Voice-Design anhand einer natürlichsprachlichen Beschreibung, kontrollierbares Klonen anhand einer kurzen Referenz sowie Continuation-Klonen, das sowohl einen Referenzclip als auch dessen Transkript verwendet. Er gibt 48-kHz-Audio aus und akzeptiert 16-kHz-Referenzaudio.

Phonon 31M ist ein einsprachiger, zweckgebundener Synthesizer. Er ist ein Flow-Matching-Transformer über Mimi-Latents, der jeweils 80 Millisekunden lange Frames verarbeitet und zu 24 kHz Mono dekodiert wird. Er bietet kein Voice-Design, kein Klonen anhand eines Referenzclips in der dokumentierten API und keine Sprachdetektion. Er verfügt über einen Stimmenkatalog, eine Texteingabe und eine Laufzeitumgebung, die in einstelligen Millisekunden startet.

Beide als „Open TTS“ zu bezeichnen ist korrekt und wenig hilfreich. Das eine ist eine Sprachforschungsplattform; das andere eine eingebettete Komponente.

Wo die 64× hinkommt

Das Parameterbudget erkauft vier Dinge, und alle vier sind eher im Datenblatt als im Hörtest sichtbar.

• Sprachen — 30 plus neun chinesische Dialekte für VoxCPM2; nur Englisch für Phonon 31M.

• Ausgaberate — 48 kHz nativ für VoxCPM2; 24 kHz mono für Phonon 31M.

• Stimmerstellung — beschreibungsbasierte Stimmgestaltung und drei Klonmodi für VoxCPM2; 37 integrierte Stimmen plus ein Katalog benutzerdefinierter Stimmen für Phonon 31M.

• Hardware-Mindestanforderung – etwa 8 GB VRAM auf einer RTX 4090 für VoxCPM2; 64,5 MB und ein CPU-Kern für Phonon 31M.

• Geschwindigkeit — etwa 0,30 Echtzeitfaktor auf einer RTX 4090 für VoxCPM2 oder 0,13 mit Nano-vLLM; laut Gradium-README 26- bis 41-mal schneller als Echtzeit auf einem Laptop-Kern für Phonon 31M.

• Lizenz — Apache 2.0 für beide.

Der WER-Vergleich ist kein Vergleich.

Der technische Bericht von VoxCPM2 nennt einen englischen WER-Wert von 1,84 bei Seed-TTS-eval, mit einer Sprecherähnlichkeit von 75,3. Die Modellkarte von Phonon nennt 0,51 bei Seed-TTS für Phonon 31M. Seite an Seite gelesen wirkt das wie eine Abreibung: ein 31M-Modell, das ein 2B-Modell bei der Verständlichkeit um den Faktor drei schlägt.

Das ist nicht der Fall. Die beiden Zahlen stammen aus unterschiedlichen Testumgebungen, wahrscheinlich aus unterschiedlichen Referenzdatensätzen und fast sicher aus unterschiedlichen Transkriptionsmodellen, mit denen die Ausgabe bewertet wurde. Die veröffentlichte Methodik von Gradium für seine frühere Evaluierung verwendete den englischen Teil von Seed-TTS – 1.008 Äußerungen –, transkribiert mit whisper-large-v3 und bewertet mit Editierdistanz. Der technische Bericht von OpenBMB verwendet in den auf seiner Modellseite veröffentlichten Abbildungen nicht dieselbe Pipeline. Keiner der beiden Anbieter hat den Checkpoint des anderen durch die eigene Testumgebung laufen lassen, und kein Dritter hat einen direkten Vergleich veröffentlicht.

Was die Zahlen tatsächlich stützen, ist eine schwächere, aber immer noch nützliche Aussage: Beide Modelle liegen auf englischen Standard-Testsets im niedrigen einstelligen WER-Bereich, was heißt, dass beide verständlich genug für produktives Vorlesen sind. Die Vorstellung, dass 31M Parameter kein sauberes Englisch erzeugen können, ist im Jahr 2026 schlicht falsch. Die Vorstellung, dass 31M Parameter es mit einem 2B-Modell über 30 Sprachen hinweg aufnehmen können, ist ebenfalls falsch, und kein Anbieter behauptet das.

Es gibt einen zweiten Grund, der Schlagzeile zu misstrauen: Gradiums eigene Dokumente widersprechen sich gegenseitig. Der Release-Blog gibt für Phonon 31M einen fest vorgegebenen WER von 1,70 % an, die Model Card nennt 1,5 %, und das Runtime-README veröffentlicht überhaupt keinen WER. Wenn sich die drei Dokumente eines Anbieters bei derselben Kennzahl um 13 % unterscheiden, ist die richtige Reaktion, die Zahl als Bandbreite zu behandeln.

Die Hardware-Untergrenze ist die eigentliche Entscheidung.

VoxCPM2 braucht eine GPU. Die Referenzkonfiguration benötigt etwa 8 GB VRAM, und das Modell läuft auf einer RTX 4090 ohne optimierten Serving-Stack mit etwa einem Drittel der Echtzeit. Auf einem Apple M4 Pro mit Q8_0-Quantisierung liegt der Echtzeitfaktor bei etwa 1,76; das bedeutet, dass 1,76 Sekunden Rechenzeit benötigt werden, um eine Sekunde Audio zu erzeugen – langsamer als Echtzeit und für Live-Gespräche auf dieser Hardware nicht praktikabel. Mit Nano-VLLM sinkt der Faktor auf etwa 0,13, was schnell ist, aber dabei handelt es sich um einen Serving-Stack mit eigenem Betriebsaufwand.

Die Untergrenze von Phonon 31M ist ein CPU-Kern. Die README von Gradium nennt 26-fache Echtzeit auf einem Kern eines MacBook Air M5, 22-fache auf der Neural Engine eines iPhone 16 Pro und 2,3-fache auf einem Raspberry Pi 5. Die Zahlen im Release-Blog sind anders – 11,6-fach auf einem Kern, 3,7-fach auf dem Pi –, doch jede Variante der Zahl beschreibt ein Gerät, das in eine Hand passt.

Das ist kein Qualitätsargument. Ein 48-kHz-VoxCPM2-Rendering über eine GPU klingt besser als ein 24-kHz-Phonon-Rendering, und das sollte es auch. Die Frage ist, ob sich Ihr Produkt eine GPU pro gleichzeitigem Stream leisten kann. Für eine serverseitige Dubbing-Pipeline: ja. Für eine Telefon-App, die im Flugzeug funktionieren muss: nein.

Stimmdesign versus feste Besetzung

Die herausragendste Eigenschaft von VoxCPM2 ist das Stimmdesign: Eine beschreibende Angabe in Klammern im Text-Prompt erzeugt eine Stimme ganz ohne Referenzaudio. Ergänzt man kontrollierbares Klonen, bei dem ein kurzer Clip die Klangfarbe festlegt und eine Stilanweisung die Vortragsweise bestimmt, erhält man ein System, mit dem sich eine Besetzung von Figuren produzieren lässt, statt ein Skript vorzulesen.

Phonon hat nichts davon. Seine 37 englischen Stimmen sind ein festes Set, und eigene Stimmen erfordern eine .safetensors-Datei statt eines Beschreibungssatzes. Das ist eine bewusste Vereinfachung: Ein Stimmkatalog ist leichter zu prüfen, leichter zu lizenzieren und unmöglich per Prompt dazu zu bringen, etwas mit der Stimme einer Berühmtheit zu sagen. Für compliance-sensible Einsätze ist die Einschränkung ein Vorteil. Für kreative Arbeit ist sie eine Wand.

Beide sind Apache 2.0, was die Abwägung verändert.

Dies ist der Teil, der den Vergleich sauberer macht als Phonons andere Gegenüberstellungen. VoxCPM2 steht unter Apache 2.0 für Code und Gewichte. Phonon 31M steht unter Apache 2.0 für Gewichte, wobei die Laufzeitumgebung unter MIT oder Apache-2.0 lizenziert ist. Anders als Gradiums 40M-Checkpoints, die unter CC BY-NC 4.0 stehen und ohne Vereinbarung in kommerziellen Produkten nicht nutzbar sind, können beide ausgeliefert werden.

Der Lizenzunterschied innerhalb von Gradiums eigener Modellfamilie verdient es, wiederholt zu werden, denn er ist leicht zu übersehen: Das Modell, das am besten klingt – Phonon 40M mit einem Elo von 2.117 gegenüber 2.098 beim 31M –, ist genau dasjenige, das man nicht kommerziell nutzen darf. Das Apache-2.0-Modell ist das kleinere, rein englischsprachige.

Wo jedes einzelne gewinnt

Wählen Sie VoxCPM2, wenn Sie Sprachen jenseits von Englisch, 48-kHz-Ausgabe, Stimmdesign, Klonen oder Langform-Narration benötigen und wenn eine GPU bereits Teil der Bereitstellung ist. Es ist auch die bessere Wahl für die Forschung zu mehrsprachiger TTS, da der Checkpoint, der technische Bericht und der Evaluationsdatensatz alle öffentlich sind.

Wählen Sie Phonon 31M, wenn das Audio auf dem Gerät erzeugt werden muss, wenn Englisch ausreicht, wenn das Stimmenset fest vorgegeben sein kann und wenn ein Download von 64 MB darüber entscheidet, ob ausgeliefert wird oder nicht. Spiele, Barrierefreiheits-Tools, Kioske, Browserfunktionen und Offline-Assistenten sind sein Territorium. Ein 2B-Modell kann ihm dort nicht folgen, und das versucht es auch nicht.

OrcaRouter hostet keines der beiden Modelle – VoxCPM2 wird über vLLM-Omni oder eine lokale Laufzeitumgebung bereitgestellt, und Phonon läuft auf Ihrer Hardware. Die Routing-Schicht ist eine Ebene höher im Stack relevant, dort, wo das Skript für die Stimme generiert wird: mehr als 200 Sprachmodelle hinter einem Schlüssel, der Listenpreis des Anbieters mit 0 % Aufschlag durchgereicht, und automatisches Failover, wenn ein Anbieter ausfällt. Das TTS bleibt, wo es hingehört; die Textgenerierung kann umziehen.

Was der nächste Benchmark klären sollte

Das fehlende Experiment ist offensichtlich, und niemand hat es durchgeführt: beide Checkpoints, ein Testset, ein Transkriptionsmodell, ein Scorer, zusammen mit dem Audio veröffentlicht. Bis es das gibt, ist die ehrliche Einschätzung, dass VoxCPM2 das leistungsfähigere System und Phonon 31M das besser einsetzbare ist, und dass der WER-Vergleich von 0,51 gegenüber 1,84 ein Zufall der Methodik ist und kein Ergebnis.

Außer Zweifel steht die Richtung. Ein 64-MB-Englischmodell im Oktober 2026 ist für den produktiven Vorleseeinsatz glaubwürdig – in einer Weise, wie es ein 64-MB-Modell Anfang 2025 nicht gewesen wäre. Die interessante Frage für den nächsten Release-Zyklus ist nicht, ob ein kleines Modell bei Englisch mit einem großen mithalten kann. Sie lautet, ob das kleine Modell eine zweite Sprache aufnehmen kann, ohne doppelt so groß zu werden. Gradiums mehrsprachiger 40M-Checkpoint ist ein erster Versuch, und seine nichtkommerzielle Lizenz deutet darauf hin, dass das Unternehmen noch nicht entschieden hat, wie es ihn vermarkten soll.