Phonon vs Qwen Audio 3.0 TTS: 7 ms en tu portátil o 200 ms en la nube

Un agente de soporte termina una frase y el asistente de voz tiene que responder. En Phonon 31M, el modelo local de 64 MB de Gradium lanzado el 20 de octubre de 2026, la primera muestra de audio puede llegar unos 7 milisegundos después de que el texto esté listo, porque nada sale de la máquina. En Qwen Audio 3.0 TTS, el sistema alojado de Alibaba de julio de 2026, el primer paquete está documentado en menos de 200 milisegundos — y esa cifra comienza después de que tu solicitud haya cruzado la red hasta un centro de datos en Pekín o Singapur.

Esa diferencia es toda la comparación en miniatura, pero no es toda la decisión. Qwen Audio 3.0 TTS habla 16 idiomas y 20 dialectos chinos a 48 kHz, acepta etiquetas de emoción y no verbales insertadas en el texto, y clona una voz a partir de un clip de referencia. Phonon 31M habla inglés a 24 kHz con 37 voces fijas y funciona en una Raspberry Pi. Elegir entre ellos es elegir qué tipo de sistema estás construyendo, no qué modelo suena mejor en una demo.

Lo que realmente es cada uno

Phonon 31M es un checkpoint de la familia de pesos abiertos de Gradium. Tiene 31 millones de parámetros, sin contar el tokenizador de audio; se distribuye como un GGUF q8 de 64,5 MB, genera audio mono a 24 kHz y tiene licencia Apache 2.0: es el único checkpoint de la familia que es gratuito para uso comercial. Los modelos complementarios Phonon 40M cubren cinco idiomas, pero están bajo CC BY-NC 4.0, así que no son una opción para un producto comercializado sin un acuerdo por separado. El runtime está en Rust, sin PyTorch en la inferencia, y hay compilaciones para CPU, Core ML, NPU de Snapdragon y WebAssembly.

Qwen Audio 3.0 TTS no es un modelo descargable. El equipo Qwen de Alibaba lo anunció el 20 de julio de 2026 en WAIC en dos niveles de API: Flash, optimizado para la interacción en tiempo real, y Plus, optimizado para la calidad. Se accede a ambos a través de Alibaba Cloud Model Studio. La documentación del endpoint Flash indica una latencia del primer paquete inferior a 200 ms, un límite de 180 solicitudes por minuto y un precio de 1 CNY por cada 10 000 caracteres en Pekín, o 1,12413 CNY en Singapur. No hay pesos, ni entorno de ejecución local, ni modo sin conexión.

La diferencia de latencia no es de 193 milisegundos.

Restar 7 de 200 da un número que subestima la brecha y sobrestima su importancia, según lo que estés construyendo. Para una interfaz de voz con alternancia de turnos, el presupuesto de extremo a extremo es de aproximadamente 800 ms antes de que la conversación empiece a sentirse mal. Una llamada a TTS en la nube consume sus 200 ms después de un viaje de ida y vuelta por la red que puede ser de 20 ms en una buena conexión por cable y de 150 ms en móvil. Añade la configuración de TLS en una conexión en frío, el almacenamiento en búfer de audio y la latencia de cola que implica un límite de 180 RPM bajo carga, y la experiencia del p95 es considerablemente peor que la cifra destacada.

La ruta local tiene una forma diferente. El propio README de Phonon indica 5 ms hasta el primer byte en un núcleo M5 de MacBook Air y 9 ms en el Motor Neural de un iPhone 16 Pro. No hay latencia de cola de red, ni límite de velocidad, ni proveedor que esté teniendo una mala tarde. Lo que se sacrifica es la elasticidad: un teléfono que está sufriendo limitación térmica ejecuta Phonon más lento, y una pestaña del navegador que compite con una videollamada recibe menos CPU. Las cifras de Raspberry Pi 5 del proveedor —68 ms y 2,3 veces el tiempo real en el README, 38 ms y 3,7 veces en el blog de lanzamiento— muestran hasta dónde puede caer ese piso en hardware débil.

Aquí es también donde las cifras merecen una salvedad. El blog de lanzamiento de Gradium y el README de su runtime discrepan en el throughput en más de un factor de dos para el mismo dispositivo, y ninguno de los dos se ha reproducido de forma independiente. Considera los 7 ms como un orden de magnitud, no como una especificación.

Idiomas y voces: amplitud frente a un elenco fijo

Qwen Audio 3.0 TTS cubre 16 idiomas, incluidos japonés, coreano, árabe, vietnamita, malayo y filipino, además de 20 dialectos chinos. Admite la clonación de voz a partir de audio de referencia y puede generar una salida en un idioma distinto del que aparece en el clip de referencia, que es la característica que hace interesantes los flujos de localización. La salida es de 48 kHz y la plataforma permite hasta tres minutos de audio por síntesis.

Phonon 31M es solo para inglés, y la ficha del modelo de Gradium lo dice sin rodeos: los demás idiomas se pronuncian mal. Incluye 37 voces integradas, con más en un catálogo de voces aparte y compatibilidad con voces personalizadas en .safetensors como formato. El checkpoint multilingüe Phonon 40M llega a cinco idiomas, pero su licencia no comercial lo deja fuera de la mayoría de las decisiones de producto.

• Idiomas — solo inglés para Phonon 31M; 16 idiomas más 20 dialectos chinos para Qwen Audio 3.0 TTS.

• Frecuencia de muestreo — 24 kHz mono para Phonon 31M; 48 kHz para Qwen Audio 3.0 TTS.

• Fuentes de voz: 37 integradas más un catálogo de voces personalizadas para Phonon 31M; clonación mediante audio de referencia para Qwen Audio 3.0 TTS.

• Duración máxima del enunciado: no documentada para Phonon 31M; hasta tres minutos por síntesis para Qwen Audio 3.0 TTS.

• Dónde se ejecuta: CPU, NPU, navegador o teléfono para Phonon 31M; Alibaba Cloud Model Studio solo para Qwen Audio 3.0 TTS.

• Licencia — Apache 2.0 para Phonon 31M; términos de API comercial para Qwen Audio 3.0 TTS.

Control: etiquetas y clonación frente a un reparto fijo

La historia de expresividad de Qwen se basa en el control en línea. El modelo acepta etiquetas no verbales detalladas —respiraciones, risas, suspiros— e instrucciones de estilo en lenguaje natural, de modo que un guion puede especificar no solo qué se dice, sino cómo. La cobertura del lanzamiento destacó el cambio de "poder hablar" a "poder interpretar", y el nivel Plus quedó en primer lugar en Artificial Analysis Speech Arena con un Elo de 1.237, por delante de Gemini 3.1 Flash TTS y ElevenLabs v3. Se trata de una tabla de clasificación independiente y no de una tabla de proveedor, aunque la entrada fue enviada por Alibaba y el Elo en una arena curada recompensa el estilo tanto como la inteligibilidad.

La superficie de control de Phonon es deliberadamente limitada. Eliges una voz, envías texto y obtienes audio. No hay etiquetas de emoción ni prompt de estilo. Para una interfaz que interpreta enunciados cortos y predecibles —notificaciones, navegación, confirmación de formularios— eso es suficiente, y la ausencia de una capa de estilo es una de las razones por las que el modelo tiene 31 millones de parámetros en lugar de miles de millones. Para narración, publicidad o trabajo de personajes, es descalificante.

Ninguno de los dos sistemas resuelve el problema del consentimiento. La clonación de Qwen acepta un clip de referencia; Phonon acepta archivos de voz personalizados. Ambos dejan en manos del integrador demostrar que el hablante dio su consentimiento.

Cuánto cuesta por volumen

Phonon 31M no tiene un precio por carácter. Pagas por el hardware que ya tienes y por la electricidad para ejecutar un modelo que genera entre 26 y 41 veces más rápido que el tiempo real en un núcleo de portátil. A pequeña escala, eso es efectivamente gratis; a gran escala, se convierte en el presupuesto de batería y térmico de un móvil, que es un coste real, pero de otro tipo.

Qwen Audio 3.0 TTS Flash cobra 1 CNY por cada 10.000 caracteres en Pekín. Diez millones de caracteres al mes son 1.000 CNY, aproximadamente US$140 con un tipo de cambio redondeado de siete yuanes por dólar, menos de lo que la mayoría de los equipos gasta en registros. La cifra que importa no es la factura mensual, sino su forma: el costo escala con el uso, la latencia se alquila y alguien más puede cambiar el precio del modelo o dejarlo obsoleto. Esa es la contrapartida por 48 kHz y dieciséis idiomas.

OrcaRouter no aloja ninguno de estos dos modelos, y nada de lo que aparece aquí debería dar a entender lo contrario: Phonon se ejecuta en tu dispositivo y a Qwen Audio 3.0 TTS se accede mediante la propia API de Alibaba. Donde el enrutamiento sí se gana su lugar es una capa más arriba. El texto de respuesta de un asistente de voz suele provenir de un modelo de lenguaje, y ese modelo es un producto básico que puedes cambiar de sitio. Una sola clave cubre más de 200 modelos al precio de lista del proveedor con un 0 % de margen, así que una rebaja de precio o un nuevo modelo barato se pueden usar el mismo día, y la conmutación por error automática mantiene viva la mitad de texto del bucle cuando un único proveedor se degrada. La capa de voz puede quedarse exactamente donde la hayas puesto.

Dónde gana cada uno

Elige Phonon 31M cuando el audio deba generarse en el dispositivo, cuando el idioma sea el inglés, cuando un conjunto de voces fijo sea aceptable y cuando una descarga de 64 MB y una licencia Apache 2.0 valgan más que la variedad estilística. Los asistentes sin conexión, las herramientas de accesibilidad, los juegos, los quioscos y las funciones del navegador son su hábitat natural.

Elige Qwen Audio 3.0 TTS cuando necesites idiomas distintos del inglés, salida a 48 kHz, interpretación emocional, clonación de voz o enunciados de más de una o dos frases —y cuando sea aceptable depender de la red. Los agentes de voz orientados al cliente en varios mercados, el doblaje y el contenido narrado son su hábitat natural.

El híbrido que la mayoría de los equipos acabará construyendo

Los dos sistemas no son mutuamente excluyentes, y la arquitectura interesante utiliza ambos. Ejecuta Phonon 31M como la opción local predeterminada para respuestas breves, predecibles y en inglés — aquellas en las que la latencia se percibe. Recurre a Qwen Audio 3.0 TTS cuando la respuesta sea larga, cuando el usuario haya cambiado de idioma o cuando el dispositivo no pueda mantener el modelo local. El cambio es una decisión de política, no una reescritura, porque ambos reciben texto y devuelven audio.

Lo que hace que esa arquitectura funcione es que el mecanismo de respaldo no es una experiencia de segunda categoría. La salida a 48 kHz y las etiquetas de estilo de Qwen son mejores que las de Phonon en casi todos los aspectos, excepto en latencia y privacidad. La razón para usar el modo local por defecto no es la calidad; es que 7 milisegundos superan a un viaje de ida y vuelta por la red cuando el usuario está esperando.

El lanzamiento de Gradium tiene tres días y sus benchmarks siguen siendo ejecutados por el proveedor. El modelo de Alibaba tiene tres meses, cuenta con una posición independiente en la arena y se factura por carácter. La decisión entre ambos no se resolverá con una tabla de WER. Se resolverá según si tu producto puede tolerar un centro de datos en el circuito.