Phonon vs. VoxCPM2: qué aporta realmente tener 64 veces más parámetros en TTS

VoxCPM2 es un modelo de voz de 2 mil millones de parámetros de OpenBMB, publicado en abril de 2026, que habla 30 idiomas a 48 kHz y puede inventar una voz a partir de una descripción escrita. Phonon 31M es un modelo de 31 millones de parámetros de Gradium, publicado el 20 de octubre de 2026, que habla inglés a 24 kHz con 37 voces fijas y cabe en 64,5 MB. La proporción de parámetros es de aproximadamente 64 a 1, y lo sorprendente no es que el modelo más grande haga más. Es que en el único dato que ambos proveedores publican —la tasa de error de palabras en inglés en Seed-TTS— el modelo más pequeño afirma tener la mejor puntuación.

Esa afirmación casi con toda seguridad no es una comparación justa, y entender por qué te dice más sobre el estado del TTS abierto que las publicaciones de lanzamiento de cualquiera de los dos modelos. VoxCPM2 y Phonon 31M son ambos Apache 2.0, ambos se pueden descargar y ambos están dirigidos a equipos que quieren voz sin una factura por carácter. Están dirigidos a hardware completamente diferente.

Dos trabajos diferentes con la misma etiqueta

VoxCPM2 es un generador de voz multilingüe de propósito general. No requiere tokenizador y es de difusión autorregresiva; opera en el espacio latente de AudioVAE V2 mediante cuatro etapas que los autores denominan LocEnc, TSLM, RALM y LocDiT, sobre una base MiniCPM-4. Admite el diseño de voz a partir de una descripción en lenguaje natural, la clonación controlable a partir de una referencia corta y la clonación por continuación, que utiliza tanto un clip de referencia como su transcripción. Genera audio a 48 kHz y acepta audio de referencia a 16 kHz.

Phonon 31M es un sintetizador de un solo idioma y un solo propósito. Es un transformer de flow matching sobre latentes de Mimi, en tramas de 80 milisegundos a la vez, decodificado a mono a 24 kHz. No tiene diseño de voz, ni clonación a partir de un clip de referencia en la API documentada, ni detección de idioma. Tiene un catálogo de voces, una entrada de texto y un runtime que arranca en milisegundos de un solo dígito.

Llamar a ambos "TTS abierto" es exacto y poco útil. Uno es una plataforma de investigación del habla; el otro es un componente integrado.

Dónde va el 64×

El presupuesto de parámetros compra cuatro cosas, y las cuatro son visibles en la hoja de especificaciones en lugar de en la prueba de escucha.

• Idiomas — 30 más nueve dialectos chinos para VoxCPM2; solo inglés para Phonon 31M.

• Frecuencia de salida — 48 kHz nativa para VoxCPM2; 24 kHz mono para Phonon 31M.

• Creación de voces — diseño de voz basado en descripciones y tres modos de clonación para VoxCPM2; 37 voces integradas más un catálogo de voces personalizadas para Phonon 31M.

• Mínimo de hardware: alrededor de 8 GB de VRAM en una RTX 4090 para VoxCPM2; 64,5 MB y un núcleo de CPU para Phonon 31M.

• Velocidad: aproximadamente un factor de tiempo real de 0,30 en una RTX 4090 para VoxCPM2, o de 0,13 con Nano-vLLM; de 26 a 41 veces más rápido que el tiempo real en un núcleo de portátil para Phonon 31M, según el README de Gradium.

• Licencia — Apache 2.0 para ambos.

La comparación de WER no es una comparación

El informe técnico de VoxCPM2 indica un WER en inglés de 1,84 en Seed-TTS-eval, con una similitud de hablante de 75,3. La ficha del modelo de Phonon indica 0,51 en Seed-TTS para Phonon 31M. Leídos lado a lado, parece una paliza: un modelo de 31M supera a un modelo de 2B en inteligibilidad por un factor de tres.

No lo es. Los dos números provienen de arneses diferentes, probablemente de conjuntos de referencia distintos y, casi con certeza, de modelos de transcripción diferentes usados para puntuar la salida. La metodología publicada por Gradium para su evaluación anterior utilizó la porción en inglés de Seed-TTS —1.008 enunciados— transcrita con whisper-large-v3 y puntuada con distancia de edición. El informe técnico de OpenBMB no utiliza el mismo pipeline en las cifras que aparecen en la página de su modelo. Ninguno de los dos proveedores ha ejecutado el checkpoint del otro a través de su propio arnés, y ningún tercero ha publicado una comparación directa.

Lo que las cifras sí respaldan es una afirmación más débil, aunque aún útil: ambos modelos están en el rango de WER de un dígito bajo en conjuntos de prueba estándar de inglés, es decir, ambos son lo bastante inteligibles para trabajo de lectura en voz alta en producción. La idea de que 31M de parámetros no pueden producir inglés limpio es simplemente falsa en 2026. La idea de que 31M de parámetros pueden igualar a un modelo de 2B en 30 idiomas también es falsa, y ninguno de los proveedores lo afirma.

Hay una segunda razón para desconfiar del titular: los propios documentos de Gradium se contradicen entre sí. El blog de lanzamiento asigna a Phonon 31M un WER fijo de 1,70 %, la tarjeta del modelo indica 1,5 % y el README del entorno de ejecución no publica ningún WER. Cuando tres documentos de un proveedor difieren en un 13 % sobre la misma métrica, la respuesta correcta es tratar la cifra como un intervalo.

El piso de hardware es la verdadera decisión.

VoxCPM2 necesita una GPU. La configuración de referencia requiere unos 8 GB de VRAM, y el modelo se ejecuta a aproximadamente un tercio del tiempo real en una RTX 4090 sin una pila de servicio optimizada. En un Apple M4 Pro con cuantización Q8_0, el factor de tiempo real es de aproximadamente 1,76, lo que significa que se necesitan 1,76 segundos de cómputo para producir un segundo de audio: más lento que el tiempo real y no viable para una conversación en vivo en ese hardware. Con Nano-VLLM, el factor desciende a aproximadamente 0,13, lo cual es rápido, pero se trata de una pila de servicio con su propio coste operativo.

El nivel mínimo de Phonon 31M es un núcleo de CPU. El README de Gradium enumera 26 veces el tiempo real en un núcleo de MacBook Air M5, 22 veces en el Neural Engine de un iPhone 16 Pro y 2,3 veces en una Raspberry Pi 5. Las cifras del blog de lanzamiento son diferentes —11,6 veces en un núcleo, 3,7 veces en la Pi—, pero todas las versiones del número describen un dispositivo que cabe en una mano.

Esto no es un argumento de calidad. Una renderización de VoxCPM2 a 48 kHz mediante una GPU sonará mejor que una renderización de Phonon a 24 kHz, y así debería ser. La cuestión es si tu producto puede permitirse una GPU por cada flujo concurrente. Para una canalización de doblaje del lado del servidor, sí. Para una aplicación de teléfono que debe funcionar en un avión, no.

Diseño de voz frente a un elenco fijo

La característica más distintiva de VoxCPM2 es el diseño de voces: una descripción entre paréntesis en el prompt de texto genera una voz sin necesidad de audio de referencia alguno. Súmale la clonación controlable, en la que un clip corto define el timbre y una instrucción de estilo define la interpretación, y obtienes un sistema para producir todo un elenco de personajes en lugar de limitarse a leer un guion.

Phonon no tiene nada de eso. Sus 37 voces en inglés son un conjunto fijo, y las voces personalizadas requieren un archivo en formato .safetensors en lugar de una frase descriptiva. Esa es una simplificación deliberada: un catálogo de voces es más fácil de auditar, más fácil de licenciar e imposible de inducir a decir algo con la voz de una celebridad. Para implementaciones sensibles al cumplimiento, la restricción es una ventaja. Para el trabajo creativo, es un muro.

Ambos son Apache 2.0, lo que cambia el cálculo

Esta es la parte que hace que la comparación sea más limpia que en las otras comparativas de Phonon. VoxCPM2 es Apache 2.0 para el código y los pesos. Phonon 31M es Apache 2.0 para los pesos, con el entorno de ejecución bajo MIT o Apache-2.0. A diferencia de los checkpoints de 40M de Gradium, que son CC BY-NC 4.0 y no se pueden usar en productos comerciales sin un acuerdo, ambos pueden distribuirse.

La diferencia de licencias dentro de la propia familia de Gradium merece repetirse porque es fácil pasarla por alto: el modelo que mejor suena —Phonon 40M, con un Elo de 2.117 frente a 2.098 del 31M— es el que no se puede usar comercialmente. El modelo Apache 2.0 es el más pequeño y solo está en inglés.

Dónde gana cada uno

Elige VoxCPM2 cuando necesites idiomas más allá del inglés, salida a 48 kHz, diseño de voces, clonación o narración de formato largo, y cuando una GPU ya forme parte del despliegue. También es la mejor opción para la investigación en TTS multilingüe, porque el checkpoint, el informe técnico y el conjunto de evaluación son públicos.

Elige Phonon 31M cuando el audio deba generarse en el dispositivo, cuando el inglés sea suficiente, cuando el conjunto de voces pueda fijarse y cuando una descarga de 64 MB sea la diferencia entre lanzar o no lanzar. Los juegos, las herramientas de accesibilidad, los kioscos, las funciones del navegador y los asistentes sin conexión son su territorio. Un modelo de 2B no puede seguirlo ahí, y no lo intenta.

OrcaRouter no aloja ninguno de los dos modelos: VoxCPM2 se sirve a través de vLLM-Omni o de un entorno de ejecución local, y Phonon se ejecuta en tu propio hardware. La capa de enrutamiento resulta relevante un escalón más arriba en la pila, allí donde se genera el guion para la voz: más de 200 modelos de lenguaje con una sola clave, el precio de lista del proveedor trasladado con un 0 % de margen, y conmutación automática por conmutación cuando un proveedor falla. El TTS se queda donde debe estar; la generación de texto sí puede moverse.

Qué debería resolver el próximo benchmark

El experimento que falta es obvio y nadie lo ha ejecutado: ambos checkpoints, un único conjunto de prueba, un único modelo de transcripción, un único evaluador, publicados junto con el audio. Hasta que eso exista, la postura honesta es que VoxCPM2 es el sistema más capaz y Phonon 31M es el más desplegable, y que la comparación de WER de 0,51 frente a 1,84 es una coincidencia de metodología más que un resultado.

Lo que no está en duda es la dirección del avance. Un modelo inglés de 64 MB en octubre de 2026 es creíble para trabajo de lectura en voz alta en producción de una manera que un modelo de 64 MB no lo habría sido a principios de 2025. La pregunta interesante para el próximo ciclo de lanzamiento no es si un modelo pequeño puede igualar a uno grande en inglés. Es si el modelo pequeño puede adquirir un segundo idioma sin duplicar su tamaño. El checkpoint multilingüe de 40M de Gradium es un primer intento, y su licencia no comercial sugiere que la empresa aún no ha decidido cómo venderlo.