Phonon vs Qwen Audio 3.0 TTS : 7 ms sur votre ordinateur portable ou 200 ms dans le cloud

Un agent du support termine une phrase et l’assistant vocal doit répondre. Sur Phonon 31M, modèle embarqué de 64 Mo de Gradium sorti le 20 octobre 2026, le premier échantillon audio peut arriver environ 7 millisecondes après que le texte est prêt, car rien ne quitte la machine. Sur Qwen Audio 3.0 TTS, système hébergé d’Alibaba depuis juillet 2026, le premier paquet est documenté à moins de 200 millisecondes — et ce chiffre commence après que votre requête a traversé le réseau jusqu’à un centre de données à Pékin ou Singapour.

Cet écart, c’est toute la comparaison en miniature, mais ce n’est pas toute la décision. Qwen Audio 3.0 TTS parle 16 langues et 20 dialectes chinois à 48 kHz, accepte des balises d’émotion et non verbales en ligne et clone une voix à partir d’un extrait de référence. Phonon 31M parle anglais à 24 kHz avec 37 voix fixes et tourne sur un Raspberry Pi. Choisir entre eux, c’est choisir quel type de système vous construisez, pas quel modèle sonne mieux dans une démo.

Ce que chacun est réellement

Phonon 31M est un checkpoint de la famille de modèles à poids ouverts de Gradium. Il compte 31 millions de paramètres, hors tokenizer audio, est fourni sous forme de GGUF q8 de 64,5 Mo, produit une sortie mono à 24 kHz et est sous licence Apache 2.0 — le seul checkpoint de la famille libre pour un usage commercial. Les modèles complémentaires Phonon 40M couvrent cinq langues mais sont sous CC BY-NC 4.0, ils ne constituent donc pas une option pour un produit commercialisé sans accord distinct. Le runtime est en Rust, sans PyTorch à l’inférence, et des builds existent pour CPU, Core ML, NPU Snapdragon et WebAssembly.

Qwen Audio 3.0 TTS n’est pas un modèle téléchargeable. L’équipe Qwen d’Alibaba l’a annoncé le 20 juillet 2026 à WAIC en deux niveaux d’API : Flash, optimisé pour l’interaction en temps réel, et Plus, optimisé pour la qualité. Les deux sont accessibles via Alibaba Cloud Model Studio. La documentation du point de terminaison Flash indique une latence du premier paquet inférieure à 200 ms, une limite de débit de 180 requêtes par minute et un prix de 1 CNY pour 10 000 caractères à Pékin, ou 1,12413 CNY à Singapour. Il n’y a ni poids, ni environnement d’exécution local, ni mode hors ligne.

La différence de latence n’est pas de 193 millisecondes

Soustraire 7 de 200 donne un nombre qui sous-estime l’écart et surestime son importance, selon ce que vous construisez. Pour une interface vocale à tour de rôle, le budget de bout en bout est d’environ 800 ms avant que la conversation ne commence à sonner faux. Un appel TTS cloud consacre ses 200 ms après un aller-retour réseau qui peut être de 20 ms sur une bonne connexion filaire et de 150 ms sur mobile. Ajoutez à cela la configuration TLS sur une connexion froide, la mise en mémoire tampon audio et la latence de queue qu’implique une limite de débit de 180 RPM sous charge, et l’expérience p95 est nettement moins bonne que ne le laisse entendre le chiffre annoncé.

Le chemin local présente une autre configuration. Le README de Phonon indique lui-même 5 ms de temps jusqu'au premier octet sur un cœur de MacBook Air M5 et 9 ms sur le Neural Engine d'un iPhone 16 Pro. Il n'y a pas de traîne réseau, pas de limitation de débit, et aucun fournisseur en train de passer un mauvais moment. Ce à quoi vous renoncez, c'est l'élasticité : un téléphone en bridage thermique fait tourner Phonon plus lentement, et un onglet de navigateur en concurrence avec un appel vidéo obtient moins de CPU. Les chiffres du fournisseur pour le Raspberry Pi 5 — 68 ms et 2,3 fois le temps réel dans le README, 38 ms et 3,7 fois dans le blog de publication — montrent à quel point ce plancher peut baisser sur du matériel faible.

C’est aussi ici que les chiffres méritent une réserve. Le blog de lancement de Gradium et le README de son runtime ne sont pas d’accord sur le débit, avec un écart de plus d’un facteur deux pour le même appareil, et aucun des deux n’a été reproduit indépendamment. Considérez 7 ms comme un ordre de grandeur, pas comme une spécification.

Langues et voix : l’étendue face à une distribution fixe

Qwen Audio 3.0 TTS couvre 16 langues, dont le japonais, le coréen, l’arabe, le vietnamien, le malais et le filipino, ainsi que 20 dialectes chinois. Il prend en charge le clonage vocal à partir d’un audio de référence et peut produire une langue différente de celle du clip de référence, ce qui est la fonctionnalité qui rend les pipelines de localisation intéressants. La sortie est en 48 kHz, et la plateforme autorise jusqu’à trois minutes d’audio par synthèse.

Phonon 31M est uniquement en anglais, et la fiche modèle de Gradium ne mâche pas ses mots : les autres langues sont mal prononcées. Il propose 37 voix intégrées, avec davantage dans un catalogue de voix séparé et la prise en charge de voix personnalisées au format .safetensors. Le checkpoint multilingue Phonon 40M couvre cinq langues, mais sa licence non commerciale l’exclut de la plupart des décisions produit.

• Langues — anglais uniquement pour Phonon 31M ; 16 langues plus 20 dialectes chinois pour Qwen Audio 3.0 TTS.

Fréquence d'échantillonnage — 24 kHz mono pour Phonon 31M ; 48 kHz pour Qwen Audio 3.0 TTS.

• Sources vocales — 37 voix intégrées, plus un catalogue de voix personnalisées pour Phonon 31M ; clonage par audio de référence pour Qwen Audio 3.0 TTS.

• Longueur maximale de l’énoncé — non documentée pour Phonon 31M ; jusqu’à trois minutes par synthèse pour Qwen Audio 3.0 TTS.

• Où cela s’exécute — CPU, NPU, navigateur ou téléphone pour Phonon 31M ; Alibaba Cloud Model Studio uniquement pour Qwen Audio 3.0 TTS.

• Licence — Apache 2.0 pour Phonon 31M ; conditions de l’API commerciale pour Qwen Audio 3.0 TTS.

Contrôle : balises et clonage versus une distribution fixe

L’histoire d’expressivité de Qwen repose sur le contrôle intégré. Le modèle accepte des balises non verbales fines — respirations, rires, soupirs — et des instructions de style en langage naturel, de sorte qu’un script peut préciser non seulement ce qui est dit, mais comment. La couverture du lancement a souligné le passage de « savoir parler » à « savoir interpréter », et l’offre Plus a été classée première sur l’Artificial Analysis Speech Arena avec un Elo de 1 237, devant Gemini 3.1 Flash TTS et ElevenLabs v3. Il s’agit d’un classement indépendant plutôt que d’un tableau de fournisseur, bien que l’entrée ait été soumise par Alibaba et que l’Elo sur une arène curatorielle récompense autant le style que l’intelligibilité.

La surface de contrôle de Phonon est délibérément étroite. Vous choisissez une voix, vous envoyez du texte, vous obtenez de l’audio. Il n’y a ni balises d’émotion ni prompt de style. Pour une interface qui lit des énoncés courts et prévisibles — notifications, navigation, confirmation de formulaire — cela suffit, et l’absence de couche de style est l’une des raisons pour lesquelles le modèle compte 31 millions de paramètres plutôt que des milliards. Pour la narration, la publicité ou l’interprétation de personnages, c’est rédhibitoire.

Aucun des deux systèmes ne résout le problème du consentement. Le clonage de Qwen accepte un clip de référence ; Phonon accepte des fichiers vocaux personnalisés. Les deux laissent à l'intégrateur le soin d'établir que le locuteur a donné son accord.

Ce que cela coûte en volume

Phonon 31M n’a pas de prix par caractère. Vous payez pour du matériel que vous possédez déjà et pour l’électricité nécessaire pour faire tourner un modèle qui génère de 26 à 41 fois plus vite que le temps réel sur un cœur de PC portable. À petite échelle, c’est pratiquement gratuit ; à grande échelle, cela devient une contrainte de batterie et de dissipation thermique sur mobile, ce qui est un coût réel, mais d’une autre nature.

Qwen Audio 3.0 TTS Flash facture 1 CNY pour 10 000 caractères à Pékin. Dix millions de caractères par mois représentent 1 000 CNY, soit environ 140 US$ au taux arrondi de sept yuans pour un dollar — moins que ce que la plupart des équipes dépensent en journalisation. Le chiffre qui compte n’est pas la facture mensuelle, mais sa structure : le coût évolue avec l’usage, la latence se loue, et le modèle peut voir son tarif modifié ou être déprécié par quelqu’un d’autre. C’est le compromis pour 48 kHz et seize langues.

OrcaRouter n'héberge aucun de ces deux modèles, et rien ici ne doit laisser penser le contraire : Phonon s'exécute sur votre appareil, et Qwen Audio 3.0 TTS est accessible via l'API propre à Alibaba. Là où le routage trouve sa place, c'est une couche au-dessus. Le texte de réponse d'un assistant vocal provient généralement d'un modèle de langage, et ce modèle est une commodité que vous pouvez déplacer. Une seule clé donne accès à plus de 200 modèles au prix catalogue du fournisseur, avec 0 % de marge, de sorte qu'une baisse de prix ou un nouveau modèle bon marché est utilisable le jour même, et le basculement automatique maintient la partie textuelle de la boucle en vie lorsqu'un seul fournisseur se dégrade. La couche vocale peut rester exactement là où vous l'avez placée.

Là où chacun gagne

Choisissez Phonon 31M lorsque l'audio doit être généré sur l'appareil, lorsque la langue est l'anglais, lorsqu'un ensemble de voix fixe est acceptable et lorsqu'un téléchargement de 64 Mo et une licence Apache 2.0 valent mieux qu'une variété stylistique. Les assistants hors ligne, les outils d'accessibilité, les jeux, les bornes interactives et les fonctionnalités du navigateur constituent son habitat naturel.

Choisissez Qwen Audio 3.0 TTS lorsque vous avez besoin de langues autres que l'anglais, d'une sortie à 48 kHz, d'une performance émotionnelle, du clonage de voix ou d'énoncés plus longs qu'une phrase ou deux — et lorsqu'une dépendance au réseau est acceptable. Les agents vocaux destinés aux clients sur de multiples marchés, le doublage et les contenus narrés sont son habitat naturel.

L'hybride que la plupart des équipes finiront par construire

Les deux systèmes ne sont pas mutuellement exclusifs, et l’architecture intéressante utilise les deux. Exécutez Phonon 31M comme modèle local par défaut pour les réponses courtes, prévisibles et en anglais — celles où la latence se fait sentir. Basculez vers Qwen Audio 3.0 TTS lorsque la réponse est longue, lorsque l’utilisateur a changé de langue ou lorsque l’appareil ne peut pas faire tourner le modèle local. Le basculement relève d’une décision de politique, non d’une réécriture, car les deux prennent du texte en entrée et renvoient de l’audio.

Ce qui fait fonctionner cette architecture, c'est que la solution de repli n'est pas une expérience au rabais. La sortie 48 kHz et les balises de style de Qwen sont meilleures que celles de Phonon sur presque tous les axes, sauf la latence et la confidentialité. La raison de choisir le local par défaut n'est pas la qualité ; c'est que 7 millisecondes battent un aller-retour réseau lorsque l'utilisateur attend.

La sortie de Gradium date de trois jours et ses benchmarks sont encore réalisés par le fournisseur. Le modèle d’Alibaba a trois mois, bénéficie d’un classement indépendant dans une arène et est facturé au caractère. Le choix entre les deux ne se réglera pas sur un tableau de WER. Il se réglera sur la question de savoir si votre produit peut tolérer un centre de données dans la boucle.