Phonon vs VoxCPM2 : ce qu'apportent réellement 64× plus de paramètres en TTS

VoxCPM2 est un modèle vocal de 2 milliards de paramètres d’OpenBMB, publié en avril 2026, qui parle 30 langues à 48 kHz et peut inventer une voix à partir d’une description écrite. Phonon 31M est un modèle de 31 millions de paramètres de Gradium, publié le 20 octobre 2026, qui parle anglais à 24 kHz avec 37 voix fixes et tient dans 64,5 Mo. Le ratio de paramètres est d’environ 64 pour 1, et le surprenant n’est pas que le plus grand modèle fasse plus. C’est que, sur le seul chiffre que les deux fournisseurs publient — le taux d’erreur sur les mots en anglais sur Seed-TTS —, le plus petit modèle revendique le meilleur score.

Cette affirmation n’est presque certainement pas une comparaison équitable, et comprendre pourquoi en dit plus sur l’état du TTS open source que ne le fait l’article de lancement de l’un ou l’autre modèle. VoxCPM2 et Phonon 31M sont tous deux sous Apache 2.0, tous deux téléchargeables, et tous deux destinés à des équipes qui veulent de la parole sans facturation au caractère. Ils ciblent des matériels complètement différents.

Deux emplois différents sous la même étiquette

VoxCPM2 est un générateur vocal multilingue polyvalent. Il est sans tokenizer et autorégressif par diffusion, et opère dans l’espace latent d’AudioVAE V2 à travers quatre étapes que les auteurs nomment LocEnc, TSLM, RALM et LocDiT, sur une base MiniCPM-4. Il prend en charge la conception de voix à partir d’une description en langage naturel, le clonage contrôlable à partir d’un court échantillon de référence, ainsi que le clonage par continuation qui utilise à la fois un extrait de référence et sa transcription. Il génère de l’audio à 48 kHz et accepte de l’audio de référence à 16 kHz.

Phonon 31M est un synthétiseur monolingue et mono-fonction. C’est un transformateur à appariement de flux (flow matching) sur des latents Mimi, par trames de 80 millisecondes, décodé en mono à 24 kHz. Il n’offre ni conception de voix, ni clonage à partir d’un extrait de référence dans l’API documentée, ni détection de langue. Il dispose d’un catalogue de voix, d’une entrée texte et d’un moteur d’exécution qui démarre en moins de 10 millisecondes.

Qualifier les deux de « TTS ouvert » est exact et peu utile. L’un est une plateforme de recherche vocale ; l’autre, un composant embarqué.

Où va le 64×

Le budget de paramètres permet d’obtenir quatre choses, et toutes les quatre sont visibles sur la fiche technique plutôt que dans le test d’écoute.

• Langues — 30, plus neuf dialectes chinois pour VoxCPM2 ; anglais uniquement pour Phonon 31M.

• Fréquence de sortie — 48 kHz natif pour VoxCPM2 ; 24 kHz mono pour Phonon 31M.

• Création de voix — conception de voix basée sur une description et trois modes de clonage pour VoxCPM2 ; 37 voix intégrées ainsi qu’un catalogue de voix personnalisées pour Phonon 31M.

• Configuration matérielle minimale — environ 8 Go de VRAM sur une RTX 4090 pour VoxCPM2 ; 64,5 Mo et un cœur CPU pour Phonon 31M.

• Vitesse — environ un facteur temps réel de 0,30 sur une RTX 4090 pour VoxCPM2, ou de 0,13 avec Nano-vLLM ; de 26 à 41 fois plus rapide que le temps réel sur un cœur de portable pour Phonon 31M, selon le README de Gradium.

• Licence — Apache 2.0 pour les deux.

La comparaison WER n'est pas une comparaison

Le rapport technique de VoxCPM2 indique un WER anglais de 1,84 sur Seed-TTS-eval, avec une similarité de locuteur de 75,3. La fiche de modèle de Phonon indique 0,51 sur Seed-TTS pour Phonon 31M. Lus côte à côte, ces résultats ressemblent à une déroute : un modèle de 31M qui bat un modèle de 2B en intelligibilité par un facteur de trois.

Ce n’est pas le cas. Les deux chiffres proviennent de dispositifs d’évaluation différents, probablement de jeux de référence différents, et presque certainement de modèles de transcription différents utilisés pour noter la sortie. La méthodologie publiée par Gradium pour son évaluation antérieure utilisait la partie anglaise de Seed-TTS — 1 008 énoncés — transcrite avec whisper-large-v3 et évaluée par distance d’édition. Le rapport technique d’OpenBMB n’utilise pas exactement le même pipeline dans les chiffres présentés sur la page de son modèle. Aucun des deux fournisseurs n’a fait passer le checkpoint de l’autre dans son propre dispositif d’évaluation, et aucun tiers n’a publié de comparaison directe.

Ce que les chiffres confirment, en revanche, c’est une affirmation plus faible, mais toujours utile : les deux modèles se situent dans la plage de WER à un chiffre faible sur les jeux de test standard en anglais, autrement dit, les deux sont suffisamment intelligibles pour un usage de lecture à voix haute en production. L’idée selon laquelle 31M de paramètres ne peuvent pas produire un anglais propre est tout simplement fausse en 2026. L’idée selon laquelle 31M de paramètres peuvent égaler un modèle de 2B sur 30 langues est également fausse, et aucun des deux fournisseurs ne le prétend.

Il existe une seconde raison de se méfier du titre : les propres documents de Gradium se contredisent. Le blog de lancement attribue au Phonon 31M un WER fixé à 1,70 %, la fiche du modèle indique 1,5 %, et le README du runtime ne publie aucun WER. Lorsque les trois documents d’un fournisseur diffèrent de 13 % sur la même métrique, la bonne réponse est de considérer ce chiffre comme une fourchette.

Le plancher matériel est la véritable décision

VoxCPM2 nécessite un GPU. La configuration de référence demande environ 8 Go de VRAM, et le modèle fonctionne à environ un tiers du temps réel sur une RTX 4090 sans pile de service optimisée. Sur un Apple M4 Pro avec quantification Q8_0, le facteur temps réel est d'environ 1,76, ce qui signifie qu'il faut 1,76 seconde de calcul pour produire une seconde d'audio — plus lent que le temps réel, et donc non viable pour une conversation en direct sur ce matériel. Avec Nano-VLLM, le facteur tombe à environ 0,13, ce qui est rapide, mais il s'agit d'une pile de service ayant son propre coût opérationnel.

Le plancher de Phonon 31M est un cœur de CPU. Le README de Gradium indique 26 fois le temps réel sur un seul cœur de MacBook Air M5, 22 fois sur le Neural Engine d’un iPhone 16 Pro et 2,3 fois sur un Raspberry Pi 5. Les chiffres du billet de blog de lancement sont différents — 11,6 fois sur un cœur, 3,7 fois sur le Pi — mais chaque version du chiffre décrit un appareil qui tient dans la main.

Ce n’est pas un argument de qualité. Un rendu VoxCPM2 en 48 kHz via un GPU sonnera mieux qu’un rendu Phonon en 24 kHz, et c’est normal. La question est de savoir si votre produit peut se permettre un GPU par flux simultané. Pour un pipeline de doublage côté serveur, oui. Pour une application mobile qui doit fonctionner en avion, non.

Conception vocale ou distribution fixe

La caractéristique la plus distinctive de VoxCPM2 est la conception de voix : une description entre parenthèses dans l’invite textuelle produit une voix sans aucun audio de référence. Ajoutez-y le clonage contrôlable, où un court extrait définit le timbre et une instruction de style définit l’interprétation, et vous disposez d’un système pour produire une distribution de personnages plutôt que de lire un script.

Phonon n’a rien de tout cela. Ses 37 voix anglaises constituent un ensemble fixe, et les voix personnalisées nécessitent un .safetensors fichier plutôt qu’une phrase de description. Il s’agit d’une simplification délibérée : un catalogue de voix est plus facile à auditer, plus facile à concéder sous licence et impossible à amener, par une instruction, à dire quelque chose avec la voix d’une célébrité. Pour les déploiements sensibles à la conformité, cette contrainte est un atout. Pour le travail créatif, c’est un mur.

Les deux sont sous Apache 2.0, ce qui change la donne

C’est ce qui rend la comparaison plus claire que les autres confrontations de Phonon. VoxCPM2 est sous Apache 2.0 pour le code et les poids. Phonon 31M est sous Apache 2.0 pour les poids, avec le runtime sous MIT ou Apache-2.0. Contrairement aux checkpoints 40M de Gradium, qui sont sous CC BY-NC 4.0 et inutilisables dans des produits commerciaux sans accord, ces deux-là peuvent être livrés.

La différence de licence au sein même de la famille Gradium mérite d'être répétée, car elle est facile à manquer : le modèle qui sonne le mieux — Phonon 40M, avec un Elo de 2 117 contre 2 098 pour le 31M — est celui que vous ne pouvez pas utiliser à des fins commerciales. Le modèle sous Apache 2.0 est le plus petit, et il est uniquement en anglais.

Là où chacun gagne

Choisissez VoxCPM2 lorsque vous avez besoin de langues autres que l'anglais, d'une sortie à 48 kHz, de conception de voix, de clonage ou de narration longue, et lorsqu'un GPU fait déjà partie du déploiement. C'est également le meilleur choix pour la recherche sur la synthèse vocale multilingue, car le checkpoint, le rapport technique et le jeu d'évaluation sont tous publics.

Choisissez Phonon 31M lorsque l’audio doit être généré sur l’appareil, lorsque l’anglais suffit, lorsque le jeu de voix peut être fixé et lorsqu’un téléchargement de 64 Mo fait la différence entre livrer et ne pas livrer. Les jeux, les outils d’accessibilité, les bornes interactives, les fonctionnalités de navigateur et les assistants hors ligne sont son territoire. Un modèle 2B ne peut pas le suivre là, et il n’essaie pas.

OrcaRouter n’héberge aucun des deux modèles — VoxCPM2 est servi via vLLM-Omni ou un runtime local, et Phonon s’exécute sur votre matériel. La couche de routage intervient un cran plus haut dans la pile, là où le script de la voix est généré : plus de 200 modèles de langage derrière une seule clé, le prix catalogue du fournisseur répercuté à 0 % de marge, et un basculement automatique lorsqu’un fournisseur défaille. La synthèse vocale reste là où elle doit être ; la génération de texte peut se déplacer.

Ce que le prochain benchmark devrait trancher

L'expérience manquante est évidente et personne ne l'a menée : les deux checkpoints, un seul jeu de test, un seul modèle de transcription, un seul évaluateur, le tout publié avec l'audio. Tant qu'elle n'existe pas, la position honnête est que VoxCPM2 est le système le plus capable et Phonon 31M le plus déployable, et que la comparaison des WER de 0,51 contre 1,84 relève d'une coïncidence méthodologique plutôt que d'un résultat.

Ce qui ne fait aucun doute, c’est la direction de l’évolution. Un modèle anglais de 64 Mo en octobre 2026 est crédible pour des usages de lecture à voix haute en production, d’une manière qu’un modèle de 64 Mo ne l’aurait pas été au début de 2025. La question intéressante pour le prochain cycle de publication n’est pas de savoir si un petit modèle peut rivaliser avec un grand modèle en anglais. C’est de savoir si le petit modèle peut apprendre une deuxième langue sans doubler de taille. Le checkpoint multilingue de 40 M de Gradium est une première tentative, et sa licence non commerciale suggère que l’entreprise n’a pas encore décidé comment le vendre.