Phonon vs Whisper Large v3 Turbo : les deux moitiés d’une boucle vocale hors ligne

Comparer Phonon 31M à Whisper Large v3 Turbo est une erreur de catégorie, et c’est l’erreur de catégorie la plus utile en ingénierie vocale actuellement. Phonon 31M, publié par Gradium le 20 octobre 2026, transforme le texte en audio. Whisper Large v3 Turbo, publié par OpenAI le 1er octobre 2024, transforme l’audio en texte. Ils ne sont pas en concurrence. Ce sont les deux extrémités de la même boucle, et tous deux sont suffisamment petits et rapides pour fonctionner sur du matériel que vous possédez.

Il y a une deuxième raison pour laquelle cette association porte à confusion. Les deux publient un chiffre appelé WER, et ces deux chiffres signifient des choses opposées. Pour Whisper, le taux d’erreur de mot mesure la fréquence à laquelle la transcription est erronée. Pour Phonon, il mesure la fréquence à laquelle un transcripteur entend mal la parole générée par le modèle. Un chiffre plus bas est préférable dans les deux cas, mais ce ne sont pas les mêmes mesures, et les placer dans une seule colonne est le meilleur moyen de faire de mauvaises comparaisons.

L'un écoute, l'autre parle

Whisper Large v3 Turbo est un modèle de reconnaissance vocale. Il conserve l'encodeur complet de Whisper large-v3 et réduit le décodeur de 32 couches à quatre, produisant 809 millions de paramètres au lieu de 1,55 milliard. Il couvre 99 langues, détecte automatiquement la langue et n'est pas entraîné pour la traduction. La documentation d'OpenAI le décrit comme environ huit fois plus rapide que le grand modèle, avec une légère perte de précision ; l'entreprise n'a pas publié de multiplicateur précis sur la fiche du modèle, donc tout chiffre exact de vitesse provient de tests tiers.

Phonon 31M est un modèle de synthèse vocale. Il prend un texte et une voix et produit un audio mono à 24 kHz via un transformateur à flow matching sur les latents Mimi. Il compte 31 millions de paramètres hors tokenizer, est fourni sous forme de fichier GGUF q8 de 64,5 Mo et est sous licence Apache 2.0. Il n'a aucune capacité d'écoute — il ne peut ni transcrire, ni effectuer de diarisation, ni détecter la langue.

La seule chose qu’ils partagent est un objectif de conception : les deux sont conçus pour fonctionner sans centre de données. Whisper Turbo est le membre rapide et économique d’une famille devenue la référence ouverte par défaut pour l’ASR. Phonon est une tentative de rendre la partie synthèse tout aussi économique.

Les mêmes trois lettres, deux mesures différentes

Whisper Large v3 Turbo rapporte un WER moyen de 7,83 sur le classement anglais Open ASR Leaderboard, contre 7,44 pour le modèle large-v3 complet. Sur LibriSpeech test-clean, les chiffres sont d’environ 2,0 %. Ces chiffres décrivent la fréquence à laquelle le modèle écrit le mauvais mot lorsqu’il entend de la parole claire.

Phonon 31M rapporte 0,51 % sur Seed-TTS et 1,5 % sur un ensemble plus difficile dans sa fiche modèle, ou 1,70 % sur le même ensemble difficile dans le blog de publication. Ces chiffres décrivent la fréquence à laquelle whisper-large-v3 écrit le mauvais mot lorsqu’il entend la sortie de Phonon. Remarquez que le système de notation est Whisper lui-même. La méthodologie de Gradium est circulaire d’une manière inévitable : pour mesurer un modèle TTS, il faut un modèle ASR, et le taux d’erreur propre du modèle ASR fixe un plancher à la qualité apparente que le TTS peut atteindre.

C’est pourquoi un WER TTS de 0,5 % et un WER ASR de 7,8 % ne sont pas comparables, et pourquoi un WER TTS inférieur à environ 1 % doit être interprété comme « le transcripteur n’a eu aucun mal », et non comme « la parole est presque parfaite ». Les auditeurs humains et les évaluateurs automatiques ne sont pas d’accord, en particulier sur la prosodie, ce qu’aucun WER ne capture.

• Tâche — synthèse vocale pour Phonon 31M ; reconnaissance vocale pour Whisper Large v3 Turbo.

• Paramètres — 31 M hors tokeniseur pour Phonon 31M ; 809 M pour Whisper Large v3 Turbo.

• Langues — anglais uniquement pour Phonon 31M ; 99 pour Whisper Large v3 Turbo.

• Sortie — audio mono 24 kHz pour Phonon 31M ; texte avec horodatages pour Whisper Large v3 Turbo.

• Précision signalée — 0,51 % de WER Seed-TTS pour Phonon 31M, mesuré par Whisper ; 7,83 de WER moyen en anglais pour Whisper Large v3 Turbo sur l’Open ASR Leaderboard.

• Licence — Apache 2.0 pour Phonon 31M ; MIT pour Whisper Large v3 Turbo.

Dimensionner une boucle vocale hors ligne

Si l’objectif est un assistant vocal qui fonctionne sans réseau, la nomenclature comprend trois modèles, et non deux. Reconnaissance vocale, génération de langage et synthèse vocale.

Whisper Large v3 Turbo compte 809 millions de paramètres, soit environ 1,6 Go de poids en précision 16 bits. L’inférence sur GPU réserve généralement plusieurs gigaoctets de mémoire de travail pour les activations et le traitement par lots ; les versions GGUF quantifiées réduisent encore l’empreinte au prix d’une légère perte de précision. Ce n’est pas un modèle de classe téléphone dans sa version Turbo, même si des variantes Whisper plus petites et des versions distillées le sont.

Phonon 31M pèse 64,5 Mo. C'est environ un vingt-cinquième du fichier de poids de Whisper Turbo, et il tourne sur un cœur de CPU, un Neural Engine d'iPhone ou un Raspberry Pi.

Le modèle de langage au centre est la variable. Un modèle instruct de 1 à 4 milliards de paramètres quantifié sur quatre bits tient dans quelques gigaoctets et constitue le choix habituel pour un assistant hors ligne. La boucle complète — Whisper Turbo, un petit modèle instruct, Phonon — tient dans une enveloppe qu'un ordinateur portable ou un téléphone haut de gamme peut gérer, l'ASR étant le composant le plus lourd.

Cette asymétrie constitue l'enseignement pratique. La moitié de la boucle qui inquiète les gens — la synthèse, la partie qui doit sonner humaine — est désormais la moitié bon marché. La reconnaissance, elle, est la partie coûteuse.

Le budget de latence

Les chiffres du fournisseur Phonon situent le premier audio à 5 à 7 ms sur un cœur de MacBook Air M5 et à 9 ms sur un iPhone 16 Pro, avec un débit compris entre 11,6 et 41 fois le temps réel selon le document de Gradium que l’on consulte. La vitesse de Whisper Turbo dépend fortement du matériel et du backend : OpenAI le décrit comme environ huit fois plus rapide que large-v3, et des benchmarks communautaires avec des versions quantifiées rapportent des dizaines de fois le temps réel sur Apple silicon et des chiffres bien plus lents sur CPU.

Dans une boucle conversationnelle, l’étape de reconnaissance domine. Un énoncé de trois secondes prend quelques centaines de millisecondes à transcrire sur un GPU de portable et presque le temps réel sur un CPU faible. L’étape de synthèse est quant à elle quasiment instantanée en comparaison. Les équipes qui optimisent d’abord la TTS optimisent le mauvais bout de la chaîne.

La couverture linguistique est la contrainte incontournable.

Whisper gère 99 langues. Phonon 31M en gère une seule, et la fiche de Gradium avertit que les autres langues sont mal prononcées. Un assistant vocal multilingue ne peut donc pas être construit à partir de ce duo : la reconnaissance fonctionne en japonais, la synthèse non.

La réponse de Gradium est la famille Phonon 40M, qui couvre l'anglais, le français, l'allemand, l'espagnol et le portugais. Soit cinq langues, pas 99, et les checkpoints 40M sont sous CC BY-NC 4.0 — inutilisables dans un produit commercial sans accord distinct. L'écart multilingue entre l'ASR ouvert et le TTS ouvert est l'un des plus béants de la pile, et rien de ce qui est sorti ce mois-ci ne le comble.

Là où ils se rejoignent dans un produit réel

L’application naturelle est un outil de transcription et de lecture : enregistrez une réunion ou une note vocale, transcrivez-la avec Whisper, puis lisez un résumé à voix haute avec Phonon. Les deux fonctionnent localement, tous deux sont sous licence permissive et ni l’un ni l’autre n’envoie d’audio à un tiers. Un outil de dictée médicale, un enregistreur de terrain, une application d’accessibilité pour les personnes sourdes ou malentendantes, ou un jouet d’apprentissage des langues hors ligne correspondent tous au même modèle.

La deuxième application est un agent vocal avec une première passe locale et un repli vers le cloud. Whisper transcrit sur l’appareil ; si la confiance est faible, l’audio est envoyé à un ASR hébergé. Le modèle de langage rédige une réponse ; s’il a besoin d’un modèle plus grand, la requête est redirigée vers l’extérieur. Phonon prononce le résultat ; si l’appareil est bridé thermiquement, un TTS hébergé prend le relais. Chaque étape dispose d’une option locale et d’une option distante, et le produit décide laquelle utiliser pour chaque requête.

La couche de texte entre eux

Whisper produit une transcription, Phonon consomme un script, et quelque chose doit transformer l’un en l’autre. Ce quelque chose est un modèle de langage, et c’est la seule partie de la boucle qui ait intérêt à être de grande taille.

OrcaRouter n'héberge aucun de ces deux modèles — Whisper Large v3 Turbo s'exécute via votre propre pile d'inférence, et Phonon s'exécute sur l'appareil — donc ni l'un ni l'autre n'apparaît dans notre catalogue. Ce que la plateforme couvre, c'est le juste milieu : une API pour plus de 200 modèles de langage au prix catalogue du fournisseur, avec 0 % de marge, et un basculement automatique entre fournisseurs, ainsi qu'un DSL de routage capable de confier les requêtes de routine à un modèle économique et les plus difficiles à un modèle plus puissant. Dans une architecture pensée d'abord pour le hors-ligne, cette couche est celle qui reste en ligne.

Ce qu’il faut réellement comparer

Si vous choisissez un modèle de parole, comparez Phonon aux autres systèmes TTS et Whisper Turbo aux autres systèmes ASR. Si vous développez un produit, comparez les boucles : mémoire totale, latence totale, nombre total de licences, nombre total de langues. Selon ce critère, le duo est cohérent pour un travail monolingue anglais, hors ligne et sous licence permissive, et incohérent pour tout usage multilingue ou commercial dans le palier 40M.

L’erreur à éviter, c’est de lire le WER de 0,51 % de Phonon à côté de celui de 7,83 % de Whisper et d’en conclure que la synthèse a dépassé la reconnaissance. Ces chiffres sont produits par des processus différents qui mesurent des choses différentes, et l’un d’eux est mesuré par l’autre. La question utile n’est pas de savoir quel modèle est meilleur. C’est de savoir si la boucle que vous pouvez assembler à partir de composants ouverts ce mois-ci est suffisamment bonne pour le produit que vous avez en tête — et pour l’anglais, hors ligne, sur un ordinateur portable, la réponse vient de changer.