Phonon לעומת Qwen Audio 3.0 TTS: 7 מ״ש על המחשב הנייד שלך או 200 מ״ש בענן

סוכן תמיכה מסיים משפט והעוזר הקולי צריך לענות. ב-Phonon 31M, המודל המקומי בנפח 64 MB של Gradium שיצא ב-20 באוקטובר 2026, דגימת האודיו הראשונה יכולה להגיע כ-7 מילישניות לאחר שהטקסט מוכן, מפני ששום דבר לא יוצא מהמכונה. ב-Qwen Audio 3.0 TTS, המערכת המתארחת של Alibaba מיולי 2026, החבילה הראשונה מתועדת בפחות מ-200 מילישניות — והנתון הזה מתחיל לאחר שהבקשה שלך חצתה את הרשת למרכז נתונים בבייג'ינג או בסינגפור.

הפער הזה הוא כל ההשוואה בזעיר אנפין, אבל הוא לא כל ההחלטה. Qwen Audio 3.0 TTS מדבר 16 שפות ו-20 ניבים סיניים ב-48 kHz, קולט תגיות רגש ותגיות לא-מילוליות בתוך הטקסט, ומשכפל קול מתוך קליפ ייחוס. Phonon 31M מדבר אנגלית ב-24 kHz ב-37 קולות קבועים ורץ על Raspberry Pi. הבחירה ביניהם היא בחירה באיזה סוג מערכת אתם בונים, ולא איזה מודל נשמע נעים יותר בהדגמה.

מה כל אחד הוא בפועל

Phonon 31M הוא צ'קפוינט אחד במשפחת המשקלים הפתוחים של Gradium. יש בו 31 מיליון פרמטרים, לא כולל טוקנייזר האודיו; הוא מופץ כ-q8 GGUF בגודל 64.5 MB, מפיק מונו ב-24 kHz, וברישיון Apache 2.0 — הצ'קפוינט היחיד במשפחה שחופשי לשימוש מסחרי. דגמי Phonon 40M הנלווים מכסים חמש שפות אך נמצאים תחת CC BY-NC 4.0, ולכן אינם אפשרות למוצר משולח ללא הסכם נפרד. סביבת הריצה היא Rust, ללא PyTorch בהסקה, וקיימים builds עבור CPU, Core ML,‏ Snapdragon NPUs ו-WebAssembly.

Qwen Audio 3.0 TTS אינו מודל להורדה. צוות Qwen של Alibaba הכריז עליו ב-20 ביולי 2026 ב-WAIC בשני מסלולי API: Flash, המותאם לאינטראקציה בזמן אמת, ו-Plus, המותאם לאיכות. שניהם נגישים דרך Alibaba Cloud Model Studio. התיעוד של נקודת הקצה Flash מפרט השהיית חבילה ראשונה של פחות מ-200 ms, מגבלת קצב של 180 בקשות בדקה, ומחיר של 1 CNY לכל 10,000 תווים בבייג'ינג, או 1.12413 CNY בסינגפור. אין משקלים, אין סביבת הרצה מקומית, ואין מצב לא מקוון.

הפרש ההשהיה אינו 193 מילישניות

החסרת 7 מ-200 נותנת מספר שממעיט בפער ומפריז בחשיבותו, בהתאם למה שאתה בונה. עבור ממשק קולי עם חילופי תורות, תקציב מקצה לקצה הוא בערך 800 מ״ש לפני שהשיחה מתחילה להרגיש לא נכונה. קריאת TTS בענן מוציאה את 200 המ״ש שלה לאחר סבב הלוך-חזור ברשת שיכול לארוך 20 מ״ש בחיבור קווי טוב ו-150 מ״ש בנייד. הוסף לכך הגדרת TLS בחיבור קר, חוצץ אודיו, והשהיית זנב שמגבלת קצב של 180 RPM מרמזת עליה בעומס — וקבלת חוויית p95 גרועה באופן מהותי מהנתון הכותרתי.

המסלול המקומי הוא בעל צורה אחרת. ה-README של Phonon עצמו מפרט 5 ms זמן עד בייט ראשון בליבת MacBook Air M5 אחת ו-9 ms במנוע הנוירלי של iPhone 16 Pro. אין זנב רשת, אין מגבלת קצב, ואין ספק שעובר אחר צהריים רע. מה שאתם מוותרים עליו הוא גמישות: טלפון שנמצא ב-throttling תרמי מריץ את Phonon לאט יותר, ולשונית דפדפן שמתחרה בשיחת וידאו מקבלת פחות CPU. הנתונים של הספק עבור Raspberry Pi 5 — 68 ms ו-2.3 פעמים זמן אמת ב-README, 38 ms ו-3.7 פעמים בבלוג ההשקה — מראים עד כמה רצפה זו יכולה לרדת בחומרה חלשה.

גם כאן המספרים מצדיקים הסתייגות. בלוג ההשחרור של Gradium וה-README של סביבת ההרצה שלו אינם מסכימים לגבי התפוקה בפער של יותר מפי שניים עבור אותו התקן, ואף אחד מהם לא שוחזר באופן עצמאי. יש להתייחס ל-7 ms כאל סדר גודל, לא כמפרט.

שפות וקולות: רוחב היצע לעומת צוות קבוע

Qwen Audio 3.0 TTS מכסה 16 שפות, כולל יפנית, קוריאנית, ערבית, וייטנאמית, מלאית ופיליפינית, בנוסף ל-20 ניבים סיניים. הוא תומך בשיבוט קול מאודיו ייחוס ויכול להפיק שפה שונה מזו שבקליפ הייחוס, וזו התכונה שהופכת תהליכי לוקליזציה למעניינים. הפלט הוא 48 kHz, והפלטפורמה מאפשרת עד שלוש דקות של אודיו לכל סינתזה.

Phonon 31M מיועד לאנגלית בלבד, וכרטיס המודל של Gradium אומר זאת בפשטות: שפות אחרות מבוטאות לא נכון. יש בו 37 קולות מובנים, ועוד בקטלוג קולות נפרד, ותמיכה בקולות מותאמים אישית בפורמט .safetensors. נקודת הבידוק הרב-לשונית Phonon 40M מגיעה לחמש שפות, אך הרישיון הלא-מסחרי שלה מוציא אותה מרוב החלטות המוצר.

• שפות — אנגלית בלבד עבור Phonon 31M; 16 שפות ועוד 20 ניבים סיניים עבור Qwen Audio 3.0 TTS.

• קצב דגימה — 24 קילו-הרץ מונו עבור Phonon 31M; 48 קילו-הרץ עבור Qwen Audio 3.0 TTS.

• מקורות קול — 37 מובנים בתוספת קטלוג קולות מותאמים אישית עבור Phonon 31M; שיבוט באמצעות אודיו ייחוס עבור Qwen Audio 3.0 TTS.

• משך אמירה מרבי — לא מתועד עבור Phonon 31M; עד שלוש דקות לכל סינתזה עבור Qwen Audio 3.0 TTS.

• היכן זה פועל — CPU, NPU, דפדפן או טלפון עבור Phonon 31M; Alibaba Cloud Model Studio רק עבור Qwen Audio 3.0 TTS.

• רישיון — Apache 2.0 עבור Phonon 31M; תנאי API מסחריים עבור Qwen Audio 3.0 TTS.

שליטה: תגים ושכפול לעומת קאסט קבוע

סיפור האקספרסיביות של Qwen בנוי על שליטה מוטמעת. המודל מקבל תגיות לא-מילוליות עדינות — נשימות, צחוקים, אנחות — והוראות סגנון בשפה טבעית, כך שתסריט יכול לקבוע לא רק מה נאמר אלא גם איך. סיקור ההשקה הדגיש את המעבר מ"יכול לדבר" ל"יכול לבצע", ושכבת Plus דורגה ראשונה ב-Artificial Analysis Speech Arena עם Elo של 1,237, לפני Gemini 3.1 Flash TTS ו-ElevenLabs v3. זהו לוח דירוגים עצמאי ולא טבלת ספקים, אם כי הרשומה הוגשה על ידי Alibaba, ו-Elo בזירה נבחרת מתגמל סגנון לא פחות מאשר מובנות.

משטח הבקרה של Phonon צר במכוון. בוחרים קול, שולחים טקסט, ומקבלים אודיו. אין תגיות רגש ואין הנחיית סגנון. עבור ממשק שמקריא מבעים קצרים וצפויים — התראות, ניווט, אישור טופס — זה מספיק, והיעדר שכבת סגנון הוא אחת הסיבות לכך שהמודל הוא בן 31 מיליון פרמטרים ולא מיליארדים. עבור קריינות, פרסום או עבודת דמויות, זה פוסל אותו.

אף אחת מהמערכות לא פותרת את בעיית ההסכמה. שיבוט הקול של Qwen מקבל קליפ ייחוס; Phonon מקבלת קבצי קול מותאמים אישית. שתיהן משאירות למטמיע את המשימה לקבוע שהדובר הסכים.

מה העלות בכמויות גדולות

ל-Phonon 31M אין מחיר לכל תו. אתם משלמים על חומרה שכבר בבעלותכם ועל החשמל להרצת מודל שמייצר פי 26 עד 41 מהר יותר מזמן אמת בליבת מחשב נייד. בקנה מידה קטן זה למעשה בחינם; בקנה מידה גדול זה הופך לתקציב סוללה ותקציב חום במכשיר נייד, שזו עלות אמיתית אבל מסוג אחר.

Qwen Audio 3.0 TTS Flash גובה 1 CNY לכל 10,000 תווים בבייג'ינג. עשרה מיליון תווים בחודש הם 1,000 CNY, בערך US$140 לפי שבעה יואן לדולר בערך — פחות ממה שרוב הצוותים מוציאים על לוגים. המספר שחשוב אינו החשבון החודשי אלא הצורה שלו: העלות גדלה עם השימוש, זמן האחזור נשכר, והמודל יכול לקבל תמחור מחדש או לצאת משימוש בידי מישהו אחר. זו הפשרה עבור 48 kHz ושש עשרה שפות.

OrcaRouter אינו מארח אף אחד מהמודלים האלה, ושום דבר כאן לא אמור לרמוז אחרת: Phonon פועל במכשיר שלך, ו-Qwen Audio 3.0 TTS נגיש דרך ה-API של Alibaba עצמה. המקום שבו לניתוב באמת יש מקום הוא שכבה אחת למעלה. טקסט התשובה של עוזר קולי מגיע בדרך כלל ממודל שפה, ומודל כזה הוא מצרך שאפשר להעביר. מפתח אחד מכסה יותר מ-200 מודלים במחיר המחירון של הספק עם 0% תוספת, כך שהורדת מחיר או מודל חדש וזול הופכים לשימושיים באותו יום, ומעבר אוטומטי לגיבוי שומר על החלק הטקסטואלי של הלולאה פעיל כשספק בודד נחלש. שכבת הדיבור יכולה להישאר בדיוק במקום שבו הצבת אותה.

איפה כל אחד מנצח

בחרו ב-Phonon 31M כאשר האודיו חייב להיווצר במכשיר, כאשר השפה היא אנגלית, כאשר סט קולות קבוע מקובל, וכאשר הורדה של 64 MB ורישיון Apache 2.0 שווים יותר ממגוון סגנוני. עוזרים לא מקוונים, כלי נגישות, משחקים, קיוסקים ותכונות דפדפן הם בית הגידול הטבעי שלו.

בחרו ב-Qwen Audio 3.0 TTS כאשר אתם זקוקים לשפות שאינן אנגלית, פלט ב-48 kHz, ביצועים רגשיים, שיבוט קול, או אמירות ארוכות ממשפט או שניים — וכאשר תלות ברשת מקובלת עליכם. סוכני קול הפונים ללקוחות בשווקים מרובים, דיבוב ותוכן עם קריינות הם סביבת המחיה הטבעית שלו.

ההיברידי שרוב הצוותים יבנו בסופו של דבר

שתי המערכות אינן סותרות זו את זו, והארכיטקטורה המעניינת משתמשת בשתיהן. הפעילו את Phonon 31M כברירת מחדל מקומית לתגובות קצרות, צפויות מראש ובאנגלית — אלה שבהן חשים בהשהיה. היעזרו ב-Qwen Audio 3.0 TTS כחלופה כאשר התגובה ארוכה, כאשר המשתמש החליף שפה, או כאשר המכשיר אינו מסוגל להחזיק את המודל המקומי. המעבר הוא החלטת מדיניות, לא שכתוב, מפני ששתיהן מקבלות טקסט ומחזירות אודיו.

מה שגורם לארכיטקטורה הזו לעבוד הוא שמנגנון הגיבוי אינו חוויה טובה פחות. הפלט של Qwen ב-48 kHz ותגי הסגנון שלו טובים יותר מאלה של Phonon כמעט בכל היבט מלבד השהיה ופרטיות. הסיבה לברירת מחדל מקומית אינה האיכות; היא ש-7 אלפיות השנייה מנצחות הלוך-ושוב ברשת כשהמשתמש ממתין.

הגרסה של Gradium יצאה לפני שלושה ימים, והבנצ'מרקים שלה עדיין מבוצעים על ידי הספק. המודל של Alibaba בן שלושה חודשים, יש לו מיקום עצמאי בזירה, והוא מתומחר לפי תו. ההחלטה בין השניים לא תוכרע על ידי טבלת WER. היא תוכרע לפי השאלה אם המוצר שלך יכול לסבול מרכז נתונים בתוך הלולאה.