Phonon לעומת VoxCPM2: מה פי 64 יותר פרמטרים באמת נותנים ב-TTS

VoxCPM2 הוא מודל דיבור עם 2 מיליארד פרמטרים מבית OpenBMB, שיצא באפריל 2026, שמדבר 30 שפות ב-48 kHz ויכול להמציא קול מתוך תיאור כתוב. Phonon 31M הוא מודל עם 31 מיליון פרמטרים מבית Gradium, שיצא ב-20 באוקטובר 2026, שמדבר אנגלית ב-24 kHz ב-37 קולות קבועים ונכנס בנפח של 64.5 MB. יחס הפרמטרים הוא בערך 64 ל-1, והחלק המפתיע אינו שהמודל הגדול עושה יותר. אלא שבמדד היחיד ששני הספקים מפרסמים — שיעור שגיאות המילים באנגלית ב-Seed-TTS — המודל הקטן טוען לציון טוב יותר.

הטענה הזו כמעט בוודאות אינה השוואה הוגנת, והבנת הסיבה לכך מספרת לך יותר על מצב ה-TTS הפתוח מאשר פוסט ההשקה של כל אחד מהמודלים. VoxCPM2 ו-Phonon 31M הם שניהם ברישיון Apache 2.0, שניהם ניתנים להורדה, ושניהם מיועדים לצוותים שרוצים דיבור בלי חשבון לפי תו. הם מיועדים לחלוטין לחומרה שונה.

שני תפקידים שונים הנושאים את אותה תווית

VoxCPM2 הוא מחולל דיבור רב-לשוני לשימוש כללי. הוא נטול טוקנייזר והוא דיפוזיה-אוטורגרסיבי, ופועל במרחב הלטנטי של AudioVAE V2 דרך ארבעה שלבים שהמחברים מכנים LocEnc, TSLM, RALM ו-LocDiT, על גבי שלד MiniCPM-4. הוא תומך בעיצוב קול מתיאור בשפה טבעית, בשיבוט קול בשליטה מדגימת ייחוס קצרה, ובשיבוט בסגנון המשך שמשתמש גם בקטע ייחוס וגם בתמלול שלו. הוא מפיק אודיו ב-48 kHz ומקבל אודיו ייחוס ב-16 kHz.

Phonon 31M הוא סינתיסייזר חד־לשוני וחד־ייעודי. זהו טרנספורמר flow-matching מעל לטנטים של Mimi, פריימים של 80 מילי־שניות בכל פעם, שמפוענחים למונו ב־24 kHz. אין לו עיצוב קול, אין שיבוט מקליפ ייחוס ב-API המתועד, ואין זיהוי שפה. יש לו קטלוג קולות, קלט טקסט, ומנוע הרצה שעולה בפחות מ־10 מילי־שניות.

לקרוא לשניהם "open TTS" זה מדויק אך לא מועיל. האחד הוא פלטפורמת מחקר לדיבור; האחר הוא רכיב מוטמע.

לאן ה-64× הולך

תקציב הפרמטרים מאפשר ארבעה דברים, וכל ארבעתם גלויים בגיליון המפרט ולא במבחן ההאזנה.

• שפות — 30 ועוד תשעה ניבים סיניים עבור VoxCPM2; אנגלית בלבד עבור Phonon 31M.

קצב פלט — 48 kHz מקורי עבור VoxCPM2; 24 kHz מונו עבור Phonon 31M.

• יצירת קול — עיצוב קול מבוסס תיאור ושלושה מצבי שיבוט עבור VoxCPM2; 37 קולות מובנים וכן קטלוג קולות מותאמים אישית עבור Phonon 31M.

• דרישת חומרה מינימלית — כ-8 GB של VRAM בכרטיס RTX 4090 עבור VoxCPM2; 64.5 MB וליבת CPU עבור Phonon 31M.

• מהירות — {{1}}מקדם זמן אמת של כ-0.30 ב-RTX 4090 עבור VoxCPM2, או 0.13 עם Nano-vLLM; פי 26 עד 41 מהר יותר מזמן אמת על ליבת מחשב נייד עבור Phonon 31M{{/1}}, לפי קובץ ה-README של Gradium.

• רישיון — Apache 2.0 עבור שניהם.

השוואת ה-WER אינה השוואה

הדוח הטכני של VoxCPM2 מפרט WER באנגלית של 1.84 ב-Seed-TTS-eval, עם דמיון דובר של 75.3. כרטיס המודל של Phonon מפרט 0.51 ב-Seed-TTS עבור Phonon 31M. בקריאה זה לצד זה, זה נראה כמו תבוסה מוחצת: מודל 31M שמנצח מודל 2B באינטליגיביליות פי שלושה.

זה לא נכון. שני המספרים מגיעים ממערכות בדיקה שונות, ככל הנראה מקבוצות ייחוס שונות, וכמעט בוודאות ממודלי תמלול שונים ששימשו לניקוד הפלט. המתודולוגיה שפרסמה Gradium עבור ההערכה המוקדמת שלה השתמשה בחלק האנגלי של Seed-TTS — 1,008 הבעות — בתמלול עם whisper-large-v3 ובניקוד לפי מרחק עריכה. הדוח הטכני של OpenBMB אינו משתמש באותו צינור עיבוד בנתונים שמוצגים בעמוד המודל שלה. אף אחד מהספקים לא הריץ את הצ'קפוינט של האחר דרך מערכת הבדיקה שלו, ואף צד שלישי לא פרסם השוואה ראש בראש.

מה שהמספרים כן תומכים בו הוא טענה חלשה יותר, אך עדיין שימושית: שני המודלים נמצאים בטווח WER חד-ספרתי נמוך במערכי בדיקה סטנדרטיים באנגלית, כלומר שניהם מובנים מספיק לעבודת הקראה בסביבת ייצור. הרעיון ש-31M פרמטרים לא יכולים להפיק אנגלית נקייה הוא פשוט שגוי ב-2026. הרעיון ש-31M פרמטרים יכולים להשתוות למודל של 2B על פני 30 שפות הוא גם שגוי, ואף אחד מהספקים לא טוען זאת.

יש סיבה שנייה שלא לתת אמון בכותרת: המסמכים של Gradium עצמם סותרים זה את זה. בלוג ההשקה מייחס ל-Phonon 31M ערך WER קבוע מראש של 1.70%, כרטיס המודל נותן 1.5%, וה-README של ה-runtime אינו מפרסם WER כלל. כאשר שלושה מסמכים של ספק נבדלים ב-13% באותו מדד, התגובה הנכונה היא להתייחס לנתון כאל טווח.

רצפת החומרה היא ההחלטה האמיתית

VoxCPM2 דורש GPU. תצורת הייחוס היא כ-8 GB של VRAM, והמודל פועל בקצב של כשליש מזמן אמת בקירוב על RTX 4090 ללא מחסנית שירות מותאמת לאופטימיזציה. על Apple M4 Pro עם כימות Q8_0 מקדם זמן האמת הוא כ-1.76, כלומר נדרשות 1.76 שניות חישוב כדי להפיק שנייה אחת של אודיו — איטי יותר מזמן אמת, ולא ישים לשיחה חיה על החומרה הזו. עם Nano-VLLM המקדם יורד לכ-0.13, וזה מהיר, אך זו מחסנית שירות עם עלות תפעולית משלה.

רצפת הביצועים של Phonon 31M היא ליבת CPU. ה-README של Gradium מפרט פי 26 מזמן אמת על ליבת M5 אחת של MacBook Air, פי 22 על מנוע ה-Neural Engine של iPhone 16 Pro, ופי 2.3 על Raspberry Pi 5. הנתונים בבלוג ההשקה שונים — פי 11.6 על ליבה אחת, פי 3.7 על ה-Pi — אבל כל גרסה של המספר מתארת מכשיר שנכנס לכף יד.

זה לא טיעון איכות. רינדור VoxCPM2 ב-48 קילוהרץ דרך GPU יישמע טוב יותר מרינדור Phonon ב-24 קילוהרץ, וכך זה צריך להיות. השאלה היא אם המוצר שלך יכול להרשות לעצמו GPU לכל זרם מקבילי. עבור צינור דיבוב בצד השרת — כן. עבור אפליקציית טלפון שחייבת לעבוד במטוס — לא.

עיצוב קול לעומת קאסט קבוע

המאפיין הייחודי ביותר של VoxCPM2 הוא עיצוב קול: תיאור בסוגריים בפרומפט הטקסט יוצר קול ללא אודיו ייחוס כלל. הוסיפו לכך שיבוט נשלט, שבו קליפ קצר קובע את הגוון והוראת סגנון קובעת את אופן ההגשה, ותקבלו מערכת להפקת קאסט דמויות במקום קריאת תסריט.

אין ב-Phonon דבר מזה. 37 הקולות האנגליים שלו הם קבוצה קבועה, וקולות מותאמים אישית דורשים .safetensors קובץ ולא משפט תיאור. זהו פישוט מכוון: קטלוג קולות קל יותר לביקורת, קל יותר לרישוי ובלתי אפשרי לגרום לו באמצעות פרומפט לומר משהו בקולו של סלבריטי. בפריסות רגישות לציות, האילוץ הוא יתרון. בעבודה יצירתית, הוא חומה.

שניהם תחת Apache 2.0, מה שמשנה את החישוב

זה החלק שהופך את ההשוואה הזו לנקייה יותר מהתמודדויות האחרות של Phonon. ‏VoxCPM2 הוא Apache 2.0 עבור קוד ומשקלים. ‏Phonon 31M הוא Apache 2.0 עבור משקלים, כאשר ה-runtime נמצא תחת MIT או Apache-2.0. בניגוד לצ'קפוינטים של Gradium בגודל 40M, שהם CC BY-NC 4.0 ואינם שמישים במוצרים מסחריים ללא הסכם, שניהם ניתנים להפצה.

ההבדל ברישוי בתוך משפחת הדגמים של Gradium עצמה שווה לחזרה, כי קל לפספס אותו: הדגם שנשמע הטוב ביותר — Phonon 40M, עם Elo של 2,117 לעומת 2,098 עבור 31M — הוא זה שאי אפשר להשתמש בו מסחרית. דגם ה-Apache 2.0 הוא הקטן יותר,�ה שמיועד לאנגלית בלבד.

איפה כל אחד מנצח

בחר ב-VoxCPM2 כאשר יש צורך בשפות מעבר לאנגלית, בפלט 48 kHz, בעיצוב קול, בשיבוט קול או בקריינות ארוכה, וכאשר GPU כבר מהווה חלק מהפריסה. זהו גם הבחירה הטובה יותר למחקר על TTS רב-לשוני, מכיוון שה-checkpoint, הדוח הטכני וקבוצת ההערכה כולם פומביים.

בחרו ב-Phonon 31M כאשר האודיו חייב להיווצר במכשיר, כאשר אנגלית מספיקה, כאשר ניתן לקבע את מערך הקולות, וכאשר הורדה של 64 MB היא ההבדל בין לשחרר לבין לא לשחרר. משחקים, כלי נגישות, קיוסקים, תכונות דפדפן ועוזרים לא מקוונים הם התחום שלו. מודל 2B לא יכול לעקוב אחריו שם, והוא גם לא מנסה.

OrcaRouter אינו מארח אף אחד מהמודלים — VoxCPM2 מוגש דרך vLLM-Omni או סביבת הרצה מקומית, ו-Phonon פועל על החומרה שלך. שכבת הניתוב רלוונטית שלב אחד במעלה הסטאק, היכן שנוצר התסריט לקול: יותר מ-200 מודלי שפה תחת מפתח אחד, מחיר המחירון של הספק מועבר הלאה ללא תוספת (0% markup), ומעבר אוטומטי לגיבוי כאשר ספק מתקשה. ה-TTS נשאר במקום שבו הוא שייך; יצירת הטקסט יכולה לזוז.

מה שהבנצ'מרק הבא אמור להכריע

הניסוי החסר ברור ואף אחד לא הריץ אותו: שני צ'ק-פוינטים, ערכת בדיקה אחת, מודל תמלול אחד, מעריך אחד, שיפורסמו יחד עם השמע. עד שזה קיים, העמדה הכנה היא ש-VoxCPM2 היא המערכת היכולה יותר ו-Phonon 31M היא זו הניתנת לפריסה יותר, וההשוואה בין WER של 0.51 ל-1.84 היא צירוף מקרים של מתודולוגיה ולא תוצאה.

מה שאינו מוטל בספק הוא כיוון ההתקדמות. מודל אנגלי בגודל 64 MB באוקטובר 2026 הוא אמין לעבודת הקראה בייצור באופן שמודל בגודל 64 MB לא היה אמין בתחילת 2025. השאלה המעניינת עבור מחזור השחרור הבא אינה אם מודל קטן יכול להשתוות למודל גדול באנגלית. אלא אם המודל הקטן יכול לקלוט שפה שנייה בלי להכפיל את גודלו. הצ'קפוינט הרב-לשוני בגודל 40M של Gradium הוא ניסיון ראשון, והרישיון הלא-מסחרי שלו מרמז שהחברה טרם החליטה כיצד למכור אותו.