Phonon vs Qwen Audio 3.0 TTS: 7 ms di Laptop Anda atau 200 ms di Cloud

Agen dukungan menyelesaikan sebuah kalimat dan asisten suara harus menjawab. Pada Phonon 31M, model di perangkat berukuran 64 MB milik Gradium yang dirilis pada 20 Oktober 2026, sampel audio pertama dapat tiba sekitar 7 milidetik setelah teks siap, karena tidak ada yang keluar dari mesin. Pada Qwen Audio 3.0 TTS, sistem yang dihosting Alibaba dari Juli 2026, paket pertama terdokumentasi di bawah 200 milidetik — dan angka itu dimulai setelah permintaan Anda melintasi jaringan ke pusat data di Beijing atau Singapura.

Celah itu adalah keseluruhan perbandingan dalam bentuk mini, tetapi bukan keseluruhan keputusan. Qwen Audio 3.0 TTS berbicara dalam 16 bahasa dan 20 dialek Tionghoa pada 48 kHz, menerima tag emosi dan non-verbal secara inline, serta mengkloning suara dari klip referensi. Phonon 31M berbicara bahasa Inggris pada 24 kHz dengan 37 suara tetap dan berjalan di Raspberry Pi. Memilih di antara keduanya berarti memilih jenis sistem yang Anda bangun, bukan model mana yang terdengar lebih bagus dalam demo.

Apa sebenarnya masing-masing itu

Phonon 31M adalah salah satu checkpoint dalam keluarga open-weight Gradium. Model ini memiliki 31 juta parameter tidak termasuk tokenizer audio, dikirim sebagai GGUF q8 64,5 MB, menghasilkan mono 24 kHz, dan dilisensikan Apache 2.0 — satu-satunya checkpoint dalam keluarga ini yang gratis untuk penggunaan komersial. Model pendamping Phonon 40M mencakup lima bahasa tetapi berada di bawah CC BY-NC 4.0, sehingga bukan pilihan untuk produk yang dirilis tanpa perjanjian terpisah. Runtime-nya adalah Rust, tanpa PyTorch saat inferensi, dan tersedia build untuk CPU, Core ML, NPU Snapdragon, dan WebAssembly.

Qwen Audio 3.0 TTS bukan model yang dapat diunduh. Tim Qwen Alibaba mengumumkannya pada 20 Juli 2026 di WAIC dalam dua tingkat API: Flash, yang disetel untuk interaksi real-time, dan Plus, yang disetel untuk kualitas. Keduanya diakses melalui Alibaba Cloud Model Studio. Dokumentasi untuk endpoint Flash mencantumkan latensi paket pertama di bawah 200 ms, batas laju 180 permintaan per menit, dan harga 1 CNY per 10.000 karakter di Beijing, atau 1,12413 CNY di Singapura. Tidak ada bobot, tidak ada runtime lokal, dan tidak ada mode offline.

Perbedaan latensi bukan 193 milidetik

Mengurangi 7 dari 200 menghasilkan angka yang meremehkan selisihnya dan melebih-lebihkan kepentingannya, tergantung pada apa yang Anda bangun. Untuk antarmuka suara dengan giliran bicara, anggaran end-to-end kira-kira 800 ms sebelum percakapan mulai terasa salah. Panggilan TTS cloud menghabiskan 200 ms-nya setelah perjalanan pulang-pergi jaringan yang bisa 20 ms pada koneksi kabel yang baik dan 150 ms di seluler. Tambahkan penyiapan TLS pada koneksi dingin, buffering audio, dan latensi ekor yang tersirat oleh batas laju 180 RPM di bawah beban, dan pengalaman p95 secara material lebih buruk daripada angka utamanya.

Jalur lokal memiliki bentuk yang berbeda. README Phonon sendiri mencantumkan waktu-ke-byte-pertama 5 ms pada satu inti MacBook Air M5 dan 9 ms pada Neural Engine iPhone 16 Pro. Tidak ada ekor latensi jaringan, tidak ada batas laju, dan tidak ada penyedia yang sedang bermasalah. Yang Anda korbankan adalah elastisitas: ponsel yang mengalami thermal throttling menjalankan Phonon lebih lambat, dan tab browser yang bersaing dengan panggilan video mendapat CPU lebih sedikit. Angka Raspberry Pi 5 dari vendor — 68 ms dan 2,3 kali waktu nyata di README, 38 ms dan 3,7 kali di blog rilis — menunjukkan seberapa jauh batas bawah itu bisa turun pada perangkat keras lemah.

Di sinilah angka-angka itu juga perlu diberi catatan. Blog rilis Gradium dan README runtime-nya tidak sepakat soal throughput hingga lebih dari dua kali lipat untuk perangkat yang sama, dan keduanya belum direproduksi secara independen. Anggap 7 ms sebagai orde besaran, bukan spesifikasi.

Bahasa dan suara: cakupan luas versus kumpulan tetap

Qwen Audio 3.0 TTS mencakup 16 bahasa, termasuk Jepang, Korea, Arab, Vietnam, Melayu, dan Filipino, plus 20 dialek Tionghoa. Fitur ini mendukung kloning suara dari audio referensi dan dapat menghasilkan bahasa yang berbeda dari bahasa dalam klip referensi, yang merupakan fitur yang membuat pipeline lokalisasi menarik. Outputnya 48 kHz, dan platform memungkinkan hingga tiga menit audio per sintesis.

Phonon 31M hanya untuk bahasa Inggris, dan kartu model Gradium terang-terangan soal itu: bahasa lain dilafalkan dengan salah. Model ini membawa 37 suara bawaan, dengan lebih banyak lagi di katalog suara terpisah dan dukungan untuk suara kustom dalam format .safetensors. Checkpoint Phonon 40M multibahasa menjangkau lima bahasa, tetapi lisensi nonkomersialnya menyingkirkannya dari sebagian besar keputusan produk.

• Bahasa — Hanya bahasa Inggris untuk Phonon 31M; 16 bahasa plus 20 dialek Tiongkok untuk Qwen Audio 3.0 TTS.

• Tingkat sampel — 24 kHz mono untuk Phonon 31M; 48 kHz untuk Qwen Audio 3.0 TTS.

• Sumber suara — 37 bawaan plus katalog suara kustom untuk Phonon 31M; kloning audio referensi untuk Qwen Audio 3.0 TTS.

• Ujaran maksimum — tidak didokumentasikan untuk Phonon 31M; hingga tiga menit per sintesis untuk Qwen Audio 3.0 TTS.

• Tempat ia berjalan — CPU, NPU, peramban atau ponsel untuk Phonon 31M; Alibaba Cloud Model Studio hanya untuk Qwen Audio 3.0 TTS.

• Lisensi — Apache 2.0 untuk Phonon 31M; ketentuan API komersial untuk Qwen Audio 3.0 TTS.

Kontrol: tag dan kloning versus cast tetap

Narasi ekspresivitas Qwen dibangun di atas kontrol inline. Model ini menerima tag non-verbal yang sangat rinci — tarikan napas, tawa, desahan — serta instruksi gaya dalam bahasa alami, sehingga sebuah naskah dapat menentukan bukan hanya apa yang diucapkan, tetapi juga bagaimana. Liputan peluncuran menyoroti pergeseran dari "bisa berbicara" menjadi "bisa tampil", dan tier Plus menduduki peringkat pertama di Artificial Analysis Speech Arena dengan Elo 1.237, di depan Gemini 3.1 Flash TTS dan ElevenLabs v3. Itu adalah papan peringkat independen, bukan tabel vendor, meskipun entri tersebut diajukan oleh Alibaba dan Elo pada arena terkurasi memberi bobot pada gaya sama besarnya dengan keterpahaman.

Permukaan kontrol Phonon sengaja dibuat sempit. Anda memilih suara, Anda mengirim teks, Anda mendapatkan audio. Tidak ada tag emosi dan tidak ada prompt gaya. Untuk antarmuka yang menangani ujaran pendek yang dapat diprediksi — notifikasi, navigasi, konfirmasi formulir — itu sudah cukup, dan tidak adanya lapisan gaya adalah salah satu alasan model ini hanya memiliki 31 juta parameter, bukan miliaran. Untuk narasi, iklan, atau karya karakter, hal itu menggugurkan.

Tak satu pun sistem menyelesaikan masalah persetujuan. Fitur kloning Qwen menerima klip referensi; Phonon menerima berkas suara kustom. Keduanya menyerahkan kepada integrator untuk memastikan bahwa penutur telah menyetujuinya.

Berapa biayanya dalam volume besar

Phonon 31M tidak memiliki harga per karakter. Anda membayar untuk perangkat keras yang sudah Anda miliki dan untuk listrik guna menjalankan model yang menghasilkan 26 hingga 41 kali lebih cepat daripada waktu nyata pada satu inti laptop. Pada skala kecil, itu praktis gratis; pada skala besar, itu menjadi anggaran baterai dan termal perangkat seluler, yang merupakan biaya nyata tetapi berbeda.

Qwen Audio 3.0 TTS Flash menagih 1 CNY per 10.000 karakter di Beijing. Sepuluh juta karakter sebulan berarti 1.000 CNY, sekitar US$140 dengan kurs kira-kira tujuh yuan per dolar — lebih murah daripada yang biasanya dikeluarkan banyak tim untuk logging. Angka yang penting bukanlah tagihan bulanan, melainkan bentuknya: biaya berskala dengan penggunaan, latensi disewa, dan model dapat diubah harganya atau dihentikan dukungannya oleh pihak lain. Itulah kompromi untuk 48 kHz dan enam belas bahasa.

OrcaRouter tidak menghosting salah satu dari model ini, dan tidak ada apa pun di sini yang boleh menyiratkan sebaliknya: Phonon berjalan di perangkat Anda, dan Qwen Audio 3.0 TTS diakses melalui API Alibaba sendiri. Tempat perutean benar-benar berguna adalah satu lapisan di atasnya. Teks balasan asisten suara biasanya berasal dari model bahasa, dan model itu adalah komoditas yang dapat Anda pindahkan. Satu kunci mencakup lebih dari 200 model pada harga daftar penyedia dengan markup 0%, sehingga pemotongan harga atau model murah baru dapat digunakan pada hari yang sama, dan failover otomatis menjaga separuh teks dari loop tetap hidup saat satu penyedia mengalami penurunan kinerja. Lapisan suara dapat tetap persis di tempat Anda menaruhnya.

Di mana masing-masing unggul

Pilih Phonon 31M ketika audio harus dihasilkan di perangkat, ketika bahasanya Inggris, ketika kumpulan suara tetap dapat diterima, dan ketika unduhan 64 MB serta lisensi Apache 2.0 lebih bernilai daripada rentang gaya. Asisten offline, alat aksesibilitas, game, kios, dan fitur browser adalah habitat alaminya.

Pilih Qwen Audio 3.0 TTS ketika Anda membutuhkan bahasa selain Inggris, keluaran 48 kHz, performa emosional, kloning suara, atau ujaran yang lebih panjang dari satu atau dua kalimat — dan ketika ketergantungan pada jaringan dapat diterima. Agen suara yang berhadapan langsung dengan pelanggan di berbagai pasar, dubbing, dan konten bernarasi adalah habitat alaminya.

Hibrida yang pada akhirnya akan dibangun oleh sebagian besar tim

Kedua sistem tersebut tidak saling eksklusif, dan arsitektur yang menarik menggunakan keduanya. Jalankan Phonon 31M sebagai default lokal untuk respons bahasa Inggris yang singkat dan dapat diprediksi — respons yang latensinya terasa. Beralihlah ke Qwen Audio 3.0 TTS saat responsnya panjang, saat pengguna telah berganti bahasa, atau saat perangkat tidak dapat mempertahankan model lokal. Pergantian itu adalah keputusan kebijakan, bukan penulisan ulang, karena keduanya menerima teks dan mengembalikan audio.

Yang membuat arsitektur itu berhasil adalah bahwa fallback bukanlah pengalaman kelas dua. Keluaran 48 kHz dan tag gaya Qwen lebih baik daripada Phonon di hampir semua aspek kecuali latensi dan privasi. Alasan menjadikan lokal sebagai default bukanlah kualitas; melainkan karena 7 milidetik lebih cepat daripada perjalanan pulang-pergi jaringan saat pengguna menunggu.

Rilis Gradium baru berumur tiga hari dan tolok ukurnya masih dijalankan oleh vendor. Model Alibaba berumur tiga bulan, memiliki penempatan arena independen, dan diberi harga per karakter. Keputusan di antara keduanya tidak akan ditentukan oleh tabel WER. Keputusan itu akan ditentukan oleh apakah produk Anda dapat menoleransi pusat data dalam alurnya.