Phonon vs VoxCPM2: Apa yang Sebenarnya Didapat dari 64× Parameter Lebih Banyak dalam TTS

VoxCPM2 adalah model ucapan 2 miliar parameter dari OpenBMB, dirilis pada April 2026, yang dapat berbicara dalam 30 bahasa pada 48 kHz dan dapat menciptakan suara dari deskripsi tertulis. Phonon 31M adalah model 31 juta parameter dari Gradium, dirilis pada 20 Oktober 2026, yang berbicara bahasa Inggris pada 24 kHz dalam 37 suara tetap dan muat dalam 64,5 MB. Rasio parameternya sekitar 64 banding 1, dan bagian yang mengejutkan bukanlah bahwa model yang lebih besar melakukan lebih banyak hal. Yang mengejutkan adalah bahwa pada satu angka yang dipublikasikan kedua vendor — tingkat kesalahan kata bahasa Inggris pada Seed-TTS — model yang lebih kecil mengklaim skor yang lebih baik.

Klaim itu hampir pasti bukan perbandingan yang adil, dan memahami alasannya memberi Anda lebih banyak gambaran tentang kondisi TTS terbuka daripada yang diberikan oleh posting peluncuran kedua model tersebut. VoxCPM2 dan Phonon 31M keduanya berlisensi Apache 2.0, keduanya dapat diunduh, dan keduanya ditujukan untuk tim yang menginginkan ucapan tanpa tagihan per karakter. Keduanya ditujukan untuk perangkat keras yang sama sekali berbeda.

Dua pekerjaan berbeda yang memakai label yang sama

VoxCPM2 adalah generator ucapan multibahasa serbaguna. Model ini tanpa tokenizer dan bersifat difusi-autoregresif, beroperasi dalam ruang laten AudioVAE V2 melalui empat tahap yang oleh penulis diberi label LocEnc, TSLM, RALM, dan LocDiT, di atas backbone MiniCPM-4. Model ini mendukung desain suara dari deskripsi bahasa alami, kloning terkendali dari referensi singkat, dan kloning bergaya kelanjutan yang menggunakan klip referensi sekaligus transkripnya. Model ini menghasilkan audio 48 kHz dan menerima audio referensi 16 kHz.

Phonon 31M adalah synthesizer satu bahasa dengan satu tujuan. Ini adalah transformer flow-matching atas latent Mimi, frame 80 milidetik sekaligus, yang didekode ke mono 24 kHz. Tidak ada desain suara, tidak ada kloning dari klip referensi dalam API terdokumentasi, dan tidak ada deteksi bahasa. Ini memiliki katalog suara, input teks, dan runtime yang mulai dalam hitungan milidetik satu digit.

Menyebut keduanya "open TTS" memang akurat, tetapi tidak membantu. Yang satu adalah platform penelitian ucapan; yang lainnya adalah komponen tertanam.

Di mana 64× diletakkan

Anggaran parameter menghasilkan empat hal, dan keempatnya terlihat pada lembar spesifikasi, bukan pada uji pendengaran.

• Bahasa — 30 ditambah sembilan dialek Tionghoa untuk VoxCPM2; hanya bahasa Inggris untuk Phonon 31M.

• Laju keluaran — 48 kHz native untuk VoxCPM2; 24 kHz mono untuk Phonon 31M.

• Pembuatan suara — desain suara berbasis deskripsi dan tiga mode kloning untuk VoxCPM2; 37 suara bawaan plus katalog suara khusus untuk Phonon 31M.

• Batas minimum perangkat keras — sekitar 8 GB VRAM pada RTX 4090 untuk VoxCPM2; 64,5 MB dan satu inti CPU untuk Phonon 31M.

• Kecepatan — kira-kira faktor waktu nyata 0,30 pada RTX 4090 untuk VoxCPM2, atau 0,13 dengan Nano-vLLM; 26 hingga 41 kali lebih cepat daripada waktu nyata pada inti laptop untuk Phonon 31M, menurut README Gradium.

• Lisensi — Apache 2.0 untuk keduanya.

Perbandingan WER bukanlah sebuah perbandingan

Laporan teknis VoxCPM2 mencantumkan WER bahasa Inggris sebesar 1,84 pada Seed-TTS-eval, dengan kemiripan speaker 75,3. Kartu model Phonon mencantumkan 0,51 pada Seed-TTS untuk Phonon 31M. Jika dibaca berdampingan, itu tampak seperti kemenangan telak: model 31M mengalahkan model 2B dalam hal kejelasan ucapan dengan faktor tiga.

Tidak demikian. Kedua angka tersebut berasal dari harness yang berbeda, kemungkinan besar dari set referensi yang berbeda, dan hampir pasti dari model transkripsi yang berbeda yang digunakan untuk menilai output. Metodologi yang diterbitkan Gradium untuk evaluasinya yang lebih awal menggunakan bagian bahasa Inggris dari Seed-TTS — 1.008 ujaran — yang ditranskripsikan dengan whisper-large-v3 dan dinilai dengan edit distance. Laporan teknis OpenBMB tidak menggunakan pipeline yang identik dalam angka-angka yang ditampilkan di halaman modelnya. Belum ada vendor yang menjalankan checkpoint milik vendor lain melalui harness-nya sendiri, dan tidak ada pihak ketiga yang menerbitkan perbandingan head-to-head.

Yang didukung oleh angka-angka tersebut adalah klaim yang lebih lemah namun tetap berguna: kedua model berada dalam rentang WER satu digit rendah pada set uji bahasa Inggris standar, yang berarti keduanya cukup dapat dipahami untuk pekerjaan membaca nyaring di produksi. Gagasan bahwa 31M parameter tidak dapat menghasilkan bahasa Inggris yang bersih sama sekali keliru pada 2026. Gagasan bahwa 31M parameter dapat menyamai model 2B di 30 bahasa juga keliru, dan tidak ada vendor yang mengklaimnya.

Ada alasan kedua untuk tidak mempercayai judul itu: dokumen Gradium sendiri saling bertentangan. Blog rilis memberikan Phonon 31M WER yang ditetapkan secara kaku sebesar 1,70%, kartu model memberikan 1,5%, dan README runtime tidak menerbitkan WER sama sekali. Ketika tiga dokumen vendor berbeda 13% pada metrik yang sama, respons yang tepat adalah memperlakukan angka itu sebagai rentang.

Batas minimum perangkat keras adalah keputusan yang sebenarnya

VoxCPM2 membutuhkan GPU. Konfigurasi referensinya sekitar 8 GB VRAM, dan model tersebut berjalan pada sekitar sepertiga waktu nyata di RTX 4090 tanpa stack penyajian yang dioptimalkan. Pada Apple M4 Pro dengan kuantisasi Q8_0, faktor waktu nyatanya sekitar 1,76, artinya diperlukan 1,76 detik komputasi untuk menghasilkan satu detik audio — lebih lambat daripada waktu nyata, dan tidak layak untuk percakapan langsung pada perangkat keras tersebut. Dengan Nano-VLLM, faktor tersebut turun menjadi sekitar 0,13, yang cepat, tetapi itu adalah stack penyajian dengan biaya operasionalnya sendiri.

Batas bawah Phonon 31M adalah satu inti CPU. README Gradium mencantumkan 26 kali lebih cepat daripada waktu nyata pada satu inti MacBook Air M5, 22 kali pada Neural Engine iPhone 16 Pro, dan 2,3 kali pada Raspberry Pi 5. Angka di blog rilis berbeda — 11,6 kali pada satu inti, 3,7 kali pada Pi — tetapi setiap versi angka tersebut menggambarkan perangkat yang muat di genggaman tangan.

Ini bukan argumen kualitas. Render VoxCPM2 48 kHz melalui GPU akan terdengar lebih baik daripada render Phonon 24 kHz, dan memang seharusnya begitu. Pertanyaannya adalah apakah produk Anda mampu menyediakan satu GPU per stream bersamaan. Untuk pipeline dubbing sisi server, ya. Untuk aplikasi ponsel yang harus berfungsi di pesawat, tidak.

Desain suara versus pemeran tetap

Fitur paling khas VoxCPM2 adalah desain suara: deskripsi dalam tanda kurung pada prompt teks menghasilkan suara tanpa audio referensi sama sekali. Tambahkan pengkloningan yang dapat dikendalikan, di mana klip pendek menentukan timbre dan instruksi gaya menentukan penyampaian, dan Anda memiliki sistem untuk menghasilkan sederet karakter alih-alih membacakan naskah.

Phonon tidak memiliki semua itu. Ke-37 suara bahasa Inggrisnya adalah kumpulan tetap, dan suara kustom memerlukan berkas .safetensors, bukan satu kalimat deskripsi. Itu adalah penyederhanaan yang disengaja: katalog suara lebih mudah diaudit, lebih mudah dilisensikan, dan tidak mungkin dipancing untuk mengucapkan sesuatu dengan suara selebriti. Untuk penerapan yang sensitif terhadap kepatuhan, batasan ini adalah fitur. Untuk pekerjaan kreatif, ini adalah dinding.

Keduanya Apache 2.0, yang mengubah perhitungannya

Inilah bagian yang membuat perbandingan ini lebih bersih daripada perbandingan Phonon lainnya. VoxCPM2 berlisensi Apache 2.0 untuk kode dan bobot. Phonon 31M berlisensi Apache 2.0 untuk bobot, dengan runtime di bawah MIT atau Apache-2.0. Berbeda dengan checkpoint Gradium 40M, yang berlisensi CC BY-NC 4.0 dan tidak dapat digunakan dalam produk komersial tanpa perjanjian, keduanya dapat dirilis.

Perbedaan lisensi di dalam keluarga Gradium sendiri layak diulang karena mudah terlewat: model yang paling bagus suaranya — {{1}}Phonon 40M{{/1}}, dengan Elo 2.117 versus 2.098 untuk 31M — adalah model yang tidak dapat Anda gunakan secara komersial. Model Apache 2.0 adalah yang lebih kecil dan hanya untuk bahasa Inggris.

Di mana masing-masing unggul

Pilih VoxCPM2 ketika Anda membutuhkan bahasa selain Inggris, keluaran 48 kHz, desain suara, kloning, atau narasi panjang, dan ketika GPU sudah menjadi bagian dari deployment. Ini juga merupakan pilihan yang lebih baik untuk penelitian TTS multibahasa, karena checkpoint, laporan teknis, dan set evaluasi semuanya bersifat publik.

Pilih Phonon 31M ketika audio harus dihasilkan di perangkat, ketika bahasa Inggris sudah cukup, ketika set suara dapat ditetapkan secara tetap, dan ketika unduhan 64 MB menjadi pembeda antara dirilis dan tidak dirilis. Game, alat aksesibilitas, kios, fitur browser, dan asisten offline adalah wilayahnya. Model 2B tidak dapat mengikutinya di sana, dan memang tidak berusaha untuk itu.

OrcaRouter tidak menghosting model mana pun — VoxCPM2 disajikan melalui vLLM-Omni atau runtime lokal, dan Phonon berjalan di perangkat keras Anda. Lapisan perutean relevan satu langkah lebih tinggi dalam tumpukan, tempat skrip untuk suara dihasilkan: lebih dari 200 model bahasa di balik satu kunci, harga daftar penyedia diteruskan dengan markup 0%, dan failover otomatis saat penyedia mengalami gangguan. TTS tetap di tempatnya; pembuatan teks dapat dipindahkan.

Apa yang harus ditentukan oleh benchmark berikutnya

Eksperimen yang hilang itu jelas dan belum ada yang menjalankannya: kedua checkpoint, satu set uji, satu model transkripsi, satu penilai, dipublikasikan bersama audionya. Sampai itu ada, posisi jujur adalah bahwa VoxCPM2 adalah sistem yang lebih kapabel dan Phonon 31M adalah yang lebih mudah diterapkan, dan perbandingan WER 0,51 versus 1,84 adalah kebetulan metodologi, bukan hasil.

Yang tidak diragukan adalah arah perkembangannya. Model bahasa Inggris berukuran 64 MB pada Oktober 2026 kredibel untuk pekerjaan baca nyaring produksi, sesuatu yang tidak mungkin terjadi pada model 64 MB di awal 2025. Pertanyaan menarik untuk siklus rilis berikutnya bukanlah apakah model kecil dapat menyamai model besar dalam bahasa Inggris. Pertanyaannya adalah apakah model kecil dapat menguasai bahasa kedua tanpa ukurannya menjadi dua kali lipat. Checkpoint multibahasa 40M milik Gradium adalah upaya pertama, dan lisensi non-komersialnya menunjukkan bahwa perusahaan tersebut belum memutuskan bagaimana menjualnya.