Phonon vs Whisper Large v3 Turbo: Dua Bagian dari Loop Suara Offline

Membandingkan Phonon 31M dengan Whisper Large v3 Turbo adalah kesalahan kategori, dan itu adalah kesalahan kategori paling berguna dalam rekayasa wicara saat ini. Phonon 31M, yang dirilis oleh Gradium pada 20 Oktober 2026, mengubah teks menjadi audio. Whisper Large v3 Turbo, yang dirilis oleh OpenAI pada 1 Oktober 2024, mengubah audio menjadi teks. Keduanya tidak bersaing. Keduanya adalah dua ujung dari loop yang sama, dan keduanya cukup kecil dan cukup cepat untuk dijalankan pada perangkat keras yang Anda miliki.

Ada alasan kedua mengapa penyandingan ini membingungkan orang. Keduanya menerbitkan angka yang disebut WER, dan kedua angka itu berarti hal yang berlawanan. Bagi Whisper, word error rate mengukur seberapa sering transkripsi itu salah. Bagi Phonon, angka itu mengukur seberapa sering transkriber salah mendengar ucapan yang dihasilkan model. Angka yang lebih rendah lebih baik dalam kedua kasus, tetapi keduanya bukan pengukuran yang sama, dan menaruhnya dalam satu kolom itulah cara perbandingan yang buruk terjadi.

Yang satu mendengarkan, yang satu berbicara

Whisper Large v3 Turbo adalah model pengenalan ucapan. Model ini mempertahankan encoder penuh Whisper large-v3 dan mengecilkan decoder dari 32 lapisan menjadi empat, menghasilkan 809 juta parameter alih-alih 1,55 miliar. Model ini mencakup 99 bahasa, mendeteksi bahasa secara otomatis, dan tidak dilatih untuk penerjemahan. Dokumentasi OpenAI menggambarkannya sebagai sekitar delapan kali lebih cepat daripada model large dengan sedikit penurunan akurasi; perusahaan tidak menerbitkan pengali yang tepat pada kartu model, sehingga angka kecepatan yang pasti merupakan hasil pengujian pihak ketiga.

Phonon 31M adalah model sintesis ucapan. Model ini menerima teks dan suara lalu menghasilkan audio mono 24 kHz melalui transformer flow-matching atas latent Mimi. Model ini memiliki 31 juta parameter di luar tokenizer, dikirim sebagai GGUF q8 berukuran 64,5 MB, dan berlisensi Apache 2.0. Model ini sama sekali tidak memiliki kemampuan mendengarkan — tidak dapat mentranskripsikan, melakukan diarisasi, atau mendeteksi bahasa.

Satu-satunya kesamaan keduanya adalah tujuan desain: keduanya dibangun untuk berjalan tanpa pusat data. Whisper Turbo adalah anggota yang cepat dan murah dari sebuah keluarga yang telah menjadi baseline ASR terbuka bawaan. Phonon adalah upaya untuk membuat bagian sintesisnya sama murahnya.

Tiga huruf yang sama, dua pengukuran yang berbeda.

Whisper Large v3 Turbo melaporkan WER rata-rata 7,83 pada English Open ASR Leaderboard, dibandingkan 7,44 untuk large-v3 penuh. Pada LibriSpeech test-clean, angkanya sekitar 2,0%. Angka-angka itu menggambarkan seberapa sering model menulis kata yang salah saat mendengar ucapan yang bersih.

Phonon 31M melaporkan 0,51% pada Seed-TTS dan 1,5% pada set yang lebih sulit di kartu modelnya, atau 1,70% pada set sulit yang sama di blog rilis. Angka-angka itu menggambarkan seberapa sering whisper-large-v3 menulis kata yang salah ketika mendengar keluaran Phonon. Perhatikan bahwa penilainya adalah Whisper itu sendiri. Metodologi Gradium bersifat sirkular secara tak terhindarkan: untuk mengukur model TTS, Anda memerlukan model ASR, dan tingkat kesalahan model ASR itu sendiri menetapkan batas bawah seberapa baik TTS dapat terlihat.

Itulah sebabnya TTS WER sebesar 0,5% dan ASR WER sebesar 7,8% tidak dapat dibandingkan, dan mengapa TTS WER di bawah sekitar 1% harus dibaca sebagai "pentranskripsi tidak mengalami kesulitan," bukan "ucapannya hampir sempurna." Pendengar manusia dan penilai otomatis tidak sepakat, terutama soal prosodi, yang tidak ditangkap oleh WER mana pun.

• Tugas — teks ke ucapan untuk Phonon 31M; ucapan ke teks untuk Whisper Large v3 Turbo.

• Parameter — 31M tidak termasuk tokenizer untuk Phonon 31M; 809M untuk Whisper Large v3 Turbo.

• Bahasa — Hanya bahasa Inggris untuk Phonon 31M; 99 untuk Whisper Large v3 Turbo.

• Keluaran — audio mono 24 kHz untuk Phonon 31M; teks dengan stempel waktu untuk Whisper Large v3 Turbo.

• Akurasi yang dilaporkan — WER Seed-TTS 0.51% untuk Phonon 31M, diukur oleh Whisper; WER bahasa Inggris rata-rata 7.83 untuk Whisper Large v3 Turbo pada Open ASR Leaderboard.

• Lisensi — Apache 2.0 untuk Phonon 31M; MIT untuk Whisper Large v3 Turbo.

Menentukan Ukuran Loop Suara Offline

Jika tujuannya adalah asisten suara yang berfungsi saat jaringan mati, daftar materialnya adalah tiga model, bukan dua. Pengenalan ucapan, pembangkitan bahasa, dan sintesis ucapan.

Whisper Large v3 Turbo memiliki 809 juta parameter, sekitar 1,6 GB bobot pada presisi 16-bit. Inferensi GPU biasanya menyediakan beberapa gigabyte memori kerja untuk aktivasi dan batching; build GGUF terkuantisasi memperkecil jejak memori lebih jauh dengan sedikit penurunan akurasi. Dalam bentuk Turbo-nya, model ini bukan model kelas ponsel, meskipun varian Whisper yang lebih kecil dan versi terdistilasinya termasuk demikian.

Phonon 31M berukuran 64,5 MB. Itu kira-kira seperdua puluh lima dari file bobot Whisper Turbo, dan berjalan pada satu inti CPU, Neural Engine iPhone, atau Raspberry Pi.

Model bahasa di tengah adalah variabelnya. Model instruct 1B hingga 4B yang dikuantisasi ke empat bit muat dalam beberapa gigabita dan merupakan pilihan umum untuk asisten offline. Siklus penuh — Whisper Turbo, model instruct kecil, Phonon — berada dalam rentang yang dapat ditampung laptop atau ponsel kelas atas, dengan ASR sebagai komponen terberat.

Asimetri itulah wawasan praktisnya. Separuh siklus yang dikhawatirkan orang — sintesis, bagian yang harus terdengar seperti manusia — kini menjadi separuh yang murah. Pengenalan adalah bagian yang mahal.

Anggaran latensi

Angka vendor Phonon menetapkan audio pertama pada 5 hingga 7 ms di core MacBook Air M5 dan 9 ms di iPhone 16 Pro, dengan throughput antara 11,6 dan 41 kali waktu nyata tergantung dokumen Gradium mana yang Anda baca. Kecepatan Whisper Turbo sangat bergantung pada perangkat keras dan backend: OpenAI menggambarkannya sekitar delapan kali lebih cepat daripada large-v3, dan tolok ukur komunitas dengan build terkuantisasi melaporkan puluhan kali waktu nyata pada Apple silicon dan angka yang jauh lebih lambat pada CPU.

Untuk loop percakapan, langkah pengenalan mendominasi. Ujaran berdurasi tiga detik membutuhkan beberapa ratus milidetik untuk ditranskripsikan pada GPU laptop dan hampir real-time pada CPU lemah. Langkah sintesis praktis seketika dibandingkan dengan itu. Tim yang mengoptimalkan TTS terlebih dahulu mengoptimalkan bagian yang salah.

Cakupan bahasa adalah batasan mutlak.

Whisper menangani 99 bahasa. Phonon 31M menangani satu, dan kartu Gradium memperingatkan bahwa bahasa lain salah dilafalkan. Karena itu, asisten suara multibahasa tidak dapat dibangun dari pasangan ini: pengenalan berfungsi dalam bahasa Jepang, sintesis tidak.

Jawaban Gradium adalah keluarga Phonon 40M, yang mencakup bahasa Inggris, Prancis, Jerman, Spanyol, dan Portugis. Itu lima bahasa, bukan 99, dan checkpoint 40M berlisensi CC BY-NC 4.0 — tidak dapat digunakan dalam produk komersial tanpa perjanjian terpisah. Kesenjangan multibahasa antara ASR terbuka dan TTS terbuka adalah salah satu yang terlebar di stack ini, dan tidak ada yang dirilis bulan ini yang menutupnya.

Di mana keduanya bertemu dalam produk nyata

Aplikasi yang wajar adalah alat transkripsi-dan-pemutaran: rekam rapat atau catatan suara, transkripsikan dengan Whisper, lalu bacakan ringkasan dengan lantang menggunakan Phonon. Keduanya berjalan secara lokal, keduanya berlisensi permisif, dan tidak satu pun mengirim audio ke pihak ketiga. Alat dikte medis, perekam lapangan, aplikasi aksesibilitas untuk pengguna tuli dan kurang pendengaran, atau mainan pembelajaran bahasa offline semuanya cocok dengan pola yang sama.

Aplikasi kedua adalah agen suara dengan pass pertama lokal dan fallback cloud. Whisper mentranskripsikan di perangkat; jika keyakinan rendah, audio dikirim ke ASR yang dihosting. Model bahasa menyusun balasan; jika membutuhkan model yang lebih besar, permintaan dirutekan keluar. Phonon membacakan hasilnya; jika perangkat mengalami throttling termal, TTS yang dihosting mengambil alih. Setiap tahap memiliki opsi lokal dan jarak jauh, dan produk memutuskan mana yang digunakan per permintaan.

Lapisan teks di antara keduanya

Whisper menghasilkan transkrip, Phonon mengonsumsi skrip, dan sesuatu harus mengubah yang satu menjadi yang lain. Sesuatu itu adalah model bahasa, dan itulah satu-satunya bagian dari siklus yang mendapat manfaat dari ukurannya yang besar.

OrcaRouter tidak meng-host salah satu dari model ini — Whisper Large v3 Turbo berjalan melalui stack inferensi Anda sendiri, dan Phonon berjalan di perangkat — sehingga keduanya tidak muncul di katalog kami. Yang dicakup platform adalah bagian tengahnya: satu API untuk lebih dari 200 model bahasa dengan harga daftar penyedia dengan markup 0%, failover otomatis antarpenyedia, dan DSL perutean yang dapat mengirim model murah untuk giliran rutin dan model yang lebih kuat untuk giliran yang sulit. Dalam desain offline-first, lapisan itulah bagian yang tetap online.

Apa yang sebenarnya perlu dibandingkan

Jika Anda memilih model ucapan, bandingkan Phonon dengan sistem TTS lain dan Whisper Turbo dengan sistem ASR lain. Jika Anda membangun produk, bandingkan loop-nya: total memori, total latensi, total lisensi, total bahasa. Berdasarkan ukuran itu, pasangan tersebut koheren untuk pekerjaan khusus bahasa Inggris, offline, dengan lisensi permisif dan tidak koheren untuk apa pun yang multibahasa atau komersial di tier 40M.

Kesalahan yang perlu dihindari adalah membaca WER Phonon sebesar 0,51% di samping WER Whisper sebesar 7,83% lalu menyimpulkan bahwa sintesis telah melampaui pengenalan. Angka-angka itu dihasilkan oleh proses berbeda yang mengukur hal berbeda, dan salah satunya diukur oleh yang lain. Pertanyaan yang berguna bukanlah model mana yang lebih baik. Melainkan apakah loop yang dapat Anda rangkai dari komponen terbuka bulan ini cukup baik untuk produk yang Anda bayangkan — dan untuk bahasa Inggris, secara offline, di laptop, jawabannya baru saja berubah.