Phonon vs Qwen Audio 3.0 TTS: 7 ms sul tuo laptop o 200 ms nel cloud

Un agente di supporto finisce una frase e l'assistente vocale deve rispondere. Su Phonon 31M, il modello on-device da 64 MB di Gradium rilasciato il 20 ottobre 2026, il primo campione audio può arrivare circa 7 millisecondi dopo che il testo è pronto, perché nulla esce dalla macchina. Su Qwen Audio 3.0 TTS, il sistema ospitato di Alibaba da luglio 2026, il primo pacchetto è documentato a meno di 200 millisecondi — e quel valore inizia a contare solo dopo che la tua richiesta ha attraversato la rete fino a un data center a Pechino o Singapore.

Quel divario riassume l'intero confronto in miniatura, ma non è l'intera decisione. Qwen Audio 3.0 TTS parla 16 lingue e 20 dialetti cinesi a 48 kHz, accetta tag emotivi e non verbali inline e clona una voce da una clip di riferimento. Phonon 31M parla inglese a 24 kHz con 37 voci fisse e gira su un Raspberry Pi. Scegliere tra i due significa scegliere che tipo di sistema stai costruendo, non quale modello suona meglio in una demo.

Che cosa ciascuno è in realtà

Phonon 31M è un checkpoint della famiglia di modelli open-weight di Gradium. Ha 31 milioni di parametri, escluso il tokenizer audio, viene distribuito come GGUF q8 da 64,5 MB, produce output mono a 24 kHz ed è concesso in licenza Apache 2.0 — l'unico checkpoint della famiglia libero per uso commerciale. I modelli companion Phonon 40M coprono cinque lingue ma sono soggetti a CC BY-NC 4.0, quindi non sono un'opzione per un prodotto distribuito senza un accordo separato. Il runtime è in Rust, senza PyTorch durante l'inferenza, ed esistono build per CPU, Core ML, NPU Snapdragon e WebAssembly.

Qwen Audio 3.0 TTS non è un modello scaricabile. Il team Qwen di Alibaba lo ha annunciato il 20 luglio 2026 al WAIC in due livelli API: Flash, ottimizzato per l'interazione in tempo reale, e Plus, ottimizzato per la qualità. Entrambi sono accessibili tramite Alibaba Cloud Model Studio. La documentazione dell'endpoint Flash indica una latenza del primo pacchetto inferiore a 200 ms, un limite di 180 richieste al minuto e un prezzo di 1 CNY per 10.000 caratteri a Pechino, oppure 1,12413 CNY a Singapore. Non ci sono pesi, né runtime locale, né modalità offline.

La differenza di latenza non è di 193 millisecondi

Sottrarre 7 da 200 dà un numero che sottostima il divario e ne sovrastima l'importanza, a seconda di ciò che si sta costruendo. Per un'interfaccia vocale a turni, il budget end-to-end è di circa 800 ms prima che la conversazione inizi a sembrare sbagliata. Una chiamata TTS cloud spende i suoi 200 ms dopo un round trip di rete che può essere di 20 ms su una buona connessione cablata e di 150 ms su mobile. Aggiungi la configurazione TLS su una connessione a freddo, il buffering audio e la latenza di coda che un limite di 180 RPM implica sotto carico, e l'esperienza p95 è materialmente peggiore del dato di testa.

Il percorso locale ha una forma diversa. Il README di Phonon stesso elenca 5 ms di tempo al primo byte su un core di un MacBook Air M5 e 9 ms sul Neural Engine di un iPhone 16 Pro. Non c'è coda di rete, nessun rate limit e nessun provider che ha una brutta giornata. Quello a cui rinunci è l'elasticità: un telefono in throttling termico esegue Phonon più lentamente, e una scheda del browser che compete con una videochiamata ottiene meno CPU. I dati del fornitore per Raspberry Pi 5 — 68 ms e 2,3 volte il tempo reale nel README, 38 ms e 3,7 volte nel blog di rilascio — mostrano quanto può scendere quel limite su hardware debole.

È anche qui che i numeri meritano una riserva. Il blog di rilascio di Gradium e il README del suo runtime non concordano sul throughput per più di un fattore due per lo stesso dispositivo, e nessuno dei due è stato riprodotto in modo indipendente. Considera 7 ms come un ordine di grandezza, non come una specifica.

Lingue e voci: ampiezza rispetto a un cast fisso

Qwen Audio 3.0 TTS copre 16 lingue, tra cui giapponese, coreano, arabo, vietnamita, malese e filippino, oltre a 20 dialetti cinesi. Supporta la clonazione vocale a partire da un audio di riferimento e può restituire in output una lingua diversa da quella presente nel clip di riferimento: è questa la funzionalità che rende interessanti le pipeline di localizzazione. L'output è a 48 kHz e la piattaforma consente fino a tre minuti di audio per sintesi.

Phonon 31M è disponibile solo in inglese, e la model card di Gradium è schietta al riguardo: le altre lingue vengono pronunciate male. Offre 37 voci integrate, con altre in un catalogo voci separato e il supporto per voci personalizzate in formato .safetensors. Il checkpoint multilingue Phonon 40M raggiunge cinque lingue, ma la sua licenza non commerciale lo esclude dalla maggior parte delle decisioni di prodotto.

• Lingue — solo inglese per Phonon 31M; 16 lingue più 20 dialetti cinesi per Qwen Audio 3.0 TTS.

• Frequenza di campionamento — 24 kHz mono per Phonon 31M; 48 kHz per Qwen Audio 3.0 TTS.

• Sorgenti vocali — 37 integrate più un catalogo di voci personalizzate per Phonon 31M; clonazione tramite audio di riferimento per Qwen Audio 3.0 TTS.

• Enunciato massimo — non documentato per Phonon 31M; fino a tre minuti per sintesi per Qwen Audio 3.0 TTS.

• Dove viene eseguito — CPU, NPU, browser o telefono per Phonon 31M; Alibaba Cloud Model Studio solo per Qwen Audio 3.0 TTS.

• Licenza — Apache 2.0 per Phonon 31M; termini API commerciali per Qwen Audio 3.0 TTS.

Controllo: tag e clonazione rispetto a un cast fisso

La storia dell'espressività di Qwen si basa sul controllo inline. Il modello accetta tag non verbali granulari — respiri, risate, sospiri — e istruzioni di stile in linguaggio naturale, così una sceneggiatura può specificare non solo ciò che viene detto ma anche come. La copertura del lancio ha evidenziato il passaggio da «sa parlare» a «sa esibirsi», e il livello Plus è stato classificato primo nell'Artificial Analysis Speech Arena con un Elo di 1.237, davanti a Gemini 3.1 Flash TTS ed ElevenLabs v3. Si tratta di una classifica indipendente, non di una tabella del fornitore, anche se la candidatura è stata presentata da Alibaba e l'Elo in un'arena curata premia lo stile tanto quanto l'intelligibilità.

La superficie di controllo di Phonon è volutamente ristretta. Scegli una voce, invii del testo, ottieni audio. Non ci sono tag di emozione né prompt di stile. Per un'interfaccia che legge enunciati brevi e prevedibili — notifiche, navigazione, conferme di moduli — questo basta, e l'assenza di un livello di stile è una delle ragioni per cui il modello ha 31 milioni di parametri invece di miliardi. Per la narrazione, la pubblicità o il lavoro sui personaggi, è un limite disqualificante.

Nessuno dei due sistemi risolve il problema del consenso. La clonazione di Qwen accetta una clip di riferimento; Phonon accetta file vocali personalizzati. Entrambi lasciano all'integratore il compito di stabilire che chi parla abbia acconsentito.

Quanto costa in volume

Phonon 31M non ha un prezzo per carattere. Paghi l'hardware che possiedi già e l'elettricità per eseguire un modello che genera da 26 a 41 volte più velocemente del tempo reale su un core di laptop. Su piccola scala è di fatto gratis; su larga scala diventa un budget di batteria e termico per dispositivi mobili, che è un costo reale ma di natura diversa.

Qwen Audio 3.0 TTS Flash costa 1 CNY ogni 10.000 caratteri a Pechino. Dieci milioni di caratteri al mese fanno 1.000 CNY, circa 140 USD con un cambio tondo di sette yuan per dollaro: meno di quanto la maggior parte dei team spende per il logging. Il numero che conta non è la bolletta mensile, ma la sua forma: il costo scala con l'uso, la latenza è a noleggio e il modello può essere ritariffato o dismesso da qualcun altro. Questo è il compromesso per 48 kHz e sedici lingue.

OrcaRouter non ospita nessuno di questi due modelli, e nulla qui deve suggerire il contrario: Phonon viene eseguito sul tuo dispositivo, mentre Qwen Audio 3.0 TTS è accessibile tramite l'API proprietaria di Alibaba. Il routing si guadagna il suo posto a un livello superiore. Il testo di risposta di un assistente vocale proviene di solito da un modello linguistico, e quel modello è un componente fungibile che puoi spostare. Una chiave copre più di 200 modelli al prezzo di listino del provider con 0% di ricarico, così un taglio di prezzo o un nuovo modello economico è utilizzabile lo stesso giorno, e il failover automatico mantiene viva la metà testuale del ciclo quando un singolo provider si degrada. Lo strato vocale può restare esattamente dove lo hai messo.

Dove ciascuno vince

Scegli Phonon 31M quando l'audio deve essere generato sul dispositivo, quando la lingua è l'inglese, quando un insieme fisso di voci è accettabile e quando un download da 64 MB e una licenza Apache 2.0 valgono più della gamma stilistica. Assistenti offline, strumenti di accessibilità, giochi, chioschi e funzionalità del browser sono il suo habitat naturale.

Scegli Qwen Audio 3.0 TTS quando hai bisogno di lingue diverse dall'inglese, output a 48 kHz, interpretazione emotiva, clonazione vocale o enunciati più lunghi di una o due frasi — e quando una dipendenza dalla rete è accettabile. Gli agenti vocali rivolti ai clienti in più mercati, il doppiaggio e i contenuti narrati sono il suo habitat naturale.

L'ibrido che la maggior parte dei team finirà per costruire

I due sistemi non si escludono a vicenda, e l'architettura interessante li usa entrambi. Usa Phonon 31M come predefinito locale per risposte brevi, prevedibili e in inglese — quelle in cui la latenza si percepisce. Passa a Qwen Audio 3.0 TTS quando la risposta è lunga, quando l'utente ha cambiato lingua o quando il dispositivo non riesce a sostenere il modello locale. Il passaggio è una decisione di policy, non una riscrittura, perché entrambi ricevono testo e restituiscono audio.

Ciò che rende efficace quell'architettura è che il fallback non è un'esperienza di seconda scelta. L'output a 48 kHz e i tag di stile di Qwen sono migliori di quelli di Phonon su quasi ogni asse tranne latenza e privacy. Il motivo per cui impostare il locale come predefinito non è la qualità; è che 7 millisecondi battono un round trip di rete quando l'utente è in attesa.

La release di Gradium ha tre giorni e i suoi benchmark sono ancora eseguiti dal fornitore. Il modello di Alibaba ha tre mesi, ha un posizionamento indipendente nell'arena ed è tariffato per carattere. La decisione tra i due non sarà stabilita da una tabella WER. Sarà stabilita dalla capacità del tuo prodotto di tollerare un data centre nel ciclo.