Phonon 対 Qwen Audio 3.0 TTS：ノートPCでは7 ms、クラウドでは200 ms

サポートエージェントが一文を話し終えると、音声アシスタントが応答しなければなりません。Phonon 31Mでは、Gradiumが2026年10月20日にリリースした64 MBのオンデバイスモデルにより、テキストの準備ができてから約7ミリ秒で最初の音声サンプルが届きます。なぜなら、何もマシンの外に出ないからです。Qwen Audio 3.0 TTSでは、Alibabaの2026年7月からのホスト型システムで、最初のパケットは200ミリ秒未満と記録されています——ただし、その数値は、リクエストがネットワークを越えて北京またはシンガポールのデータセンターに到達した後から始まります。

その差は比較の全体を縮図にしたものだが、決定の全体ではない。Qwen Audio 3.0 TTS は48 kHzで16言語と20の中国語方言を話し、感情や非言語タグをインラインで受け付け、参照クリップから声をクローンする。Phonon 31M は24 kHzで英語を37種類の固定ボイスで話し、Raspberry Pi上で動作する。両者の選択は、デモでどちらのモデルがより心地よく聞こえるかではなく、どんな種類のシステムを構築しているかを選ぶことだ。

それぞれが実際に何なのか

Phonon 31Mは、Gradiumのオープンウェイトファミリーに含まれるチェックポイントの1つです。音声トークナイザーを除いて3100万パラメータで、64.5 MBのq8 GGUFとして提供され、24 kHzモノラルを出力し、Apache 2.0でライセンスされています — ファミリー内で商用利用が無料の唯一のチェックポイントです。姉妹モデルのPhonon 40Mは5言語をカバーしますが、CC BY-NC 4.0の下にあるため、別途契約なしに出荷製品へ採用できる選択肢ではありません。ランタイムはRustで、推論時にPyTorchは不要であり、CPU、Core ML、Snapdragon NPU、WebAssembly向けのビルドが存在します。

Qwen Audio 3.0 TTSはダウンロードできるモデルではありません。AlibabaのQwenチームは2026年7月20日、WAICで2つのAPIティアとしてこれを発表しました。リアルタイムの対話向けに調整されたFlashと、品質向けに調整されたPlusです。どちらもAlibaba Cloud Model Studioを通じて利用できます。Flashエンドポイントのドキュメントには、最初のパケットのレイテンシが200ms未満、レート制限が毎分180リクエスト、価格が北京では1万文字あたり1元、シンガポールでは1.12413元と記載されています。重みも、ローカルランタイムも、オフラインモードもありません。

レイテンシの差は193ミリ秒ではありません

200から7を引いて得られる数値は、何を構築しているかによって、その差を過小評価し、重要性を過大評価する。ターン交代型の音声インターフェースでは、会話が不自然に感じ始めるまでのエンドツーエンドの予算はおよそ800 msだ。クラウドTTS呼び出しは、良好な有線接続なら20 ms、モバイルなら150 msになり得るネットワーク往復の後に、自身の200 msを費やす。コールド接続でのTLSセットアップ、音声バッファリング、そして負荷時に180 RPMのレート制限が意味するテールレイテンシを加えると、p95の体験は表向きの数値より実質的に悪くなる。

ローカル経路は形が異なります。Phonon自身のREADMEには、MacBook AirのM5コア1つで5 ms、iPhone 16 ProのNeural Engineで9 msというtime-to-first-byteが記載されています。ネットワークの遅延テールも、レート制限も、プロバイダーが不調な午後もありません。犠牲になるのは弾力性です。熱スロットリングしているスマートフォンではPhononは遅くなり、ビデオ通話と競合するブラウザタブはCPUをあまり得られません。ベンダーのRaspberry Pi 5の数値 — READMEでは68 msとリアルタイムの2.3倍、リリースブログでは38 msと3.7倍 — は、弱いハードウェアでその下限がどこまで下がり得るかを示しています。

ここでこそ、その数値には注意が必要だ。GradiumのリリースブログとランタイムREADMEでは、同じデバイスでのスループットが2倍以上も食い違っており、どちらも独立に再現されていない。7 msは仕様値ではなく、桁の目安として扱うべきだ。

言語と音声：幅広さか固定されたキャストか

Qwen Audio 3.0 TTSは、日本語、韓国語、アラビア語、ベトナム語、マレー語、フィリピン語を含む16言語に加え、中国語の20方言に対応しています。参照音声からのボイスクローニングに対応し、参照クリップの言語とは異なる言語で出力することも可能で、まさにこの機能がローカリゼーションパイプラインを興味深いものにしています。出力は48 kHzで、プラットフォームでは1回の合成につき最大3分の音声を扱えます。

Phonon 31M は英語のみに対応しており、Gradium のモデルカードもその点をはっきりと認めている。他の言語では発音が誤ってしまう。37 種類の内蔵音声を備え、別途用意された音声カタログにはさらに多くの音声があり、.safetensors 形式のカスタム音声にも対応している。多言語対応の Phonon 40M チェックポイントは 5 言語に達するが、非商用ライセンスのため、ほとんどの製品判断では選択肢から外れる。

• 言語 — Phonon 31M は英語のみ、Qwen Audio 3.0 TTS は16言語と20種類の中国語方言に対応。

• サンプルレート — Phonon 31M は 24 kHz モノラル、Qwen Audio 3.0 TTS は 48 kHz。

• 音声ソース — Phonon 31M 用に 37 種類の内蔵音声とカスタム音声カタログ、Qwen Audio 3.0 TTS 用に参照音声のクローニング。

• 最大発話長 — Phonon 31M では文書化されていません。Qwen Audio 3.0 TTS では、1回の合成につき最大3分です。

• 実行環境 — Phonon 31M は CPU、NPU、ブラウザ、またはスマートフォン。Qwen Audio 3.0 TTS は Alibaba Cloud Model Studio のみ。

• ライセンス — Phonon 31M は Apache 2.0、Qwen Audio 3.0 TTS は商用 API 利用規約。

制御: タグとクローニング 対 固定キャスト

Qwenの表現力のストーリーはインライン制御に支えられている。モデルは息遣い、笑い、ため息といった細かな非言語タグと、自然言語によるスタイル指示を受け付けるため、台本では何を言うかだけでなく、どのように言うかまで指定できる。発表時の報道では「話せる」から「演じられる」への移行が強調され、PlusティアはArtificial Analysis Speech ArenaでElo 1,237を記録して1位となり、Gemini 3.1 Flash TTSとElevenLabs v3を上回った。これはベンダー提供の表ではなく独立したリーダーボードだが、エントリーはAlibabaが提出したものであり、キュレーションされたアリーナでのEloは明瞭さと同じくらいスタイルも評価する。

Phononの制御インターフェースは意図的に狭く設計されています。声を選び、テキストを送ると、音声が返ってきます。感情タグもスタイルプロンプトもありません。短く予測可能な発話——通知、ナビゲーション、フォームの確認——を読み上げるインターフェースならそれで十分であり、スタイル層がないことは、このモデルが数十億ではなく3100万パラメータである理由の一つです。しかしナレーション、広告、キャラクター制作には失格です。

どちらのシステムも同意の問題を解決していません。Qwenのクローニングは参照クリップを受け入れ、Phononはカスタム音声ファイルを受け入れます。どちらも、話者が同意したことを確立するのはインテグレーターに委ねられています。

大量購入時のコスト

Phonon 31M には文字単位の料金はありません。支払うのは、すでに所有しているハードウェアと、ラップトップのコア上でリアルタイムの26～41倍の速さで生成するモデルを動かすための電気代だけです。小規模なら実質無料ですが、大規模になるとモバイルのバッテリーと熱の予算という形になり、それは確かに実際のコストではあるものの、性質の異なるコストです。

Qwen Audio 3.0 TTS Flashは北京で1万文字あたり1元を請求する。月1,000万文字なら1,000元、1ドル7元で概算約140米ドル——ほとんどのチームがログ記録に費やす額より少ない。重要な数字は月額請求額ではなく、その形だ。コストは利用量に応じて増え、レイテンシは借り物で、モデルは他者によって価格改定されたり非推奨にされたりし得る。それが48 kHzと16言語と引き換えの条件だ。

OrcaRouterはこれらのモデルのどちらもホストしておらず、ここでの内容からそう示唆されるべきではありません。Phononはお使いのデバイス上で動作し、Qwen Audio 3.0 TTSはAlibaba独自のAPIを通じて利用されます。ルーティングが真価を発揮するのは、その1つ上のレイヤーです。音声アシスタントの応答テキストは通常、言語モデルから生成され、そのモデルは移行可能なコモディティです。1つのキーで、プロバイダー定価・マークアップ0%の200以上のモデルを利用できます。そのため、値下げや新しい安価なモデルもその日のうちに利用でき、単一のプロバイダーが劣化したときも自動フェイルオーバーがループのテキスト側を維持します。音声レイヤーは、置いた場所にそのまま留めておけます。

それぞれが優位に立つところ

Phonon 31M は、音声をデバイス上で生成する必要がある場合、言語が英語である場合、固定の音声セットで問題ない場合、そして 64 MB のダウンロードと Apache 2.0 ライセンスがスタイルの幅よりも価値がある場合に選びましょう。オフラインアシスタント、アクセシビリティツール、ゲーム、キオスク、ブラウザ機能は、まさにうってつけの分野です。

Qwen Audio 3.0 TTS は、英語以外の言語、48 kHz 出力、感情豊かな表現、音声クローニング、または一文か二文より長い発話が必要で、ネットワークへの依存が許容できる場合に選んでください。複数の市場に向けた顧客対応の音声エージェント、吹き替え、ナレーション付きコンテンツが、その自然な用途です。

ほとんどのチームが最終的に構築することになるハイブリッド

2つのシステムは相互排他的ではなく、興味深いアーキテクチャでは両方を使う。短く予測可能な英語の応答、つまりレイテンシが体感される場面では、Phonon 31Mをローカルのデフォルトとして実行する。応答が長い場合、ユーザーが言語を切り替えた場合、またはデバイスがローカルモデルを維持できない場合は、Qwen Audio 3.0 TTSにフォールバックする。どちらもテキストを受け取って音声を返すため、この切り替えは書き換えではなくポリシーの判断である。

そのアーキテクチャが機能するのは、フォールバックが二番手の体験ではないからだ。Qwenの48 kHz出力とスタイルタグは、レイテンシとプライバシーを除けばほぼあらゆる面でPhononのものより優れている。ローカルをデフォルトにする理由は品質ではない。ユーザーが待っているとき、7ミリ秒はネットワークの往復に勝るということだ。

Gradiumのリリースはまだ3日しか経っておらず、ベンチマークも依然としてベンダー自身による計測です。一方、アリババのモデルは登場から3か月が経ち、独立系アリーナでの順位を持ち、文字単位の課金体系です。両者の選択はWERの表では決まりません。決め手となるのは、あなたの製品が処理経路にデータセンターを挟むことを許容できるかどうかです。