Phonon vs VoxCPM2：TTSにおいて64倍のパラメータは実際に何をもたらすのか

VoxCPM2は、OpenBMBが2026年4月にリリースした20億パラメータの音声モデルで、48 kHzで30言語を話し、文章による説明から声を作り出すことができる。Phonon 31Mは、Gradiumが2026年10月20日にリリースした3,100万パラメータのモデルで、24 kHzで英語を37種類の固定ボイスで話し、64.5 MBに収まる。パラメータ比は約64対1で、驚くべき点は大きいモデルの方が多くできることではない。両社が公表している唯一の数値——Seed-TTSにおける英語の単語誤り率——で、小さいモデルの方がより良いスコアを主張していることだ。

その主張はほぼ確実に公平な比較ではなく、なぜそう言えるのかを理解すれば、どちらのモデルの発表記事よりも、オープンTTSの現状について多くのことが分かります。VoxCPM2とPhonon 31MはいずれもApache 2.0で、どちらもダウンロード可能で、文字数に応じた課金なしで音声を利用したいチーム向けです。ただし、両者が想定するハードウェアはまったく異なります。

同じラベルをまとった2つの異なる仕事

VoxCPM2は汎用の多言語音声生成器である。トークナイザー不要で拡散自己回帰型のモデルであり、AudioVAE V2の潜在空間上で、著者らがLocEnc、TSLM、RALM、LocDiTと呼ぶ4つのステージを通じて動作し、MiniCPM-4をバックボーンとする。自然言語による記述からの音声設計、短い参照音声からの制御可能なクローニング、参照クリップとその書き起こしの両方を利用する継続型クローニングをサポートする。出力は48 kHz音声で、16 kHzの参照音声を受け付ける。

Phonon 31M は単一言語・単一目的のシンセサイザーです。Mimi の潜在表現上で動作するフローマッチング Transformer で、一度に 80 ミリ秒のフレームを処理し、24 kHz モノラルにデコードされます。音声デザイン機能はなく、文書化された API では参照クリップからのクローニングもできず、言語検出機能もありません。音声カタログ、テキスト入力、および 1 桁ミリ秒で起動するランタイムを備えています。

両方を「オープンTTS」と呼ぶのは正確だが、役に立たない。一方は音声研究プラットフォームであり、もう一方は組み込みコンポーネントだ。

64×がどこに入るか

パラメータの予算で得られるものは4つあり、その4つはすべて試聴テストではなくスペックシート上で見て取れる。

• {{1}}言語{{/1}} — VoxCPM2 は30言語と9つの中国語方言に対応、Phonon 31M は英語のみ対応。

• 出力レート — VoxCPM2 は 48 kHz ネイティブ、Phonon 31M は 24 kHz モノラル。

• 音声作成 — 説明文ベースの音声デザインと、VoxCPM2向けの3つのクローニングモード。Phonon 31Mでは37種類の内蔵音声に加え、カスタム音声カタログを利用可能。

・ハードウェアの最低要件 — VoxCPM2 には RTX 4090 上で約 8 GB の VRAM、Phonon 31M には 64.5 MB と CPU コア 1 基。

• 速度 — RTX 4090 上で VoxCPM2 はリアルタイム係数およそ 0.30、Nano-vLLM を使うと 0.13。Gradium の README によると、Phonon 31M はラップトップのコア上でリアルタイムの 26～41 倍高速です。

• ライセンス — 両方とも Apache 2.0。

WER比較は比較ではない

VoxCPM2の技術レポートには、Seed-TTS-evalにおける英語WERが1.84、話者類似度が75.3と記載されている。Phononのモデルカードには、Phonon 31MのSeed-TTSにおける0.51が記載されている。並べて読むと、それは一方的な圧勝のように見える。31Mモデルが2Bモデルを明瞭度で3倍上回っているのだ。

そうではない。この2つの数値は異なるハーネスに由来し、おそらく参照セットも異なり、ほぼ確実に出力の採点に使われた文字起こしモデルも異なる。Gradiumが以前の評価について公開した手法では、Seed-TTSの英語部分—1,008発話—をwhisper-large-v3で文字起こしし、編集距離で採点していた。OpenBMBの技術報告は、モデルページに示された図表において同一のパイプラインを使っていない。どちらのベンダーも相手のチェックポイントを自社のハーネスで実行しておらず、第三者による直接比較も公開されていない。

数字が実際に裏付けているのは、より弱いが依然として有用な主張だ。つまり、両モデルとも標準的な英語テストセットでWERが低い一桁台にあり、両方とも本番の読み上げ作業に十分な明瞭さを持っているということだ。31Mパラメータではきれいな英語を生成できないという考えは、2026年には単純に誤りである。31Mパラメータが30言語にわたって2Bモデルに匹敵できるという考えもまた誤りであり、どちらのベンダーもそう主張していない。

見出しを疑うべき第二の理由がある。Gradium 自身の文書同士が一致していないのだ。リリースブログでは Phonon 31M の WER を 1.70% と固定して示し、モデルカードでは 1.5%、ランタイム README では WER をまったく公表していない。ベンダーの3つの文書が同じ指標で13%も食い違っているなら、その数値は幅として扱うのが正しい対応だ。

ハードウェアの下限こそが本当の決め手だ。

VoxCPM2にはGPUが必要だ。リファレンス構成は約8 GBのVRAMで、最適化されたサービングスタックがなければ、モデルはRTX 4090上で実時間のおよそ3分の1で動作する。Apple M4 ProでQ8_0量子化を使うとリアルタイム係数は約1.76となり、1秒の音声を生成するのに1.76秒の計算を要する — 実時間より遅く、そのハードウェアでのライブ会話には適さない。Nano-VLLMを使えば係数は約0.13まで下がり高速だが、それは独自の運用コストを伴うサービングスタックである。

Phonon 31M の最低ラインは CPU コア 1 つだ。Gradium の README には、MacBook Air M5 の 1 コアでリアルタイムの 26 倍、iPhone 16 Pro の Neural Engine で 22 倍、Raspberry Pi 5 で 2.3 倍と記載されている。リリースブログの数字は異なり、1 コアで 11.6 倍、Pi で 3.7 倍だが、その数字のどの版も片手に収まるデバイスを表している。

これは品質の議論ではありません。48 kHzのVoxCPM2をGPUでレンダリングしたものは、24 kHzのPhononのレンダリングより良く聞こえるはずですし、そうあるべきです。問題は、同時ストリームごとにGPUを用意する余裕を製品が持てるかどうかです。サーバー側の吹き替えパイプラインなら、はい。飛行機の中でも動く必要があるスマホアプリなら、いいえ。

ボイスデザイン対固定キャスト

{{1}}VoxCPM2{{/1}}の最も特徴的な機能は音声設計です。テキストプロンプト内の括弧書きの説明から、参照音声を一切使わずに音声を生成できます。さらに、短いクリップで音色を設定し、スタイル指示で話し方を設定する制御可能なクローニングを加えれば、スクリプトを読み上げるのではなく、登場人物たちの声を生み出すシステムになります。

Phononにはそれがありません。37種類の英語音声は固定セットで、カスタム音声には.safetensorsファイルが必要で、説明文では指定できません。これは意図的な簡素化です。音声カタログは監査しやすく、ライセンスしやすく、有名人の声で何かを言わせるようプロンプトで誘導するのは不可能です。コンプライアンスに敏感な導入では、この制約は利点です。創作作業では、それは壁です。

どちらも Apache 2.0 なので、その点で判断が変わります

Phononの他の比較対象よりもこの比較がすっきりしているのは、まさにこの点だ。VoxCPM2はコードと重みの両方がApache 2.0。Phonon 31Mは重みがApache 2.0で、ランタイムはMITまたはApache-2.0の下にある。Gradiumの40MチェックポイントはCC BY-NC 4.0で、契約なしには商用製品で使えないが、それとは異なり、この2つはどちらも製品として出荷できる。

Gradium自身のファミリー内におけるライセンスの違いは、見落としやすいため、繰り返す価値があります。最も音質が良いモデル、すなわちPhonon 40M（Elo 2,117、31Mは2,098）こそが、商用利用できないモデルです。Apache 2.0のモデルは、より小型で英語専用のほうです。

それぞれが優位に立つところ

VoxCPM2 は、英語以外の言語、48 kHz 出力、音声デザイン、クローニング、長文ナレーションが必要な場合、また GPU がすでにデプロイ環境に含まれている場合に選ぶとよいでしょう。多言語 TTS の研究にも適しています。チェックポイント、技術レポート、評価セットがすべて公開されているからです。

Phonon 31M を選ぶべきなのは、音声をデバイス上で生成する必要がある場合、英語で十分な場合、音声セットを固定できる場合、そして 64 MB のダウンロードが出荷できるかどうかの分かれ目になる場合です。ゲーム、アクセシビリティツール、キオスク、ブラウザ機能、オフラインアシスタントがその領域です。2B モデルはそこでは追随できず、そもそもそれを目指していません。

OrcaRouter はどちらのモデルもホストしていません — VoxCPM2 は vLLM-Omni またはローカルランタイムを通じて提供され、Phonon はお使いのハードウェア上で動作します。ルーティング層が関係するのは、スタックの一段上、音声用のスクリプトが生成される場所です：1つのキーで200以上の言語モデルを利用でき、プロバイダーのリスト価格を0%のマークアップでそのまま適用し、プロバイダーが不調になると自動フェイルオーバーします。TTS は本来の場所にとどまり、テキスト生成は移動できます。

次のベンチマークが決着をつけるべきこと

不足している実験は明らかで、誰もまだ実施していない。両方のチェックポイント、同一のテストセット、同一の文字起こしモデル、同一のスコアラーを使い、音声付きで公開する。それが存在するまでは、誠実な立場としては、VoxCPM2 の方がより高性能なシステムであり、Phonon 31M の方がより実運用しやすいものであり、0.51 対 1.84 の WER 比較は結果ではなく方法論の偶然の一致である。

疑いようがないのは、進む方向性だ。2026年10月の64 MBの英語モデルは、2025年初頭の64 MBモデルにはなかった意味で、本番の読み上げ作業に使えるだけの信頼性がある。次のリリースサイクルで興味深い問いは、小規模モデルが英語で大規模モデルに匹敵できるかどうかではない。小規模モデルがサイズを2倍にせずに第二言語を習得できるかどうかだ。Gradiumの40M多言語チェックポイントは最初の試みであり、その非商用ライセンスは、同社がその販売方法をまだ決めていないことを示唆している。