Phonon vs Qwen Audio 3.0 TTS: 노트북에서 7ms, 아니면 클라우드에서 200ms

고객 지원 상담원이 문장을 마치면 음성 비서가 답해야 합니다. Phonon 31M은 2026년 10월 20일에 출시된 Gradium의 64MB 온디바이스 모델로, 텍스트가 준비된 뒤 약 7밀리초 만에 첫 오디오 샘플이 도착할 수 있습니다. 기기 밖으로 아무것도 나가지 않기 때문입니다. Qwen Audio 3.0 TTS는 2026년 7월부터 제공된 Alibaba의 호스팅 시스템으로, 첫 패킷이 200밀리초 미만으로 문서에 기재되어 있습니다. 그리고 그 수치는 요청이 네트워크를 거쳐 베이징이나 싱가포르에 있는 데이터 센터에 도달한 뒤에 시작됩니다.

그 격차는 전체 비교를 축소해 놓은 것이지만, 결정의 전부는 아닙니다. Qwen Audio 3.0 TTS는 48kHz에서 16개 언어와 20개 중국 방언을 말하고, 감정 및 비언어 태그를 인라인으로 받아들이며, 참조 클립에서 목소리를 복제합니다. Phonon 31M은 24kHz에서 37개의 고정된 목소리로 영어를 말하며 Raspberry Pi에서 실행됩니다. 둘 중 하나를 선택하는 것은 데모에서 어떤 모델이 더 듣기 좋은지가 아니라, 어떤 종류의 시스템을 구축하는지를 선택하는 것입니다.

각각이 실제로 무엇인지

{{1}}Phonon 31M은 Gradium의 오픈 웨이트 제품군에 속한 체크포인트 중 하나입니다. 오디오 토크나이저를 제외하고 3,100만 개의 파라미터를 가지며, 64.5 MB q8 GGUF로 제공되고, 24 kHz 모노로 출력하며, Apache 2.0 라이선스로 배포됩니다 — 제품군에서 상업적 사용이 무료인 유일한 체크포인트입니다.{{/1}} {{2}}동반 모델인 Phonon 40M은 5개 언어를 지원하지만 CC BY-NC 4.0에 따라 배포되므로, 별도 계약 없이는 출시 제품에 사용할 수 있는 옵션이 아닙니다. 런타임은 Rust이며 추론 시 PyTorch를 사용하지 않고, CPU, Core ML, Snapdragon NPU 및 WebAssembly용 빌드가 존재합니다.{{/2}}

Qwen Audio 3.0 TTS는 다운로드 가능한 모델이 아닙니다. 알리바바의 Qwen 팀은 2026년 7월 20일 WAIC에서 이를 두 가지 API 등급으로 발표했습니다. Flash는 실시간 상호작용에 맞춰 조정되었고, Plus는 품질에 맞춰 조정되었습니다. 두 등급 모두 Alibaba Cloud Model Studio를 통해 접근합니다. Flash 엔드포인트 문서에는 첫 패킷 지연 시간이 200ms 미만, 속도 제한이 분당 180회 요청, 가격이 베이징에서 10,000자당 1 CNY 또는 싱가포르에서 1.12413 CNY라고 나와 있습니다. 가중치도, 로컬 런타임도, 오프라인 모드도 없습니다.

지연 시간 차이는 193밀리초가 아닙니다.

200에서 7을 빼면, 무엇을 만들고 있느냐에 따라 격차를 과소평가하고 그 중요성을 과대평가하는 숫자가 나온다. 턴 테이킹 음성 인터페이스의 경우, 대화가 어색하게 느껴지기 시작하기 전까지의 종단 간 예산은 대략 800ms다. 클라우드 TTS 호출은 네트워크 왕복 후에 200ms를 쓰는데, 왕복 시간은 좋은 유선 연결에서는 20ms, 모바일에서는 150ms일 수 있다. 콜드 연결에서의 TLS 설정, 오디오 버퍼링, 부하 상황에서 180 RPM 속도 제한이 함의하는 꼬리 지연까지 더하면, p95 경험은 대표 수치보다 실질적으로 더 나쁘다.

로컬 경로는 성격이 다릅니다. Phonon 자체 README에는 MacBook Air M5 코어 하나에서 첫 바이트까지 5ms, iPhone 16 Pro Neural Engine에서 9ms가 나와 있습니다. 네트워크 꼬리 지연도, 속도 제한도, 공급자가 안 좋은 오후를 보내는 일도 없습니다. 대신 포기하는 것은 탄력성입니다. 열 스로틀링이 걸린 휴대폰에서는 Phonon이 더 느리게 실행되고, 화상 통화와 경쟁하는 브라우저 탭은 CPU를 덜 배정받습니다. 벤더의 Raspberry Pi 5 수치 — README에서는 68ms 및 실시간 대비 2.3배, 릴리스 블로그에서는 38ms 및 3.7배 — 는 약한 하드웨어에서 그 하한이 얼마나 낮아질 수 있는지 보여줍니다.

여기서는 수치에 주의가 필요합니다. Gradium의 릴리스 블로그와 런타임 README는 동일한 장치에 대해 처리량에서 두 배 이상 차이가 나며, 둘 다 독립적으로 재현된 적이 없습니다. 7ms를 사양이 아니라 대략적인 규모로 받아들이세요.

언어와 음성: 폭넓은 범위 대 고정된 캐스트

Qwen Audio 3.0 TTS는 일본어, 한국어, 아랍어, 베트남어, 말레이어, 필리핀어를 포함한 16개 언어와 20개 중국어 방언을 지원합니다. 참조 오디오로 음성 복제를 지원하며, 참조 클립의 언어와 다른 언어로 출력할 수 있는데, 이것이 현지화 파이프라인을 흥미롭게 만드는 기능입니다. 출력은 48kHz이며, 플랫폼은 합성당 최대 3분의 오디오를 허용합니다.

Phonon 31M은 영어 전용이며, Gradium의 모델 카드도 이 점을 분명히 밝힙니다: 다른 언어는 잘못 발음됩니다. 이 모델은 37개의 내장 음성을 갖추고 있으며, 별도의 음성 카탈로그에 더 많은 음성이 있고, 사용자 정의 음성을 .safetensors 형식으로 지원합니다. 다국어 Phonon 40M 체크포인트는 5개 언어를 지원하지만, 비상업적 라이선스로 인해 대부분의 제품 결정에서 제외됩니다.

• 언어 — Phonon 31M은 영어만 지원하며, Qwen Audio 3.0 TTS는 16개 언어와 20개 중국어 방언을 지원합니다.

• 샘플 레이트 — Phonon 31M은 24 kHz 모노, Qwen Audio 3.0 TTS는 48 kHz.

• 음성 소스 — Phonon 31M용 37개의 내장 음성과 사용자 정의 음성 카탈로그; Qwen Audio 3.0 TTS용 참조 오디오 복제.

• 최대 발화 길이 — Phonon 31M의 경우 문서화되지 않음; Qwen Audio 3.0 TTS의 경우 합성당 최대 3분.

• 실행 위치 — Phonon 31M은 CPU, NPU, 브라우저 또는 휴대폰에서, Qwen Audio 3.0 TTS는 Alibaba Cloud Model Studio에서만.

• 라이선스 — Phonon 31M은 Apache 2.0, Qwen Audio 3.0 TTS는 상용 API 조건입니다.

제어: 태그와 클로닝 대 고정 캐스트

Qwen의 표현력은 인라인 제어에 기반한다. 이 모델은 숨소리, 웃음, 한숨 같은 세밀한 비언어 태그와 자연어 스타일 지시를 받아들이므로, 대본은 무엇을 말하는지뿐 아니라 어떻게 말하는지까지 지정할 수 있다. 출시 관련 보도는 '말할 수 있다'에서 '연기할 수 있다'로의 전환을 강조했으며, Plus 티어는 Elo 1,237로 Artificial Analysis Speech Arena에서 1위에 올라 Gemini 3.1 Flash TTS와 ElevenLabs v3를 앞섰다. 이는 벤더 표가 아닌 독립 리더보드이긴 하지만, 해당 항목은 Alibaba가 제출했고 큐레이션된 아레나의 Elo는 명료성만큼이나 스타일을 보상한다.

Phonon의 제어 인터페이스는 의도적으로 좁습니다. 목소리를 고르고, 텍스트를 보내면, 오디오를 얻습니다. 감정 태그도 스타일 프롬프트도 없습니다. 짧고 예측 가능한 발화—알림, 내비게이션, 양식 확인—를 읽는 인터페이스에는 그것으로 충분하며, 스타일 계층이 없다는 점은 이 모델이 수십억 개가 아닌 3,100만 개 파라미터인 이유 중 하나입니다. 내레이션, 광고, 캐릭터 작업에는 결격 사유입니다.

두 시스템 모두 동의 문제를 해결하지 않습니다. Qwen의 복제 기능은 참조 클립을 받아들이고, Phonon은 사용자 지정 음성 파일을 받아들입니다. 둘 다 화자가 동의했다는 사실을 입증하는 일을 통합자에게 맡깁니다.

대량 구매 시 드는 비용

Phonon 31M에는 문자당 가격이 없습니다. 이미 보유한 하드웨어와, 노트북 코어에서 실시간보다 26~41배 빠르게 생성하는 모델을 실행하는 전기 요금을 지불할 뿐입니다. 소규모에서는 사실상 무료이고, 대규모에서는 모바일 배터리와 열 예산 문제가 되는데, 이는 실제 비용이지만 성격이 다른 비용입니다.

Qwen Audio 3.0 TTS Flash는 베이징에서 1만 자당 1 CNY를 청구합니다. 한 달에 1,000만 자면 1,000 CNY이며, 1달러당 약 7위안으로 계산하면 대략 US$140입니다. 이는 대부분의 팀이 로깅에 쓰는 비용보다 적습니다. 중요한 숫자는 월 청구서가 아니라 그 형태입니다. 비용은 사용량에 비례하고, 지연 시간은 임대되며, 모델은 다른 누군가에 의해 가격이 재책정되거나 지원 중단될 수 있습니다. 그것이 48 kHz와 16개 언어에 대한 맞바꿈입니다.

OrcaRouter는 이 두 모델 중 어느 것도 호스팅하지 않으며, 여기서 그와 다르게 암시해서는 안 됩니다. Phonon은 사용자 기기에서 실행되고, Qwen Audio 3.0 TTS는 Alibaba 자체 API를 통해 접근합니다. 라우팅이 진가를 발휘하는 곳은 한 계층 위입니다. 음성 비서의 응답 텍스트는 보통 언어 모델에서 나오며, 그 모델은 전환할 수 있는 범용 구성 요소입니다. 키 하나로 공급자 정가에 마크업 0%로 200개 이상의 모델을 지원하므로, 가격 인하나 새로운 저렴한 모델을 당일부터 사용할 수 있고, 단일 공급자가 성능 저하될 때 자동 페일오버가 루프의 텍스트 절반을 계속 작동하게 유지합니다. 음성 계층은 배치한 그대로 둘 수 있습니다.

각각 우세한 부분

{{2}}오디오가 기기에서 생성되어야 할 때{{/2}}, {{3}}언어가 영어일 때{{/3}}, {{4}}고정된 음성 세트가 허용될 때{{/4}}, 그리고 {{5}}64MB 다운로드와 Apache 2.0 라이선스가 스타일 표현 범위보다 더 가치 있을 때{{/5}} {{1}}Phonon 31M을 선택하세요{{/1}}. {{6}}오프라인 어시스턴트, 접근성 도구, 게임, 키오스크 및 브라우저 기능{{/6}}은 {{7}}그것의 자연스러운 활용처입니다{{/7}}.

{{1}}Qwen Audio 3.0 TTS{{/1}}는 {{2}}영어{{/2}} 이외의 언어, 48kHz 출력, 감정 표현 성능, 음성 복제, 또는 한두 문장보다 긴 발화가 필요할 때 — 그리고 네트워크 의존성이 허용될 때 선택하세요. 여러 시장의 고객 응대 음성 에이전트, 더빙, 내레이션 콘텐츠가 바로 이 모델의 자연스러운 활용 분야입니다.

대부분의 팀이 결국 구축하게 될 하이브리드

두 시스템은 상호 배타적이지 않으며, 흥미로운 아키텍처는 둘 다 사용합니다. 짧고 예측 가능한 영어 응답, 즉 지연이 체감되는 응답에는 Phonon 31M을 로컬 기본값으로 실행하세요. 응답이 길거나, 사용자가 언어를 전환했거나, 기기가 로컬 모델을 지속적으로 감당할 수 없을 때는 Qwen Audio 3.0 TTS로 폴백하세요. 전환은 다시 작성하는 것이 아니라 정책 결정입니다. 두 시스템 모두 텍스트를 받아 오디오를 반환하기 때문입니다.

그 아키텍처가 작동하는 이유는 폴백이 차선의 경험이 아니기 때문이다. Qwen의 48 kHz 출력과 스타일 태그는 지연 시간과 프라이버시를 제외한 거의 모든 측면에서 Phonon보다 뛰어나다. 로컬을 기본값으로 두는 이유는 품질이 아니라, 사용자가 기다리는 상황에서는 7밀리초가 네트워크 왕복보다 낫기 때문이다.

Gradium의 릴리스는 나온 지 사흘이고, 그 벤치마크는 여전히 벤더가 직접 실행한 것입니다. Alibaba의 모델은 나온 지 석 달이며, 독립적인 아레나 순위를 갖고 있고, 글자당 과금됩니다. 이 둘 사이의 선택은 WER 표로 결정되지 않습니다. 결정하는 것은 여러분의 제품이 데이터 센터를 루프 안에 두고도 견딜 수 있는지 여부입니다.