Phonon vs VoxCPM2: TTS에서 64배 더 많은 파라미터가 실제로 주는 것

VoxCPM2는 OpenBMB의 20억 개 매개변수 음성 모델로, 2026년 4월에 출시되었으며 48kHz로 30개 언어를 말하고 작성된 설명으로 음성을 만들어낼 수 있습니다. Phonon 31M은 Gradium의 3,100만 개 매개변수 모델로, 2026년 10월 20일에 출시되었으며 37개의 고정 음성으로 24kHz에서 영어를 말하고 64.5MB에 들어갑니다. 매개변수 비율은 약 64대 1이며, 놀라운 점은 더 큰 모델이 더 많은 일을 한다는 것이 아닙니다. 두 공급업체가 모두 공개하는 단 하나의 수치인 Seed-TTS의 영어 단어 오류율에서 더 작은 모델이 더 좋은 점수를 주장한다는 점입니다.

그 주장은 거의 확실히 공정한 비교가 아니며, 그 이유를 이해하면 두 모델의 출시 글보다 오픈 TTS의 현황에 대해 더 많은 것을 알 수 있습니다. VoxCPM2와 Phonon 31M은 둘 다 Apache 2.0이고, 둘 다 다운로드할 수 있으며, 둘 다 문자당 요금 없이 음성을 원하는 팀을 겨냥합니다. 이들은 완전히 다른 하드웨어를 겨냥합니다.

같은 라벨을 달고 있는 두 가지 다른 직무

VoxCPM2는 범용 다국어 음성 생성기입니다. 토크나이저가 필요 없으며 확산-자기회귀 방식으로 동작하고, MiniCPM-4 백본 위에서 저자들이 LocEnc, TSLM, RALM, LocDiT라고 부르는 네 단계를 거쳐 AudioVAE V2 잠재 공간에서 작동합니다. 자연어 설명으로부터의 음성 설계, 짧은 참조 음성으로부터의 제어 가능한 복제, 참조 클립과 그 전사본을 모두 사용하는 이어 말하기 방식의 복제를 지원합니다. 48 kHz 오디오를 출력하고 16 kHz 참조 오디오를 입력받습니다.

Phonon 31M은 단일 언어, 단일 목적 신시사이저입니다. 이는 Mimi 잠재 표현 위에서 동작하는 플로 매칭 트랜스포머로, 한 번에 80밀리초 프레임을 처리하며 24 kHz 모노로 디코딩됩니다. 음성 디자인, 문서화된 API에서 참조 클립으로부터의 복제, 언어 감지 기능은 없습니다. 음성 카탈로그, 텍스트 입력, 그리고 한 자릿수 밀리초 단위로 시작되는 런타임이 있습니다.

둘 다 "오픈 TTS"라고 부르는 것은 정확하지만 도움이 되지 않습니다. 하나는 음성 연구 플랫폼이고, 다른 하나는 임베디드 구성 요소입니다.

64×가 어디로 가는지

파라미터 예산으로 얻을 수 있는 것은 네 가지이며, 그 네 가지 모두 청취 테스트가 아니라 스펙 시트에서 확인할 수 있다.

• 언어 — VoxCPM2의 경우 30개 언어와 9개 중국어 방언, Phonon 31M의 경우 영어만 지원합니다.

• 출력 레이트 — VoxCPM2는 48 kHz 네이티브, Phonon 31M은 24 kHz 모노.

• 음성 생성 — 설명 기반 음성 디자인과 VoxCPM2를 위한 세 가지 복제 모드; 37개의 내장 음성 및 Phonon 31M용 사용자 지정 음성 카탈로그.

• 최소 하드웨어 — VoxCPM2의 경우 RTX 4090에서 약 8GB의 VRAM, Phonon 31M의 경우 64.5MB와 CPU 코어 1개.

• 속도 — VoxCPM2의 경우 RTX 4090에서 실시간 계수 약 0.30, Nano-vLLM 사용 시 0.13입니다. Gradium의 README에 따르면 Phonon 31M은 노트북 코어에서 실시간보다 26~41배 빠릅니다.

• 라이선스 — 둘 모두 Apache 2.0.

WER 비교는 비교가 아니다

VoxCPM2의 기술 보고서에는 Seed-TTS-eval에서 영어 WER이 1.84, 화자 유사도가 75.3으로 기재되어 있습니다. Phonon의 모델 카드에는 Phonon 31M의 Seed-TTS 결과가 0.51로 기재되어 있습니다. 나란히 놓고 보면 이는 일방적인 대승처럼 보입니다. 31M 모델이 명료도에서 2B 모델을 세 배 차이로 앞서는 것이니까요.

그렇지 않다. 두 수치는 서로 다른 하네스, 아마도 서로 다른 참조 세트, 그리고 거의 확실히 출력 채점에 사용된 서로 다른 전사 모델에서 비롯된 것이다. Gradium이 이전 평가를 위해 공개한 방법론은 Seed-TTS의 영어 부분인 1,008개 발화를 사용했으며, whisper-large-v3로 전사하고 편집 거리로 채점했다. OpenBMB의 기술 보고서는 모델 페이지에 제시된 수치에서 동일한 파이프라인을 사용하지 않았다. 어느 벤더도 상대방의 체크포인트를 자사 하네스로 실행하지 않았고, 제3자도 직접 비교를 공개하지 않았다.

숫자가 실제로 뒷받침하는 것은 더 약하지만 여전히 유용한 주장입니다. 두 모델 모두 표준 영어 테스트 세트에서 한 자릿수 초반의 WER 범위에 있으며, 즉 둘 다 프로덕션 낭독 작업에 충분할 만큼 명료하다는 뜻입니다. 31M 파라미터가 깔끔한 영어를 만들어낼 수 없다는 생각은 2026년에는 단순히 틀렸습니다. 31M 파라미터가 30개 언어에 걸쳐 2B 모델과 맞먹을 수 있다는 생각도 틀렸으며, 어느 공급업체도 그렇게 주장하지 않습니다.

헤드라인을 불신할 두 번째 이유가 있다: Gradium의 자체 문서들이 서로 일치하지 않는다. 릴리스 블로그는 Phonon 31M의 WER을 1.70%로 확정해 제시하고, 모델 카드는 1.5%를 제시하며, 런타임 README는 WER을 전혀 공개하지 않는다. 한 벤더의 세 문서가 동일한 지표에서 13% 차이를 보일 때, 올바른 대응은 그 수치를 범위로 취급하는 것이다.

하드웨어 최저 기준이 실질적인 결정이다

VoxCPM2에는 GPU가 필요합니다. 기준 구성은 약 8GB의 VRAM을 요구하며, 최적화된 서빙 스택이 없으면 이 모델은 RTX 4090에서 대략 실시간의 3분의 1 속도로 동작합니다. Q8_0 양자화를 적용한 Apple M4 Pro에서는 실시간 계수가 약 1.76으로, 오디오 1초를 생성하는 데 1.76초의 연산이 걸린다는 뜻입니다. 즉 실시간보다 느리며, 해당 하드웨어에서 실시간 대화에는 적합하지 않습니다. Nano-VLLM을 사용하면 이 계수는 약 0.13으로 떨어져 빠르지만, 이는 나름의 운영 비용이 따르는 서빙 스택입니다.

Phonon 31M의 하한선은 CPU 코어 하나다. Gradium의 README에는 MacBook Air M5 코어 하나에서 실시간 대비 26배, iPhone 16 Pro Neural Engine에서 22배, Raspberry Pi 5에서 2.3배로 나와 있다. 릴리스 블로그의 수치는 다르다. 코어 하나에서 11.6배, Pi에서 3.7배다. 하지만 그 수치의 모든 버전이 설명하는 것은 손안에 들어가는 기기다.

이것은 품질 논쟁이 아닙니다. GPU를 통한 48kHz VoxCPM2 렌더는 24kHz Phonon 렌더보다 더 좋게 들릴 것이고, 당연히 그래야 합니다. 문제는 여러분의 제품이 동시 스트림마다 GPU 하나를 감당할 수 있느냐입니다. 서버 측 더빙 파이프라인이라면 가능합니다. 비행기 안에서도 작동해야 하는 휴대폰 앱이라면 아닙니다.

음성 디자인 대 고정 캐스트

VoxCPM2의 가장 두드러진 특징은 음성 디자인입니다. 텍스트 프롬프트에 괄호로 묶인 설명을 넣으면 참조 오디오가 전혀 없이도 음성이 만들어집니다. 여기에 짧은 클립이 음색을 정하고 스타일 지시가 전달 방식을 정하는 제어 가능한 복제 기능을 더하면, 대본을 읽어내는 것이 아니라 등장인물 캐스트를 만들어내는 시스템을 갖추게 됩니다.

Phonon에는 그런 것이 전혀 없습니다. Phonon의 영어 음성 37개는 고정된 세트이며, 사용자 지정 음성에는 설명 문장이 아니라 .safetensors 파일이 필요합니다. 이는 의도된 단순화입니다. 음성 카탈로그는 감사하기 쉽고, 라이선스 부여가 쉬우며, 유명인의 목소리로 무언가를 말하게 하도록 프롬프트로 유도하는 것이 불가능하기 때문입니다. 규정 준수에 민감한 배포 환경에서는 이러한 제약이 장점입니다. 창작 작업에서는 벽입니다.

둘 다 Apache 2.0이므로 판단 기준이 달라집니다.

이 부분이 이 비교를 Phonon의 다른 매치업보다 더 깔끔하게 만들어 줍니다. VoxCPM2는 코드와 가중치 모두 Apache 2.0입니다. Phonon 31M은 가중치가 Apache 2.0이고, 런타임은 MIT 또는 Apache-2.0입니다. CC BY-NC 4.0이라 별도 계약 없이는 상용 제품에 쓸 수 없는 Gradium의 40M 체크포인트와 달리, 이 둘은 모두 출시할 수 있습니다.

Gradium 자체 제품군 안의 라이선스 차이는 놓치기 쉬우므로 다시 강조할 만하다. 가장 좋은 소리를 내는 모델인 Phonon 40M(Elo 2,117, 31M은 2,098)은 상업적으로 사용할 수 없는 모델이다. Apache 2.0 모델은 더 작은 영어 전용 모델이다.

각각 우세한 부분

영어 외의 언어가 필요하거나, 48 kHz 출력, 음성 디자인, 음성 복제, 장편 내레이션이 필요하고 배포 환경에 이미 GPU가 포함되어 있다면 VoxCPM2를 선택하세요. 또한 체크포인트, 기술 보고서, 평가 세트가 모두 공개되어 있으므로 다국어 TTS 연구에도 더 나은 선택입니다.

오디오를 기기에서 생성해야 할 때, 영어로 충분할 때, 음성 세트를 고정할 수 있을 때, 그리고 64MB 다운로드가 출시와 미출시를 가르는 차이일 때 Phonon 31M을 선택하세요. 게임, 접근성 도구, 키오스크, 브라우저 기능, 오프라인 비서가 바로 이 모델의 영역입니다. 2B 모델은 그 영역에서 따라올 수 없으며, 그럴 생각도 없습니다.

OrcaRouter는 두 모델 중 어느 것도 직접 호스팅하지 않습니다 — VoxCPM2는 vLLM-Omni나 로컬 런타임을 통해 제공되고, Phonon은 사용자의 하드웨어에서 실행됩니다. 라우팅 계층이 관련되는 지점은 스택에서 한 단계 위, 즉 음성용 대본이 생성되는 곳입니다: 하나의 키로 200개 이상의 언어 모델을 이용하고, 제공업체 정가를 0% 마크업으로 그대로 전달받으며, 제공업체에 문제가 생기면 자동으로 장애 조치됩니다. TTS는 있어야 할 자리에 그대로 두고, 텍스트 생성은 옮길 수 있습니다.

다음 벤치마크가 정해야 할 것

빠져 있는 실험은 분명하며 아무도 해보지 않았다. 두 체크포인트, 하나의 테스트 세트, 하나의 전사 모델, 하나의 채점기를 오디오와 함께 공개하는 것이다. 그것이 존재하기 전까지 정직한 입장은 VoxCPM2가 더 성능이 뛰어난 시스템이고 Phonon 31M이 배포에 더 적합한 시스템이라는 것, 그리고 0.51 대 1.84 WER 비교는 결과라기보다 방법론상의 우연이라는 것이다.

의심할 여지가 없는 것은 나아가는 방향이다. 2026년 10월의 64MB 영어 모델은 2025년 초의 64MB 모델이 그랬을 수 없었던 수준으로 실서비스 낭독 작업에 충분히 현실성 있다. 다음 릴리스 주기에서 흥미로운 질문은 소형 모델이 영어에서 대형 모델과 맞먹을 수 있는지가 아니다. 소형 모델이 크기를 두 배로 늘리지 않고도 두 번째 언어를 익힐 수 있는지다. Gradium의 40M 다국어 체크포인트는 첫 시도이며, 비상업적 라이선스는 회사가 아직 이를 어떻게 판매할지 결정하지 못했음을 시사한다.