Phonon vs Qwen Audio 3.0 TTS: 7 ms op je laptop of 200 ms in de cloud

Een supportmedewerker rondt een zin af en de spraakassistent moet antwoorden. Op Phonon 31M, Gradiums 64 MB on-device model dat op 20 oktober 2026 werd uitgebracht, kan het eerste audiosample ongeveer 7 milliseconden nadat de tekst klaar is aankomen, omdat er niets het apparaat verlaat. Op Qwen Audio 3.0 TTS, het gehoste systeem van Alibaba uit juli 2026, wordt het eerste pakket gedocumenteerd op minder dan 200 milliseconden — en die waarde gaat pas in nadat je verzoek via het netwerk een datacenter in Peking of Singapore heeft bereikt.

Die kloof is de hele vergelijking in het klein, maar niet de hele beslissing. Qwen Audio 3.0 TTS spreekt 16 talen en 20 Chinese dialecten op 48 kHz, verwerkt emotie- en non-verbale tags inline en kloont een stem uit een referentieclip. Phonon 31M spreekt Engels op 24 kHz in 37 vaste stemmen en draait op een Raspberry Pi. Kiezen tussen hen is kiezen wat voor soort systeem je bouwt, niet welk model mooier klinkt in een demo.

Wat elk ervan eigenlijk is

Phonon 31M is één checkpoint in de open-weight-familie van Gradium. Het heeft 31 miljoen parameters, exclusief de audiotokenizer, wordt geleverd als een q8-GGUF van 64,5 MB, levert mono-uitvoer op 24 kHz en is gelicentieerd onder Apache 2.0 — het enige checkpoint in de familie dat gratis is voor commercieel gebruik. De bijbehorende Phonon 40M-modellen dekken vijf talen, maar vallen onder CC BY-NC 4.0, dus ze zijn geen optie voor een product dat wordt uitgebracht zonder een aparte overeenkomst. De runtime is Rust, zonder PyTorch bij inferentie, en er zijn builds voor CPU, Core ML, Snapdragon NPU's en WebAssembly.

Qwen Audio 3.0 TTS is geen downloadbaar model. Het Qwen-team van Alibaba kondigde het op 20 juli 2026 aan tijdens WAIC in twee API-niveaus: Flash, afgestemd op realtime-interactie, en Plus, afgestemd op kwaliteit. Beide zijn bereikbaar via Alibaba Cloud Model Studio. De documentatie voor het Flash-endpoint vermeldt een latentie van het eerste pakket van minder dan 200 ms, een rate limit van 180 verzoeken per minuut en een prijs van 1 CNY per 10.000 tekens in Peking, of 1,12413 CNY in Singapore. Er zijn geen gewichten, geen lokale runtime en geen offlinemodus.

Het latentieverschil is niet 193 milliseconden.

Als je 7 van 200 aftrekt, krijg je een getal dat de kloof onderschat en het belang ervan overschat, afhankelijk van wat je bouwt. Voor een spraakinterface met beurtwisseling is het end-to-endbudget ongeveer 800 ms voordat het gesprek verkeerd begint aan te voelen. Een cloud-TTS-aanroep besteedt zijn 200 ms na een netwerkroundtrip die 20 ms kan duren op een goede bekabelde verbinding en 150 ms op mobiel. Tel daarbij de TLS-opzet op een koude verbinding, audiobuffering en de staartlatentie die een limiet van 180 RPM onder belasting impliceert op, en de p95-ervaring is wezenlijk slechter dan het headline-cijfer.

Het lokale pad heeft een andere vorm. De eigen README van Phonon vermeldt 5 ms time-to-first-byte op één core van een MacBook Air M5 en 9 ms op de Neural Engine van een iPhone 16 Pro. Er is geen netwerktail, geen rate limit en geen provider die een slechte middag heeft. Wat je opgeeft, is elasticiteit: een telefoon die thermisch throttelt, draait Phonon langzamer, en een browsertab die concurreert met een videogesprek krijgt minder CPU. De cijfers van de leverancier voor de Raspberry Pi 5 — 68 ms en 2,3 keer realtime in de README, 38 ms en 3,7 keer in de releaseblog — laten zien hoe ver die ondergrens kan zakken op zwakke hardware.

Dit is ook het punt waarop de cijfers een voorbehoud verdienen. Gradiums releaseblog en de README van de runtime verschillen voor hetzelfde apparaat met meer dan een factor twee in doorvoer, en geen van beide is onafhankelijk gereproduceerd. Beschouw 7 ms als een orde van grootte, niet als een specificatie.

Talen en stemmen: breedte versus een vaste cast

Qwen Audio 3.0 TTS ondersteunt 16 talen, waaronder Japans, Koreaans, Arabisch, Vietnamees, Maleis en Filipijns, plus 20 Chinese dialecten. Het ondersteunt stemklonen op basis van referentie-audio en kan een andere taal produceren dan de taal in de referentieclip, wat nu juist de functie is die localisatiepijplijnen interessant maakt. De uitvoer is 48 kHz en het platform staat tot drie minuten audio per synthese toe.

Phonon 31M is alleen Engels, en de modelkaart van Gradium is er bot over: andere talen worden verkeerd uitgesproken. Het bevat 37 ingebouwde stemmen, met meer in een aparte stemcatalogus en ondersteuning voor aangepaste stemmen in .safetensors-formaat. Het meertalige Phonon 40M-checkpoint bereikt vijf talen, maar vanwege de niet-commerciële licentie valt het bij de meeste productbeslissingen af.

• Talen — alleen Engels voor Phonon 31M; 16 talen plus 20 Chinese dialecten voor Qwen Audio 3.0 TTS.

• Samplefrequentie — 24 kHz mono voor Phonon 31M; 48 kHz voor Qwen Audio 3.0 TTS.

• Spraakbronnen — 37 ingebouwde plus een catalogus met aangepaste stemmen voor Phonon 31M; klonen op basis van referentieaudio voor Qwen Audio 3.0 TTS.

• Maximale spraakuiting — niet gedocumenteerd voor Phonon 31M; tot drie minuten per synthese voor Qwen Audio 3.0 TTS.

Waar het draait — CPU, NPU, browser of telefoon voor Phonon 31M; Alibaba Cloud Model Studio alleen voor Qwen Audio 3.0 TTS.

• Licentie — Apache 2.0 voor Phonon 31M; commerciële API-voorwaarden voor Qwen Audio 3.0 TTS.

Controle: tags en klonen versus een vaste cast

Qwens expressiviteitsverhaal is gebouwd op inline-aansturing. Het model accepteert fijnmazige non-verbale tags — ademhalingen, lachjes, zuchten — en stijlinstructies in natuurlijke taal, zodat een script niet alleen kan specificeren wát er wordt gezegd, maar ook hoe. De berichtgeving rond de lancering benadrukte de verschuiving van 'kan spreken' naar 'kan optreden', en de Plus-tier werd als eerste gerangschikt op de Artificial Analysis Speech Arena met een Elo van 1.237, vóór Gemini 3.1 Flash TTS en ElevenLabs v3. Dat is een onafhankelijk klassement en geen leverancierstabel, hoewel de inzending door Alibaba is ingediend en Elo op een samengestelde arena stijl net zo goed beloont als verstaanbaarheid.

Het bedieningsoppervlak van Phonon is bewust beperkt. Je kiest een stem, je stuurt tekst, je krijgt audio. Er zijn geen emotietags en geen stijlprompt. Voor een interface die korte, voorspelbare uitingen verwerkt — meldingen, navigatie, formulierbevestiging — is dat voldoende, en het ontbreken van een stijllaag is een van de redenen dat het model 31 miljoen parameters heeft in plaats van miljarden. Voor narratie, reclame of personagewerk is het diskwalificerend.

Geen van beide systemen lost het toestemmingsprobleem op. Qwens kloonfunctie accepteert een referentieclip; Phonon accepteert aangepaste spraakbestanden. Beide laten het aan de integrator over om vast te stellen dat de spreker heeft ingestemd.

Wat het kost bij volume

Phonon 31M heeft geen prijs per teken. Je betaalt voor hardware die je al bezit en voor de stroom om een model te draaien dat op één laptopkern 26 tot 41 keer sneller dan realtime genereert. Op kleine schaal is dat praktisch gratis; op grote schaal wordt het een kwestie van batterij- en thermisch budget op mobiel, wat een echte kostenpost is, maar een andere.

Qwen Audio 3.0 TTS Flash rekent in Peking 1 CNY per 10.000 tekens. Tien miljoen tekens per maand is 1.000 CNY, ongeveer US$140 bij een afgeronde zeven yuan per dollar — minder dan de meeste teams aan logging uitgeven. Het getal dat ertoe doet, is niet de maandrekening maar de vorm ervan: kosten schalen mee met gebruik, latentie wordt gehuurd, en het model kan door iemand anders opnieuw geprijsd of uitgefaseerd worden. Dat is de ruil voor 48 kHz en zestien talen.

OrcaRouter host geen van deze twee modellen, en niets hier mag anders suggereren: Phonon draait op je apparaat, en Qwen Audio 3.0 TTS wordt bereikt via Alibaba's eigen API. Waar routing zijn plek verdient, is één laag hoger. De antwoordtekst van een spraakassistent komt meestal van een taalmodel, en dat model is een commodity die je kunt verplaatsen. Eén sleutel dekt meer dan 200 modellen tegen de lijstprijs van de provider met 0% opslag, dus een prijsverlaging of een nieuw goedkoop model is dezelfde dag bruikbaar, en automatische failover houdt de teksthelft van de lus in leven wanneer één provider achteruitgaat. De spraaklaag kan precies blijven waar je hem hebt geplaatst.

Waar elk van hen wint

Kies Phonon 31M wanneer de audio op het apparaat moet worden gegenereerd, wanneer de taal Engels is, wanneer een vaste stemmenset acceptabel is, en wanneer een download van 64 MB en een Apache 2.0-licentie meer waard zijn dan stilistische variatie. Offline assistenten, toegankelijkheidshulpmiddelen, games, kiosken en browserfuncties vormen zijn natuurlijke habitat.

Kies Qwen Audio 3.0 TTS wanneer je talen nodig hebt anders dan Engels, 48 kHz-uitvoer, emotionele expressie, het klonen van stemmen of uitingen die langer zijn dan een zin of twee — en wanneer een netwerkafhankelijkheid acceptabel is. Klantgerichte spraakagenten in meerdere markten, nasynchronisatie en ingesproken content zijn de natuurlijke habitat.

De hybride die de meeste teams uiteindelijk zullen bouwen

De twee systemen sluiten elkaar niet uit, en de interessante architectuur gebruikt beide. Gebruik Phonon 31M als lokale standaard voor korte, voorspelbare Engelse antwoorden — die waarbij latentie voelbaar is. Val terug op Qwen Audio 3.0 TTS wanneer het antwoord lang is, wanneer de gebruiker van taal is gewisseld, of wanneer het apparaat het lokale model niet kan volhouden. De omschakeling is een beleidsbeslissing, geen herschrijving, omdat beide tekst aannemen en audio retourneren.

Wat die architectuur laat werken, is dat de terugvaloptie geen tweederangs ervaring is. Qwens uitvoer van 48 kHz en stijltags zijn op bijna elk vlak beter dan die van Phonon, behalve qua latentie en privacy. De reden om standaard lokaal te gaan is niet kwaliteit; het is dat 7 milliseconden sneller is dan een netwerkroundtrip wanneer de gebruiker wacht.

De release van Gradium is drie dagen oud en de benchmarks worden nog steeds door de leverancier uitgevoerd. Het model van Alibaba is drie maanden oud, heeft een onafhankelijke positie in een arena en is per teken geprijsd. De beslissing tussen beide zal niet worden beslecht door een WER-tabel. Die zal worden beslecht door de vraag of je product een datacenter in de keten kan verdragen.