Phonon vs VoxCPM2: wat 64× meer parameters echt oplevert in TTS

VoxCPM2 is een spraakmodel met 2 miljard parameters van OpenBMB, uitgebracht in april 2026, dat 30 talen spreekt op 48 kHz en een stem kan verzinnen op basis van een geschreven beschrijving. Phonon 31M is een model met 31 miljoen parameters van Gradium, uitgebracht op 20 oktober 2026, dat Engels spreekt op 24 kHz in 37 vaste stemmen en in 64,5 MB past. De parameterverhouding is ongeveer 64 tegen 1, en het verrassende deel is niet dat het grotere model meer doet. Het is dat het kleinere model op het enige cijfer dat beide leveranciers publiceren — het woordfoutenpercentage voor Engels op Seed-TTS — aanspraak maakt op de betere score.

Die bewering is vrijwel zeker geen eerlijke vergelijking, en als je begrijpt waarom, zegt dat meer over de stand van zaken rond open TTS dan de lanceringspost van een van beide modellen. VoxCPM2 en Phonon 31M zijn beide Apache 2.0, beide downloadbaar en beide gericht op teams die spraak willen zonder een factuur per teken. Ze zijn gericht op volledig verschillende hardware.

Twee verschillende banen met hetzelfde label

VoxCPM2 is een algemene meertalige spraakgenerator. Het is tokenizer-vrij en diffusie-autoregressief en werkt in de latente ruimte van AudioVAE V2 via vier fasen die de auteurs LocEnc, TSLM, RALM en LocDiT noemen, op een MiniCPM-4-backbone. Het ondersteunt stemontwerp op basis van een beschrijving in natuurlijke taal, controleerbaar klonen op basis van een korte referentie, en klonen in voortzettingsstijl waarbij zowel een referentieclip als het transcript daarvan wordt gebruikt. Het levert audio van 48 kHz en accepteert referentieaudio van 16 kHz.

Phonon 31M is een eentalige synthesizer met één doel. Het is een flow-matching-transformer over Mimi-latenten, telkens frames van 80 milliseconden, gedecodeerd naar 24 kHz mono. Er is geen stemontwerp, geen cloning op basis van een referentieclip in de gedocumenteerde API en geen taaldetectie. Het heeft een stemcatalogus, een tekstinvoer en een runtime die binnen minder dan 10 milliseconden opstart.

Ze beide "open TTS" noemen is accuraat en niet behulpzaam. Het ene is een platform voor spraakonderzoek; het andere is een embedded component.

Waar de 64× naartoe gaat

Het parameterbudget levert vier dingen op, en alle vier zijn ze zichtbaar op het specificatieblad in plaats van in de luistertest.

• Talen — 30 plus negen Chinese dialecten voor VoxCPM2; alleen Engels voor Phonon 31M.

• Uitvoersnelheid — 48 kHz native voor VoxCPM2; 24 kHz mono voor Phonon 31M.

• Stemcreatie — op beschrijving gebaseerd stemontwerp en drie kloonmodi voor VoxCPM2; 37 ingebouwde stemmen plus een catalogus met aangepaste stemmen voor Phonon 31M.

• Hardwareminimum — ongeveer 8 GB VRAM op een RTX 4090 voor VoxCPM2; 64,5 MB en één CPU-kern voor Phonon 31M.

• Snelheid — ruwweg een realtimefactor van 0,30 op een RTX 4090 voor VoxCPM2, of 0,13 met Nano-vLLM; 26 tot 41 keer sneller dan realtime op één laptopkern voor Phonon 31M, volgens de README van Gradium.

• Licentie — Apache 2.0 voor beide.

De WER-vergelijking is geen vergelijking.

Het technisch rapport van VoxCPM2 vermeldt een Engelse WER van 1,84 op Seed-TTS-eval, met een sprekergelijkenis van 75,3. De modelkaart van Phonon vermeldt 0,51 op Seed-TTS voor Phonon 31M. Naast elkaar gelezen ziet dat eruit als een verpletterende nederlaag: een model van 31M dat een model van 2B op verstaanbaarheid verslaat met een factor drie.

Dat is niet zo. De twee getallen komen uit verschillende harnesses, waarschijnlijk verschillende referentiesets en vrijwel zeker verschillende transcriptiemodellen die zijn gebruikt om de uitvoer te scoren. De gepubliceerde methodologie van Gradium voor zijn eerdere evaluatie gebruikte het Engelse deel van Seed-TTS — 1.008 uitingen — getranscribeerd met whisper-large-v3 en gescoord met edit distance. Het technische rapport van OpenBMB gebruikt niet de identieke pijplijn in de cijfers die op zijn modelpagina naar voren komen. Geen van beide leveranciers heeft de checkpoint van de ander door zijn eigen harness gehaald, en geen enkele derde partij heeft een head-to-head gepubliceerd.

Wat de cijfers wel ondersteunen, is een zwakkere maar nog steeds nuttige bewering: beide modellen zitten in het lage ééncijferige WER-bereik op standaard Engelse testsets, wat wil zeggen dat beide verstaanbaar genoeg zijn voor productiewerk waarbij hardop wordt voorgelezen. Het idee dat 31M parameters geen schoon Engels kunnen produceren, is in 2026 simpelweg onjuist. Het idee dat 31M parameters een 2B-model kunnen evenaren over 30 talen is ook onjuist, en geen van beide leveranciers beweert dat.

Er is een tweede reden om de kop te wantrouwen: Gradium's eigen documenten zijn het onderling oneens. De releaseblog geeft Phonon 31M een vastgestelde WER van 1,70%, de modelkaart geeft 1,5%, en de runtime-README publiceert helemaal geen WER. Wanneer de drie documenten van een leverancier 13% van elkaar verschillen op dezelfde metriek, is de juiste reactie om het cijfer als een bereik te behandelen.

De hardwareondergrens is de echte beslissing

VoxCPM2 heeft een GPU nodig. De referentieconfiguratie vereist ongeveer 8 GB VRAM, en het model draait op ongeveer een derde van realtime op een RTX 4090 zonder geoptimaliseerde serving-stack. Op een Apple M4 Pro met Q8_0-quantisatie is de realtimefactor ongeveer 1,76, wat betekent dat het 1,76 seconde rekenwerk kost om één seconde audio te produceren — langzamer dan realtime, en niet levensvatbaar voor livegesprekken op die hardware. Met Nano-VLLM daalt de factor naar ongeveer 0,13, wat snel is, maar dat is een serving-stack met zijn eigen operationele kosten.

De ondergrens van Phonon 31M is één CPU-core. In de README van Gradium staat 26 keer realtime op één core van een MacBook Air M5, 22 keer op de Neural Engine van een iPhone 16 Pro en 2,3 keer op een Raspberry Pi 5. De cijfers in de releaseblog zijn anders — 11,6 keer op één core, 3,7 keer op de Pi — maar elke versie van het getal beschrijft een apparaat dat in een hand past.

Dit is geen argument over kwaliteit. Een 48 kHz VoxCPM2-render via een GPU klinkt beter dan een 24 kHz Phonon-render, en dat zou ook moeten. De vraag is of je product zich een GPU per gelijktijdige stream kan veroorloven. Voor een dubbingpipeline aan serverzijde wel. Voor een telefoonapp die in een vliegtuig moet werken, niet.

Stemontwerp versus een vaste cast

Het meest onderscheidende kenmerk van VoxCPM2 is stemontwerp: een beschrijving tussen haakjes in de tekstprompt levert een stem op zonder enige referentie-audio. Voeg daarbij controleerbare cloning toe, waarbij een korte clip het timbre bepaalt en een stijlinstructie de voordracht, en je hebt een systeem om een cast van personages te produceren in plaats van een script voor te lezen.

Phonon heeft niets daarvan. De 37 Engelse stemmen zijn een vaste set, en aangepaste stemmen vereisen een bestand met de extensie .safetensors in plaats van een beschrijvende zin. Dat is een bewuste vereenvoudiging: een stemcatalogus is gemakkelijker te controleren, gemakkelijker te licentiëren en het is onmogelijk om hem met een prompt iets in de stem van een beroemdheid te laten zeggen. Voor compliancegevoelige implementaties is die beperking een functie. Voor creatief werk is het een muur.

Beide zijn Apache 2.0, wat de afweging verandert

Dit is het deel dat de vergelijking schoner maakt dan de andere vergelijkingen van Phonon. VoxCPM2 is Apache 2.0 voor code en gewichten. Phonon 31M is Apache 2.0 voor gewichten, met de runtime onder MIT of Apache-2.0. Anders dan de 40M-checkpoints van Gradium, die CC BY-NC 4.0 zijn en zonder overeenkomst niet bruikbaar in commerciële producten, kunnen beide worden uitgeleverd.

Het licentieverschil binnen Gradium's eigen familie is het herhalen waard, omdat het gemakkelijk over het hoofd wordt gezien: het model dat het beste klinkt — Phonon 40M, met een Elo van 2.117 tegen 2.098 voor de 31M — is degene die je niet commercieel kunt gebruiken. Het Apache 2.0-model is het kleinere, alleen Engelstalige model.

Waar elk van hen wint

Kies VoxCPM2 wanneer je talen buiten het Engels nodig hebt, 48kHz-uitvoer, stemontwerp, klonen of langvormige narratie, en wanneer een GPU al deel uitmaakt van de deployment. Het is ook de betere keuze voor onderzoek naar meertalige TTS, omdat de checkpoint, het technische rapport en de evaluatieset allemaal openbaar zijn.

Kies Phonon 31M wanneer de audio op het apparaat moet worden gegenereerd, wanneer Engels volstaat, wanneer de stemmenset vast kan liggen, en wanneer een download van 64 MB het verschil maakt tussen wel en niet uitbrengen. Games, toegankelijkheidshulpmiddelen, kiosken, browserfuncties en offline assistenten vormen zijn domein. Een 2B-model kan het daar niet volgen, en dat probeert het ook niet.

OrcaRouter host geen van beide modellen — VoxCPM2 wordt aangeboden via vLLM-Omni of een lokale runtime, en Phonon draait op je hardware. De routeringslaag is relevant één stap hoger in de stack, waar het script voor de stem wordt gegenereerd: meer dan 200 taalmodellen achter één sleutel, de lijstprijs van de provider doorgegeven tegen 0% markup, en automatische failover wanneer een provider uitvalt. De TTS blijft waar die thuishoort; de tekstgeneratie kan worden verplaatst.

Wat de volgende benchmark moet uitwijzen

Het ontbrekende experiment is voor de hand liggend en niemand heeft het uitgevoerd: beide checkpoints, één testset, één transcriptiemodel, één scorer, samen met de audio gepubliceerd. Totdat dat bestaat, is de eerlijke positie dat VoxCPM2 het capabelere systeem is en Phonon 31M het beter inzetbare, en dat de WER-vergelijking van 0,51 tegen 1,84 een toeval van de methodologie is in plaats van een resultaat.

Wat niet ter discussie staat, is de richting van de ontwikkeling. Een Engels model van 64 MB is in oktober 2026 geloofwaardig voor productie-voorleeswerk, op een manier waarop een model van 64 MB dat begin 2025 niet zou zijn geweest. De interessante vraag voor de volgende releasecyclus is niet of een klein model op Engels een groot model kan evenaren. Het is of het kleine model een tweede taal kan oppikken zonder twee keer zo groot te worden. Gradium's 40M meertalige checkpoint is een eerste poging, en de niet-commerciële licentie ervan suggereert dat het bedrijf nog niet heeft besloten hoe het die wil verkopen.