Phonon kontra Qwen Audio 3.0 TTS: 7 ms na Twoim laptopie albo 200 ms w chmurze

Agent wsparcia kończy zdanie i asystent głosowy musi odpowiedzieć. Na Phonon 31M, 64 MB modelu Gradium działającym na urządzeniu, wydanym 20 października 2026 r., pierwsza próbka audio może dotrzeć około 7 milisekund po tym, jak tekst będzie gotowy, ponieważ nic nie opuszcza urządzenia. Na Qwen Audio 3.0 TTS, hostowanym systemie Alibaby z lipca 2026 r., udokumentowany czas pierwszego pakietu to poniżej 200 milisekund — a ten pomiar rozpoczyna się dopiero po tym, jak Twoje żądanie przemierzy sieć do centrum danych w Pekinie lub Singapurze.

Ta różnica to całe porównanie w pigułce, ale nie cała decyzja. Qwen Audio 3.0 TTS mówi w 16 językach i 20 dialektach chińskich przy 48 kHz, przyjmuje znaczniki emocji i środków pozawerbalnych bezpośrednio w tekście oraz klonuje głos z klipu referencyjnego. Phonon 31M mówi po angielsku przy 24 kHz w 37 stałych głosach i działa na Raspberry Pi. Wybór między nimi to wybór rodzaju budowanego systemu, a nie tego, który model brzmi ładniej w demo.

Czym każdy z nich właściwie jest

Phonon 31M to jeden z checkpointów w rodzinie otwartych wag Gradium. Liczy 31 milionów parametrów (bez tokenizatora audio), jest dostarczany jako plik q8 GGUF o rozmiarze 64,5 MB, generuje dźwięk mono 24 kHz i jest objęty licencją Apache 2.0 — to jedyny checkpoint w rodzinie darmowy do użytku komercyjnego. Towarzyszące mu modele Phonon 40M obsługują pięć języków, ale podlegają licencji CC BY-NC 4.0, więc bez osobnej umowy nie wchodzą w grę w produkcie przeznaczonym do dystrybucji. Środowisko uruchomieniowe jest napisane w Rust, bez PyTorcha podczas wnioskowania, a kompilacje są dostępne dla CPU, Core ML, NPU Snapdragon i WebAssembly.

Qwen Audio 3.0 TTS nie jest modelem do pobrania. Zespół Qwen firmy Alibaba ogłosił go 20 lipca 2026 r. na WAIC w dwóch poziomach API: Flash, dostrojonym do interakcji w czasie rzeczywistym, oraz Plus, dostrojonym pod kątem jakości. Oba są dostępne przez Alibaba Cloud Model Studio. Dokumentacja punktu końcowego Flash podaje opóźnienie pierwszego pakietu poniżej 200 ms, limit 180 żądań na minutę oraz cenę 1 CNY za 10 000 znaków w Pekinie lub 1,12413 CNY w Singapurze. Nie ma wag, lokalnego środowiska uruchomieniowego ani trybu offline.

Różnica opóźnienia nie wynosi 193 milisekundy

Odjęcie 7 od 200 daje liczbę, która — w zależności od tego, co budujesz — zaniża tę lukę i przecenia jej znaczenie. W przypadku interfejsu głosowego z naprzemiennym przejmowaniem tur budżet end-to-end wynosi około 800 ms, zanim rozmowa zacznie wydawać się nieprawidłowa. Wywołanie TTS w chmurze zużywa swoje 200 ms po round tripie sieciowym, który może wynosić 20 ms na dobrym połączeniu przewodowym i 150 ms w sieci komórkowej. Dodaj do tego konfigurację TLS na zimnym połączeniu, buforowanie dźwięku oraz opóźnienie ogonowe, które implikuje limit 180 RPM pod obciążeniem, a doświadczenie p95 jest istotnie gorsze niż sugeruje nagłówek.

Lokalna ścieżka ma inny kształt. Własny README Phonona podaje 5 ms czasu do pierwszego bajtu na jednym rdzeniu MacBooka Air M5 i 9 ms na Neural Engine iPhone'a 16 Pro. Nie ma ogona opóźnień sieciowych, limitu szybkości ani dostawcy, któremu przytrafia się zły dzień. To, z czego rezygnujesz, to elastyczność: telefon z throttlingiem termicznym uruchamia Phonon wolniej, a karta przeglądarki rywalizująca z rozmową wideo otrzymuje mniej CPU. Dane producenta dla Raspberry Pi 5 — 68 ms i 2,3 raza szybciej niż w czasie rzeczywistym w README, 38 ms i 3,7 raza w blogu wydania — pokazują, jak nisko może spaść ta dolna granica na słabym sprzęcie.

To także miejsce, w którym liczby wymagają zastrzeżenia. Blog Gradium ogłaszający wydanie oraz README jego środowiska uruchomieniowego różnią się w kwestii przepustowości ponad dwukrotnie dla tego samego urządzenia, a żadnej z tych wartości nie odtworzono niezależnie. Wartość 7 ms należy traktować jako rząd wielkości, a nie specyfikację.

Języki i głosy: różnorodność kontra stała obsada

Qwen Audio 3.0 TTS obsługuje 16 języków, w tym japoński, koreański, arabski, wietnamski, malajski i filipiński, a także 20 dialektów chińskich. Umożliwia klonowanie głosu na podstawie audio referencyjnego i może generować mowę w innym języku niż ten z klipu referencyjnego — to właśnie ta funkcja sprawia, że procesy lokalizacyjne stają się interesujące. Wyjście ma 48 kHz, a platforma pozwala na maksymalnie trzy minuty dźwięku na jedną syntezę.

Phonon 31M obsługuje wyłącznie język angielski, a karta modelu Gradium mówi o tym bez ogródek: inne języki są wymawiane niepoprawnie. Zawiera 37 wbudowanych głosów, a kolejne znajdują się w osobnym katalogu głosów; obsługuje też głosy niestandardowe w formacie .safetensors. Wielojęzyczny checkpoint Phonon 40M obejmuje pięć języków, ale jego licencja niekomercyjna wyklucza go z większości decyzji produktowych.

• Języki — tylko angielski dla Phonon 31M; 16 języków plus 20 dialektów chińskich dla Qwen Audio 3.0 TTS.

• Częstotliwość próbkowania — 24 kHz mono dla Phonon 31M; 48 kHz dla Qwen Audio 3.0 TTS.

• Źródła głosu — 37 wbudowanych oraz katalog głosów niestandardowych dla Phonon 31M; klonowanie na podstawie audio referencyjnego dla Qwen Audio 3.0 TTS.

• Maksymalna długość wypowiedzi — brak dokumentacji dla Phonon 31M; do trzech minut na syntezę w przypadku Qwen Audio 3.0 TTS.

• Gdzie działa — CPU, NPU, przeglądarka lub telefon dla Phonon 31M; Alibaba Cloud Model Studio tylko dla Qwen Audio 3.0 TTS.

• Licencja — Apache 2.0 dla Phonon 31M; komercyjne warunki API dla Qwen Audio 3.0 TTS.

Kontrola: tagi i klonowanie kontra stała obsada

Historia ekspresyjności Qwen opiera się na sterowaniu wbudowanym w tekst. Model przyjmuje precyzyjne znaczniki niewerbalne — oddechy, śmiech, westchnienia — oraz instrukcje stylistyczne w języku naturalnym, dzięki czemu scenariusz może określać nie tylko, co jest mówione, lecz także jak. Materiały z premiery podkreślały przejście od „potrafi mówić” do „potrafi wystąpić”, a wersję Plus uplasowano na pierwszym miejscu w Artificial Analysis Speech Arena z Elo 1 237, przed Gemini 3.1 Flash TTS i ElevenLabs v3. To niezależny ranking, a nie tabela dostawcy, choć zgłoszenie złożył Alibaba, a Elo na wyselekcjonowanej arenie nagradza styl w równym stopniu co zrozumiałość.

Interfejs sterujący Phonon jest celowo wąski. Wybierasz głos, wysyłasz tekst, otrzymujesz dźwięk. Nie ma tagów emocji ani promptu stylu. W przypadku interfejsu, który odczytuje krótkie, przewidywalne wypowiedzi — powiadomienia, nawigację, potwierdzenia formularzy — to wystarcza, a brak warstwy stylu jest jednym z powodów, dla których model ma 31 milionów parametrów, a nie miliardy. W narracji, reklamie lub pracy z postaciami jest to dyskwalifikujące.

Żaden z systemów nie rozwiązuje problemu zgody. Klonowanie Qwena przyjmuje klip referencyjny; Phonon przyjmuje niestandardowe pliki głosowe. Oba pozostawiają integratorowi ustalenie, że mówca wyraził zgodę.

Ile to kosztuje przy dużym wolumenie

Phonon 31M nie ma ceny za znak. Płacisz za sprzęt, który już posiadasz, oraz za prąd do uruchomienia modelu, który generuje od 26 do 41 razy szybciej niż w czasie rzeczywistym na jednym rdzeniu laptopa. W małej skali jest to praktycznie darmowe; w dużej skali staje się budżetem na baterię i gospodarkę termiczną urządzenia mobilnego, co jest realnym kosztem, ale innym.

Qwen Audio 3.0 TTS Flash kosztuje 1 CNY za 10 000 znaków w Pekinie. Dziesięć milionów znaków miesięcznie to 1 000 CNY, czyli około 140 USD przy zaokrąglonym kursie siedmiu juanów za dolara — mniej, niż większość zespołów wydaje na logowanie. Liczbą, która ma znaczenie, nie jest miesięczny rachunek, lecz jego struktura: koszt skaluje się wraz z użyciem, opóźnienie jest wynajmowane, a model może zostać ponownie wyceniony lub wycofany przez kogoś innego. To jest kompromis w zamian za 48 kHz i szesnaście języków.

OrcaRouter nie hostuje żadnego z tych modeli i nic w tym tekście nie powinno sugerować inaczej: Phonon działa na Twoim urządzeniu, a Qwen Audio 3.0 TTS jest dostępny przez własne API Alibaby. Routing zasługuje na swoje miejsce o jedną warstwę wyżej. Tekst odpowiedzi asystenta głosowego zwykle pochodzi z modelu językowego, a ten model to towar, który możesz przenieść. Jeden klucz obejmuje ponad 200 modeli w cenie katalogowej dostawcy z 0% marży, więc obniżka ceny lub nowy tani model są dostępne tego samego dnia, a automatyczne przełączanie awaryjne utrzymuje tekstową połowę pętli przy życiu, gdy jeden dostawca ulegnie degradacji. Warstwa mowy może pozostać dokładnie tam, gdzie ją umieścisz.

W czym każdy wygrywa

Wybierz Phonon 31M, gdy dźwięk musi być generowany na urządzeniu, gdy językiem jest angielski, gdy stały zestaw głosów jest akceptowalny oraz gdy pobranie 64 MB i licencja Apache 2.0 są warte więcej niż różnorodność stylistyczna. Asystenci offline, narzędzia dostępności, gry, kioski i funkcje przeglądarki to jego naturalne środowisko.

Wybierz Qwen Audio 3.0 TTS, gdy potrzebujesz języków innych niż angielski, wyjścia audio 48 kHz, ekspresji emocjonalnej, klonowania głosu lub wypowiedzi dłuższych niż zdanie albo dwa — oraz gdy akceptowalna jest zależność od sieci. Jego naturalne środowisko to głosowi agenci obsługujący klientów na wielu rynkach, dubbing i treści narracyjne.

Hybryda, którą większość zespołów ostatecznie zbuduje

Oba systemy nie wykluczają się wzajemnie, a ciekawa architektura wykorzystuje oba. Uruchamiaj Phonon 31M jako lokalne rozwiązanie domyślne dla krótkich, przewidywalnych odpowiedzi w języku angielskim — tych, w których opóźnienie jest odczuwalne. Przechodź na Qwen Audio 3.0 TTS, gdy odpowiedź jest długa, gdy użytkownik zmienił język lub gdy urządzenie nie jest w stanie utrzymać lokalnego modelu. Przełączenie to decyzja polityki, a nie przepisanie, ponieważ oba przyjmują tekst i zwracają dźwięk.

To, co sprawia, że ta architektura działa, to fakt, że rozwiązanie awaryjne nie jest doświadczeniem drugiej kategorii. Wyjście 48 kHz i tagi stylu Qwena są lepsze niż u Phonona pod niemal każdym względem poza opóźnieniem i prywatnością. Powodem, by domyślnie wybierać tryb lokalny, nie jest jakość; chodzi o to, że 7 milisekund wygrywa z rundą przez sieć, gdy użytkownik czeka.

Premiera Gradium ma trzy dni, a jego benchmarki wciąż są przeprowadzane przez dostawcę. Model Alibaby ma trzy miesiące, ma niezależną pozycję w rankingu arena i jest rozliczany za znak. O wyborze między nimi nie zdecyduje tabela WER. Zdecyduje o tym, czy Twój produkt może tolerować centrum danych w pętli.