Phonon kontra VoxCPM2: co faktycznie daje 64× więcej parametrów w TTS

VoxCPM2 to model mowy o 2 miliardach parametrów od OpenBMB, wydany w kwietniu 2026 r., który obsługuje 30 języków przy 48 kHz i potrafi stworzyć głos na podstawie opisu tekstowego. Phonon 31M to model o 31 milionach parametrów od Gradium, wydany 20 października 2026 r., który mówi po angielsku przy 24 kHz w 37 stałych głosach i mieści się w 64,5 MB. Stosunek liczby parametrów wynosi około 64 do 1, a zaskakujące nie jest to, że większy model robi więcej. Zaskakujące jest to, że w przypadku jedynego wskaźnika publikowanego przez obu dostawców — współczynnika błędów słów dla języka angielskiego na Seed-TTS — mniejszy model deklaruje lepszy wynik.

To twierdzenie prawie na pewno nie jest uczciwym porównaniem, a zrozumienie, dlaczego tak jest, mówi więcej o stanie otwartego TTS niż wpis premierowy któregokolwiek z tych modeli. VoxCPM2 i Phonon 31M są dostępne na licencji Apache 2.0, oba można pobrać i oba są skierowane do zespołów, które chcą syntezy mowy bez opłaty za każdy znak. Są jednak przeznaczone dla zupełnie innego sprzętu.

Dwie różne prace noszące tę samą etykietę

VoxCPM2 to uniwersalny wielojęzyczny generator mowy. Nie wymaga tokenizatora i działa w trybie dyfuzyjno-autoregresyjnym, operując w przestrzeni utajonej AudioVAE V2 poprzez cztery etapy, które autorzy nazywają LocEnc, TSLM, RALM i LocDiT, na bazie MiniCPM-4. Obsługuje projektowanie głosu na podstawie opisu w języku naturalnym, kontrolowane klonowanie z krótkiego odcinka referencyjnego oraz klonowanie w stylu kontynuacji, wykorzystujące zarówno klip referencyjny, jak i jego transkrypcję. Generuje dźwięk o częstotliwości 48 kHz i akceptuje referencyjny dźwięk o częstotliwości 16 kHz.

Phonon 31M to jednojęzyczny syntezator o jednym zastosowaniu. Jest to transformer z dopasowaniem przepływu (flow matching) działający na latentach Mimi, przetwarzający po jednej ramce 80 milisekund, dekodowany do mono 24 kHz. Nie oferuje projektowania głosu, klonowania z klipu referencyjnego w udokumentowanym API ani wykrywania języka. Ma katalog głosów, pole tekstowe oraz środowisko uruchomieniowe, które startuje w jednocyfrowej liczbie milisekund.

Nazywanie obu „otwartym TTS” jest trafne i bezużyteczne. Jedno to platforma badawcza ds. mowy; drugie to komponent wbudowany.

Gdzie trafia 64×

Budżet parametrów zapewnia cztery rzeczy, a wszystkie cztery widać w specyfikacji, a nie w teście odsłuchowym.

• Języki — 30 plus dziewięć dialektów chińskich dla VoxCPM2; tylko angielski dla Phonon 31M.

• Częstotliwość wyjściowa — 48 kHz natywnie dla VoxCPM2; 24 kHz mono dla Phonon 31M.

• Tworzenie głosów — projektowanie głosu na podstawie opisu i trzy tryby klonowania dla VoxCPM2; 37 wbudowanych głosów oraz katalog głosów niestandardowych dla Phonon 31M.

• Minimalne wymagania sprzętowe — około 8 GB VRAM na karcie RTX 4090 dla VoxCPM2; 64,5 MB i jeden rdzeń CPU dla Phonon 31M.

• Szybkość — współczynnik czasu rzeczywistego około 0,30 na RTX 4090 dla VoxCPM2 lub 0,13 z Nano-vLLM; od 26 do 41 razy szybciej niż czas rzeczywisty na rdzeniu laptopa dla Phonon 31M, według README Gradium.

• Licencja — Apache 2.0 dla obu.

Porównanie WER nie jest porównaniem.

Raport techniczny VoxCPM2 podaje WER dla języka angielskiego na poziomie 1,84 w Seed-TTS-eval, przy podobieństwie mówcy wynoszącym 75,3. Karta modelu Phonon podaje 0,51 w Seed-TTS dla Phonon 31M. Czytane obok siebie, wygląda to na pogrom: model 31M bije model 2B pod względem zrozumiałości trzykrotnie.

Nie jest. Te dwie liczby pochodzą z różnych środowisk testowych, prawdopodobnie różnych zestawów referencyjnych i niemal na pewno różnych modeli transkrypcji użytych do oceny wyników. Opublikowana metodologia Gradium dotycząca jego wcześniejszej ewaluacji wykorzystywała angielską część Seed-TTS — 1008 wypowiedzi — transkrybowaną za pomocą whisper-large-v3 i ocenianą za pomocą odległości edycyjnej. Raport techniczny OpenBMB nie wykorzystuje identycznego potoku w liczbach ujawnionych na jego stronie modelu. Żaden z dostawców nie przepuścił checkpointu drugiego przez własne środowisko testowe i żadna strona trzecia nie opublikowała bezpośredniego porównania.

To, co liczby rzeczywiście potwierdzają, to słabsze, ale wciąż użyteczne twierdzenie: oba modele mieszczą się w zakresie niskich jednocyfrowych wartości WER na standardowych angielskich zestawach testowych, co oznacza, że oba są wystarczająco zrozumiałe do produkcyjnego czytania na głos. Twierdzenie, że 31 mln parametrów nie może generować czystej angielszczyzny, jest po prostu fałszywe w 2026 roku. Twierdzenie, że 31 mln parametrów może dorównać modelowi 2B w 30 językach, również jest fałszywe, i żaden z dostawców tego nie twierdzi.

Istnieje drugi powód, by nie ufać nagłówkowi: dokumenty samego Gradium są ze sobą sprzeczne. Blog wydania podaje dla Phonon 31M sztywno ustaloną wartość WER na poziomie 1,70%, karta modelu podaje 1,5%, a README środowiska uruchomieniowego nie podaje żadnej wartości WER. Gdy trzy dokumenty dostawcy różnią się o 13% w przypadku tego samego wskaźnika, właściwą reakcją jest traktowanie tej liczby jako zakresu.

To sprzętowe minimum jest prawdziwą decyzją

VoxCPM2 potrzebuje GPU. Konfiguracja referencyjna to około 8 GB VRAM, a model działa z prędkością około jednej trzeciej czasu rzeczywistego na RTX 4090 bez zoptymalizowanego stosu serwowania. Na Apple M4 Pro z kwantyzacją Q8_0 współczynnik czasu rzeczywistego wynosi około 1,76, co oznacza, że wygenerowanie jednej sekundy dźwięku wymaga 1,76 sekundy obliczeń — wolniej niż w czasie rzeczywistym i niepraktyczne w przypadku rozmowy na żywo na tym sprzęcie. W przypadku Nano-VLLM współczynnik spada do około 0,13, co jest szybkie, ale to stos serwowania z własnymi kosztami operacyjnymi.

Dolny próg Phonon 31M to jeden rdzeń CPU. README Gradium podaje 26-krotność czasu rzeczywistego na jednym rdzeniu MacBooka Air M5, 22-krotność na silniku neuronowym iPhone’a 16 Pro i 2,3-krotność na Raspberry Pi 5. Liczby w blogu wydania są inne — 11,6 razy na jednym rdzeniu, 3,7 razy na Pi — ale każda wersja tej liczby opisuje urządzenie, które mieści się w dłoni.

To nie jest argument o jakości. Render VoxCPM2 w 48 kHz przez GPU będzie brzmiał lepiej niż render Phonon w 24 kHz i powinien. Pytanie brzmi, czy Twój produkt może sobie pozwolić na GPU na każdy równoczesny strumień. W przypadku serwerowego pipeline'u dubbingu — tak. W przypadku aplikacji na telefon, która musi działać w samolocie — nie.

Projektowanie głosu a stała obsada

Najbardziej wyróżniającą cechą VoxCPM2 jest projektowanie głosu: opis w nawiasie w prompcie tekstowym tworzy głos całkowicie bez żadnego audio referencyjnego. Dodaj do tego kontrolowane klonowanie, w którym krótki klip ustala barwę, a instrukcja stylu sposób mówienia, a otrzymujesz system do tworzenia obsady postaci, a nie tylko czytania scenariusza.

Phonon nie ma nic z tego. Jego 37 angielskich głosów to stały zestaw, a niestandardowe głosy wymagają .safetensors pliku, a nie zdania opisu. To celowe uproszczenie: katalog głosów jest łatwiejszy do audytu, łatwiejszy do licencjonowania i nie da się go podpowiedzią skłonić, by mówił głosem celebryty. W przypadku wdrożeń wrażliwych na zgodność ograniczenie to zaleta. W pracy twórczej jest to bariera.

Oba są na licencji Apache 2.0, co zmienia kalkulację.

To jest część, która sprawia, że porównanie wypada czyściej niż w przypadku innych zestawień Phonona. VoxCPM2 ma licencję Apache 2.0 zarówno na kod, jak i na wagi. Phonon 31M ma Apache 2.0 na wagi, a środowisko wykonawcze jest objęte licencją MIT lub Apache-2.0. W przeciwieństwie do checkpointów Gradium 40M, które są objęte CC BY-NC 4.0 i bez porozumienia nie nadają się do produktów komercyjnych, oba te rozwiązania można wprowadzać na rynek.

Warto powtórzyć różnicę w licencjonowaniu w obrębie samej rodziny Gradium, bo łatwo ją przeoczyć: model, który brzmi najlepiej — Phonon 40M, z wynikiem Elo 2 117 wobec 2 098 dla 31M — to ten, którego nie można używać komercyjnie. Model na licencji Apache 2.0 jest mniejszy i obsługuje wyłącznie język angielski.

W czym każdy wygrywa

Wybierz VoxCPM2, gdy potrzebujesz języków innych niż angielski, danych wyjściowych 48 kHz, projektowania głosu, klonowania lub narracji długoformatowej, a także gdy GPU jest już częścią wdrożenia. To również lepszy wybór do badań nad wielojęzycznym TTS, ponieważ checkpoint, raport techniczny i zestaw ewaluacyjny są publicznie dostępne.

Wybierz Phonon 31M, gdy dźwięk musi być generowany na urządzeniu, gdy wystarczy język angielski, gdy zestaw głosów może być stały, a pobranie 64 MB to różnica między wydaniem produktu a jego niewydaniem. Gry, narzędzia dostępności, kioski, funkcje przeglądarki i asystenci offline to jego domena. Model 2B nie może mu tam dorównać — i nie próbuje.

OrcaRouter nie hostuje żadnego z tych modeli — VoxCPM2 jest udostępniany przez vLLM-Omni lub lokalne środowisko uruchomieniowe, a Phonon działa na Twoim sprzęcie. Warstwa routingu ma znaczenie o jeden poziom wyżej w stosie, tam gdzie generowany jest skrypt głosu: ponad 200 modeli językowych za jednym kluczem, cena katalogowa dostawcy przekazywana przy 0% marży, oraz automatyczne przełączanie awaryjne, gdy dostawca zawodzi. TTS pozostaje tam, gdzie jego miejsce; generowanie tekstu może się przenieść.

Co powinien rozstrzygnąć następny benchmark

Brakujący eksperyment jest oczywisty i nikt go nie przeprowadził: oba checkpointy, jeden zbiór testowy, jeden model transkrypcji, jeden scorer, opublikowane razem z audio. Dopóki taki eksperyment nie istnieje, uczciwe stanowisko jest takie, że VoxCPM2 to system o większych możliwościach, a Phonon 31M to ten łatwiejszy do wdrożenia, zaś porównanie WER 0,51 wobec 1,84 to zbieg okoliczności metodyki, a nie wynik.

To, co nie budzi wątpliwości, to kierunek rozwoju. Model angielski o rozmiarze 64 MB w październiku 2026 r. jest wiarygodny w produkcyjnych zastosowaniach odczytu na głos w sposób, w jaki model 64 MB nie byłby na początku 2025 r. Interesującym pytaniem na kolejny cykl wydawniczy nie jest to, czy mały model może dorównać dużemu w języku angielskim. Chodzi o to, czy mały model może przyswoić drugi język bez podwojenia rozmiaru. Wielojęzyczny checkpoint Gradium 40M to pierwsza próba, a jego licencja niekomercyjna sugeruje, że firma nie zdecydowała jeszcze, jak go sprzedawać.