Phonon vs Qwen Audio 3.0 TTS: 7 ms no seu laptop ou 200 ms na nuvem

Um agente de suporte termina uma frase e o assistente de voz precisa responder. No Phonon 31M, modelo local de 64 MB da Gradium lançado em 20 de outubro de 2026, a primeira amostra de áudio pode chegar cerca de 7 milissegundos depois que o texto estiver pronto, porque nada sai da máquina. No Qwen Audio 3.0 TTS, sistema hospedado da Alibaba de julho de 2026, o primeiro pacote está documentado em menos de 200 milissegundos — e esse número começa depois que sua solicitação atravessou a rede até um data center em Pequim ou Singapura.

Essa diferença é toda a comparação em miniatura, mas não é toda a decisão. O Qwen Audio 3.0 TTS fala 16 idiomas e 20 dialetos chineses a 48 kHz, aceita tags de emoção e não verbais embutidas e clona uma voz a partir de um clipe de referência. O Phonon 31M fala inglês a 24 kHz em 37 vozes fixas e roda em um Raspberry Pi. Escolher entre eles é escolher que tipo de sistema você está construindo, não qual modelo soa mais agradável em uma demonstração.

O que cada um realmente é

Phonon 31M é um checkpoint da família de pesos abertos da Gradium. Ele tem 31 milhões de parâmetros, excluindo o tokenizador de áudio, é distribuído como um GGUF q8 de 64,5 MB, gera saída mono em 24 kHz e é licenciado sob Apache 2.0 — o único checkpoint da família livre para uso comercial. Os modelos complementares Phonon 40M cobrem cinco idiomas, mas estão sob CC BY-NC 4.0, portanto não são uma opção para um produto comercializado sem um acordo separado. O runtime é em Rust, sem PyTorch na inferência, e há builds para CPU, Core ML, NPUs Snapdragon e WebAssembly.

O Qwen Audio 3.0 TTS não é um modelo que possa ser baixado. A equipe Qwen da Alibaba anunciou-o em 20 de julho de 2026 na WAIC, em dois níveis de API: Flash, ajustado para interação em tempo real, e Plus, ajustado para qualidade. Ambos são acessados por meio do Alibaba Cloud Model Studio. A documentação do endpoint Flash indica uma latência de primeiro pacote inferior a 200 ms, um limite de taxa de 180 solicitações por minuto e um preço de 1 CNY por 10.000 caracteres em Pequim, ou 1,12413 CNY em Singapura. Não há pesos, nem runtime local, nem modo offline.

A diferença de latência não é 193 milissegundos

Subtrair 7 de 200 dá um número que subestima a diferença e superestima sua importância, dependendo do que você está construindo. Para uma interface de voz com tomada de turno, o orçamento de ponta a ponta é de aproximadamente 800 ms antes que a conversa comece a parecer errada. Uma chamada de TTS na nuvem gasta seus 200 ms após uma ida e volta de rede que pode ser de 20 ms em uma boa conexão com fio e 150 ms em celular. Some a isso a configuração de TLS em uma conexão a frio, o buffering de áudio e a latência de cauda que um limite de 180 RPM implica sob carga, e a experiência p95 é materialmente pior do que o número anunciado.

O caminho local tem um formato diferente. O próprio README do Phonon lista 5 ms de tempo até o primeiro byte em um núcleo de um MacBook Air M5 e 9 ms no Neural Engine de um iPhone 16 Pro. Não há cauda de rede, nem limite de taxa, nem um provedor tendo um dia ruim. O que você abre mão é da elasticidade: um telefone com throttling térmico roda o Phonon mais devagar, e uma aba do navegador competindo com uma videochamada recebe menos CPU. Os números do Raspberry Pi 5 do fornecedor — 68 ms e 2,3 vezes o tempo real no README, 38 ms e 3,7 vezes no blog de lançamento — mostram o quão baixo esse piso pode cair em hardware fraco.

É também aqui que os números merecem uma ressalva. O blog de lançamento da Gradium e o README do runtime dela divergem em mais de um fator de dois na vazão para o mesmo dispositivo, e nenhum dos dois foi reproduzido de forma independente. Trate 7 ms como ordem de grandeza, não como especificação.

Idiomas e vozes: abrangência versus um elenco fixo

O Qwen Audio 3.0 TTS cobre 16 idiomas, incluindo japonês, coreano, árabe, vietnamita, malaio e filipino, além de 20 dialetos chineses. Ele oferece clonagem de voz a partir de áudio de referência e pode gerar uma saída em um idioma diferente do presente no clipe de referência, que é o recurso que torna os pipelines de localização interessantes. A saída é de 48 kHz, e a plataforma permite até três minutos de áudio por síntese.

O Phonon 31M é apenas em inglês, e o cartão de modelo da Gradium é direto sobre isso: outros idiomas são pronunciados incorretamente. Ele traz 37 vozes integradas, com mais em um catálogo de vozes separado e suporte a vozes personalizadas no formato .safetensorsO checkpoint multilíngue Phonon 40M alcança cinco idiomas, mas sua licença não comercial o exclui da maioria das decisões de produto.

• Idiomas — apenas inglês para o Phonon 31M; 16 idiomas mais 20 dialetos chineses para o Qwen Audio 3.0 TTS.

• Taxa de amostragem — 24 kHz mono para o Phonon 31M; 48 kHz para o Qwen Audio 3.0 TTS.

• Fontes de voz — 37 integradas, além de um catálogo de vozes personalizadas para o Phonon 31M; clonagem por áudio de referência para o Qwen Audio 3.0 TTS.

• Enunciado máximo — não documentado para o Phonon 31M; até três minutos por síntese para o Qwen Audio 3.0 TTS.

• Onde é executado — CPU, NPU, navegador ou telefone para o Phonon 31M; Alibaba Cloud Model Studio apenas para o Qwen Audio 3.0 TTS.

• Licença — Apache 2.0 para Phonon 31M; termos de API comercial para Qwen Audio 3.0 TTS.

Controle: tags e clonagem versus um elenco fixo

A narrativa de expressividade do Qwen é construída sobre controle embutido. O modelo aceita tags não verbais refinadas — respirações, risadas, suspiros — e instruções de estilo em linguagem natural, para que um roteiro possa especificar não apenas o que é dito, mas como. A cobertura de lançamento destacou a mudança de “sabe falar” para “sabe interpretar”, e o nível Plus ficou em primeiro lugar no Artificial Analysis Speech Arena, com Elo de 1.237, à frente do Gemini 3.1 Flash TTS e do ElevenLabs v3. Trata-se de um ranking independente, e não de uma tabela do fornecedor, embora a inscrição tenha sido submetida pela Alibaba e o Elo em uma arena curada recompense tanto o estilo quanto a inteligibilidade.

A superfície de controle do Phonon é deliberadamente limitada. Você escolhe uma voz, envia texto e recebe áudio. Não há tags de emoção nem prompt de estilo. Para uma interface que lê enunciados curtos e previsíveis — notificações, navegação, confirmação de formulário —, isso basta, e a ausência de uma camada de estilo é uma das razões pelas quais o modelo tem 31 milhões de parâmetros em vez de bilhões. Para narração, publicidade ou trabalho com personagens, isso é eliminatório.

Nenhum dos sistemas resolve o problema do consentimento. A clonagem do Qwen aceita um clipe de referência; o Phonon aceita arquivos de voz personalizados. Ambos deixam para o integrador a tarefa de comprovar que o falante concordou.

Quanto custa em escala

O Phonon 31M não tem preço por caractere. Você paga pelo hardware que já possui e pela eletricidade para rodar um modelo que gera de 26 a 41 vezes mais rápido que o tempo real em um núcleo de laptop. Em pequena escala, isso é efetivamente gratuito; em grande escala, passa a ser um limite de bateria e térmico de dispositivo móvel, que é um custo real, mas de outra natureza.

O Qwen Audio 3.0 TTS Flash cobra 1 CNY por 10.000 caracteres em Pequim. Dez milhões de caracteres por mês custam 1.000 CNY, cerca de US$ 140 a uma taxa arredondada de sete yuans por dólar — menos do que a maioria das equipes gasta com registro de logs. O número que importa não é a fatura mensal, mas o formato dela: o custo escala com o uso, a latência é alugada e o modelo pode ter o preço alterado ou ser descontinuado por outra pessoa. Essa é a troca por 48 kHz e dezesseis idiomas.

A OrcaRouter não hospeda nenhum desses modelos, e nada aqui deve sugerir o contrário: o Phonon é executado no seu dispositivo, e o Qwen Audio 3.0 TTS é acessado pela própria API da Alibaba. Onde o roteamento realmente se justifica é uma camada acima. O texto de resposta de um assistente de voz normalmente vem de um modelo de linguagem, e esse modelo é uma commodity que você pode mover. Uma única chave cobre mais de 200 modelos pelo preço de lista do provedor com 0% de markup, então um corte de preço ou um novo modelo barato fica utilizável no mesmo dia, e o failover automático mantém viva a parte de texto do ciclo quando um único provedor apresenta degradação. A camada de fala pode permanecer exatamente onde você a colocou.

Onde cada um vence

Escolha o Phonon 31M quando o áudio tiver de ser gerado no dispositivo, quando o idioma for inglês, quando um conjunto fixo de vozes for aceitável e quando um download de 64 MB e uma licença Apache 2.0 valerem mais do que a variedade estilística. Assistentes offline, ferramentas de acessibilidade, jogos, quiosques e funcionalidades de navegador são o seu habitat natural.

Escolha o Qwen Audio 3.0 TTS quando precisar de idiomas além do inglês, saída de 48 kHz, performance emocional, clonagem de voz ou enunciados mais longos que uma ou duas frases — e quando uma dependência de rede for aceitável. Agentes de voz voltados ao cliente em vários mercados, dublagem e conteúdo narrado são o habitat natural dele.

O híbrido que a maioria das equipes acabará construindo

Os dois sistemas não são mutuamente exclusivos, e a arquitetura interessante usa ambos. Execute o Phonon 31M como padrão local para respostas curtas, previsíveis e em inglês — aquelas em que a latência é sentida. Recorra ao Qwen Audio 3.0 TTS quando a resposta for longa, quando o usuário tiver trocado de idioma ou quando o dispositivo não conseguir sustentar o modelo local. A troca é uma decisão de política, não uma reescrita, porque ambos recebem texto e retornam áudio.

O que faz essa arquitetura funcionar é que o fallback não é uma experiência inferior. A saída de 48 kHz e as tags de estilo do Qwen são melhores que as do Phonon em quase todos os aspectos, exceto latência e privacidade. O motivo para usar o local como padrão não é a qualidade; é que 7 milissegundos vencem uma ida e volta pela rede quando o usuário está esperando.

O lançamento da Gradium tem três dias e seus benchmarks ainda são executados pelo fornecedor. O modelo da Alibaba tem três meses, tem uma colocação independente em arena e é cobrado por caractere. A decisão entre eles não será resolvida por uma tabela de WER. Será resolvida pela capacidade do seu produto de tolerar um centro de dados no circuito.