Phonon vs VoxCPM2: O que 64× mais parâmetros realmente oferece em TTS

VoxCPM2 é um modelo de fala de 2 bilhões de parâmetros da OpenBMB, lançado em abril de 2026, que fala 30 idiomas a 48 kHz e consegue inventar uma voz a partir de uma descrição escrita. Phonon 31M é um modelo de 31 milhões de parâmetros da Gradium, lançado em 20 de outubro de 2026, que fala inglês a 24 kHz em 37 vozes fixas e cabe em 64,5 MB. A proporção de parâmetros é de cerca de 64 para 1, e a parte surpreendente não é que o modelo maior faça mais. É que, no único número que ambos os fornecedores divulgam — taxa de erro de palavras em inglês no Seed-TTS —, o modelo menor reivindica a melhor pontuação.

Essa afirmação quase certamente não é uma comparação justa, e entender por que revela mais sobre o estado do TTS aberto do que o post de lançamento de qualquer um dos modelos. VoxCPM2 e Phonon 31M são ambos Apache 2.0, ambos disponíveis para download e ambos voltados a equipes que querem fala sem cobrança por caractere. Eles são voltados a hardwares completamente diferentes.

Duas funções diferentes usando o mesmo rótulo

O VoxCPM2 é um gerador de fala multilíngue de uso geral. Ele dispensa tokenizador e é autodifusivo e autorregressivo, operando no espaço latente do AudioVAE V2 por meio de quatro estágios que os autores denominam LocEnc, TSLM, RALM e LocDiT, sobre uma base MiniCPM-4. Ele oferece suporte ao design de voz a partir de uma descrição em linguagem natural, à clonagem controlável a partir de uma referência curta e à clonagem por continuação, que utiliza tanto um clipe de referência quanto sua transcrição. Ele gera áudio em 48 kHz e aceita áudio de referência em 16 kHz.

Phonon 31M é um sintetizador de idioma único e finalidade única. É um transformer de flow matching sobre latentes Mimi, quadros de 80 milissegundos por vez, decodificados para mono a 24 kHz. Não tem design de voz, nem clonagem a partir de um clipe de referência na API documentada, nem detecção de idioma. Tem um catálogo de vozes, uma entrada de texto e um runtime que inicia em menos de 10 milissegundos.

Chamar ambos de "open TTS" é correto e pouco útil. Um é uma plataforma de pesquisa em fala; o outro é um componente embarcado.

Onde o 64× vai

O orçamento de parâmetros compra quatro coisas, e todas as quatro são visíveis na ficha de especificações, e não no teste de escuta.

• Idiomas — 30 e nove dialetos chineses para o VoxCPM2; apenas inglês para o Phonon 31M.

• Taxa de saída — 48 kHz nativo para o VoxCPM2; 24 kHz mono para o Phonon 31M.

• Criação de voz — design de voz baseado em descrição e três modos de clonagem para o VoxCPM2; 37 vozes integradas, além de um catálogo de vozes personalizadas para o Phonon 31M.

• Requisito mínimo de hardware — cerca de 8 GB de VRAM em uma RTX 4090 para o VoxCPM2; 64,5 MB e um núcleo de CPU para o Phonon 31M.

• Velocidade — aproximadamente fator de tempo real de 0,30 em uma RTX 4090 para o VoxCPM2, ou 0,13 com Nano-vLLM; 26 a 41 vezes mais rápido que o tempo real em um núcleo de laptop para o Phonon 31M, de acordo com o README da Gradium.

• Licença — Apache 2.0 para ambos.

A comparação de WER não é uma comparação

O relatório técnico do VoxCPM2 lista um WER em inglês de 1,84 no Seed-TTS-eval, com uma similaridade de locutor de 75,3. O model card do Phonon lista 0,51 no Seed-TTS para o Phonon 31M. Lidos lado a lado, isso parece uma surra: um modelo de 31M superando um modelo de 2B em inteligibilidade por um fator de três.

Não é. Os dois números vêm de harnesses diferentes, provavelmente de conjuntos de referência diferentes e, quase certamente, de modelos de transcrição diferentes usados para pontuar a saída. A metodologia publicada da Gradium para sua avaliação anterior usou a parte em inglês do Seed-TTS — 1.008 enunciados — transcrita com whisper-large-v3 e pontuada por distância de edição. O relatório técnico da OpenBMB não usa o pipeline idêntico nas figuras exibidas na página do modelo. Nenhum dos fornecedores executou o checkpoint do outro com seu próprio harness, e nenhum terceiro publicou uma comparação direta.

O que os números de fato sustentam é uma afirmação mais fraca, ainda que útil: ambos os modelos estão na faixa de WER de um dígito baixo nos conjuntos de teste padrão de inglês, o que quer dizer que ambos são inteligíveis o suficiente para trabalho de leitura em voz alta em produção. A ideia de que 31M de parâmetros não podem produzir inglês limpo é simplesmente falsa em 2026. A ideia de que 31M de parâmetros podem igualar um modelo de 2B em 30 idiomas também é falsa, e nenhum dos fornecedores afirma isso.

Há um segundo motivo para desconfiar da manchete: os próprios documentos da Gradium divergem entre si. O blog de lançamento atribui ao Phonon 31M um WER fixado em 1,70%, a ficha do modelo indica 1,5%, e o README do runtime não publica WER algum. Quando três documentos de um fornecedor diferem em 13% na mesma métrica, a resposta correta é tratar o número como um intervalo.

O piso de hardware é a verdadeira decisão

O VoxCPM2 exige uma GPU. A configuração de referência usa cerca de 8 GB de VRAM, e o modelo roda a aproximadamente um terço do tempo real em uma RTX 4090 sem uma stack de serving otimizada. Em um Apple M4 Pro com quantização Q8_0, o fator de tempo real é de cerca de 1,76, o que significa que são necessários 1,76 segundos de computação para produzir um segundo de áudio — mais lento que o tempo real e inviável para conversação ao vivo nesse hardware. Com o Nano-VLLM, o fator cai para cerca de 0,13, o que é rápido, mas trata-se de uma stack de serving com seu próprio custo operacional.

O piso do Phonon 31M é um núcleo de CPU. O README do Gradium lista 26 vezes o tempo real em um núcleo de MacBook Air M5, 22 vezes no Neural Engine de um iPhone 16 Pro e 2,3 vezes em um Raspberry Pi 5. Os números do blog de lançamento são diferentes — 11,6 vezes em um núcleo, 3,7 vezes no Pi —, mas toda versão do número descreve um dispositivo que cabe na mão.

Este não é um argumento de qualidade. Uma renderização VoxCPM2 de 48 kHz por meio de uma GPU soará melhor do que uma renderização Phonon de 24 kHz, e deveria. A questão é se o seu produto pode arcar com uma GPU por fluxo simultâneo. Para um pipeline de dublagem no lado do servidor, sim. Para um aplicativo de celular que precisa funcionar em um avião, não.

Design de voz versus um elenco fixo

O recurso mais marcante do VoxCPM2 é o design de voz: uma descrição entre parênteses no prompt de texto produz uma voz sem nenhum áudio de referência. Acrescente a clonagem controlável, em que um clipe curto define o timbre e uma instrução de estilo define a interpretação, e você tem um sistema para produzir um elenco de personagens em vez de ler um roteiro.

O Phonon não tem nada disso. As suas 37 vozes em inglês são um conjunto fixo, e as vozes personalizadas exigem um arquivo .safetensors em vez de uma frase de descrição. Essa é uma simplificação deliberada: um catálogo de vozes é mais fácil de auditar, mais fácil de licenciar e impossível de induzir, por meio de prompt, a dizer algo com a voz de uma celebridade. Para implantações sensíveis à conformidade, a restrição é um recurso. Para o trabalho criativo, é uma barreira.

Ambos são Apache 2.0, o que muda a análise

Esta é a parte que torna a comparação mais clara do que as outras comparações do Phonon. O VoxCPM2 é Apache 2.0 para código e pesos. O Phonon 31M é Apache 2.0 para os pesos, com o runtime sob MIT ou Apache-2.0. Ao contrário dos checkpoints de 40M do Gradium, que são CC BY-NC 4.0 e inutilizáveis em produtos comerciais sem um acordo, ambos podem ser distribuídos.

A diferença de licenciamento dentro da própria família Gradium vale ser repetida porque é fácil de passar despercebida: o modelo que soa melhor — o Phonon 40M, com Elo de 2.117 contra 2.098 do 31M — é justamente o que você não pode usar comercialmente. O modelo Apache 2.0 é o menor, apenas em inglês.

Onde cada um vence

Escolha o VoxCPM2 quando precisar de idiomas além do inglês, saída de 48 kHz, design de voz, clonagem ou narração de longa duração, e quando uma GPU já fizer parte da implantação. Também é a melhor escolha para pesquisa em TTS multilíngue, porque o checkpoint, o relatório técnico e o conjunto de avaliação são todos públicos.

Escolha o Phonon 31M quando o áudio precisar ser gerado no dispositivo, quando o inglês for suficiente, quando o conjunto de vozes puder ser fixo e quando um download de 64 MB for a diferença entre lançar e não lançar. Jogos, ferramentas de acessibilidade, quiosques, recursos de navegador e assistentes offline são o território dele. Um modelo 2B não consegue acompanhá-lo nesse cenário, e não é essa a intenção.

O OrcaRouter não hospeda nenhum dos dois modelos — o VoxCPM2 é servido via vLLM-Omni ou um runtime local, e o Phonon roda no seu hardware. A camada de roteamento é relevante um nível acima na pilha, onde o roteiro para a voz é gerado: mais de 200 modelos de linguagem atrás de uma única chave, preço de tabela do provedor repassado com 0% de margem, e failover automático quando um provedor apresenta falhas. O TTS fica onde pertence; a geração de texto pode se mover.

O que o próximo benchmark deve resolver

O experimento que falta é óbvio e ninguém o executou: ambos os checkpoints, um conjunto de teste, um modelo de transcrição, um avaliador, publicados com o áudio. Até que isso exista, a posição honesta é que o VoxCPM2 é o sistema mais capaz e o Phonon 31M é o mais implantável, e que a comparação de WER de 0,51 contra 1,84 é uma coincidência de metodologia, e não um resultado.

O que não está em dúvida é a direção do avanço. Um modelo inglês de 64 MB em outubro de 2026 é crível para trabalho de leitura em voz alta em produção de um modo que um modelo de 64 MB não teria sido no início de 2025. A pergunta interessante para o próximo ciclo de lançamento não é se um modelo pequeno consegue igualar um grande em inglês. É se o modelo pequeno consegue aprender um segundo idioma sem dobrar de tamanho. O checkpoint multilíngue de 40M da Gradium é uma primeira tentativa, e sua licença não comercial sugere que a empresa ainda não decidiu como vendê-lo.