Phonon против Qwen Audio 3.0 TTS: 7 мс на вашем ноутбуке или 200 мс в облаке

Оператор поддержки заканчивает предложение, и голосовому ассистенту нужно ответить. На Phonon 31M, 64-МБ локальной модели Gradium, выпущенной 20 октября 2026 года, первый аудиосэмпл может поступить примерно через 7 миллисекунд после того, как текст готов, потому что ничего не покидает устройство. На Qwen Audio 3.0 TTS, облачной системе Alibaba от июля 2026 года, первый пакет по документации приходит менее чем за 200 миллисекунд — и этот показатель начинается после того, как ваш запрос преодолел сеть до дата-центра в Пекине или Сингапуре.

Этот разрыв — всё сравнение в миниатюре, но это не всё решение. Qwen Audio 3.0 TTS говорит на 16 языках и 20 китайских диалектах при 48 кГц, принимает эмоциональные и невербальные теги прямо в тексте и клонирует голос по эталонному фрагменту. Phonon 31M говорит на английском при 24 кГц 37 фиксированными голосами и работает на Raspberry Pi. Выбор между ними — это выбор того, какую систему вы строите, а не того, какая модель звучит приятнее в демо.

Что каждый из них на самом деле из себя представляет

Phonon 31M — один чекпойнт из семейства открытых весов Gradium. В нём 31 миллион параметров без учёта аудиотокенизатора, он поставляется как q8 GGUF объёмом 64,5 МБ, выдаёт моно 24 кГц и лицензирован под Apache 2.0 — это единственный чекпойнт в семействе, свободный для коммерческого использования. Сопутствующие модели Phonon 40M поддерживают пять языков, но распространяются по CC BY-NC 4.0, поэтому они не подходят для готового продукта без отдельного соглашения. Среда выполнения написана на Rust, без PyTorch на инференсе, а сборки существуют для CPU, Core ML, NPU Snapdragon и WebAssembly.

Qwen Audio 3.0 TTS — не загружаемая модель. Команда Qwen компании Alibaba анонсировала её 20 июля 2026 года на WAIC в двух тарифах API: Flash, оптимизированном для взаимодействия в реальном времени, и Plus, оптимизированном для качества. Доступ к обоим предоставляется через Alibaba Cloud Model Studio. В документации для эндпоинта Flash указаны задержка до первого пакета менее 200 мс, ограничение в 180 запросов в минуту и цена 1 юань за 10 000 символов в Пекине или 1,12413 юаня в Сингапуре. Весов нет, локальной среды выполнения нет, офлайн-режима нет.

Разница в задержке составляет не 193 миллисекунды.

Если вычесть 7 из 200, получится число, которое занижает разрыв и завышает его важность — в зависимости от того, что вы создаёте. Для голосового интерфейса с чередованием реплик сквозной бюджет составляет примерно 800 мс, прежде чем разговор начинает ощущаться неправильным. Вызов облачного TTS тратит свои 200 мс после сетевого обмена туда-обратно, который может составлять 20 мс при хорошем проводном соединении и 150 мс на мобильном. Добавьте настройку TLS на холодном соединении, буферизацию аудио и хвостовую задержку, которую подразумевает ограничение 180 RPM под нагрузкой, — и качество работы на p95 оказывается существенно хуже заявленного.

Локальный путь имеет другую форму. В собственном README Phonon указано время до первого байта 5 мс на одном ядре MacBook Air M5 и 9 мс на Neural Engine iPhone 16 Pro. Здесь нет сетевого хвоста, нет ограничения частоты запросов и нет провайдера, у которого выдался плохой день. Вы отказываетесь от эластичности: телефон, который троттлит из-за нагрева, работает с Phonon медленнее, а вкладка браузера, конкурирующая с видеозвонком, получает меньше CPU. Цифры производителя для Raspberry Pi 5 — 68 мс и 2,3 раза быстрее реального времени в README, 38 мс и 3,7 раза в блоге о релизе — показывают, насколько низким может быть этот порог на слабом оборудовании.

Именно здесь цифры заслуживают оговорки. Блог о выпуске Gradium и README его рантайма расходятся в оценке пропускной способности более чем в два раза для одного и того же устройства, и ни одна из этих цифр не была независимо воспроизведена. Считайте 7 мс порядком величины, а не спецификацией.

Языки и голоса: широкий охват против фиксированного набора

Qwen Audio 3.0 TTS охватывает 16 языков, включая японский, корейский, арабский, вьетнамский, малайский и филиппинский, а также 20 китайских диалектов. Поддерживается клонирование голоса по эталонной аудиозаписи, причём выходной язык может отличаться от языка эталонного фрагмента — именно эта возможность делает конвейеры локализации особенно интересными. Выходной сигнал — 48 кГц, платформа допускает до трёх минут аудио на одну синтезацию.

Phonon 31M поддерживает только английский, и карточка модели Gradium прямо об этом предупреждает: на других языках произношение будет неправильным. В нём есть 37 встроенных голосов, ещё больше — в отдельном каталоге голосов, а также поддержка пользовательских голосов в формате .safetensors. Многоязычный чекпоинт Phonon 40M поддерживает пять языков, но его некоммерческая лицензия не позволяет использовать его в большинстве продуктовых решений.

• Языки — только английский для Phonon 31M; 16 языков плюс 20 китайских диалектов для Qwen Audio 3.0 TTS.

• Частота дискретизации — 24 кГц моно для Phonon 31M; 48 кГц для Qwen Audio 3.0 TTS.

• Источники голоса — 37 встроенных, а также каталог пользовательских голосов для Phonon 31M; клонирование по эталонному аудио для Qwen Audio 3.0 TTS.

• Максимальная длительность реплики — не документирована для Phonon 31M; до трёх минут на синтез для Qwen Audio 3.0 TTS.

• Где выполняется — CPU, NPU, браузер или телефон для Phonon 31M; Alibaba Cloud Model Studio только для Qwen Audio 3.0 TTS.

• Лицензия — Apache 2.0 для Phonon 31M; коммерческие условия API для Qwen Audio 3.0 TTS.

Управление: теги и клонирование против фиксированного состава

История выразительности Qwen строится на встроенном управлении. Модель принимает детализированные невербальные теги — вдохи, смех, вздохи — и инструкции по стилю на естественном языке, поэтому сценарий может задавать не только то, что говорится, но и как. Материалы о запуске подчеркнули сдвиг от «умеет говорить» к «умеет исполнять», а тариф Plus занял первое место в Artificial Analysis Speech Arena с рейтингом Elo 1 237, опередив Gemini 3.1 Flash TTS и ElevenLabs v3. Это независимый лидерборд, а не таблица от поставщика, хотя заявку подала Alibaba, а Elo на курируемой арене вознаграждает стиль в не меньшей степени, чем разборчивость.

Интерфейс управления Phonon намеренно ограничен. Вы выбираете голос, отправляете текст, получаете аудио. Здесь нет ни эмоциональных тегов, ни стилевого промпта. Для интерфейса, который озвучивает короткие предсказуемые фразы — уведомления, навигацию, подтверждение форм, — этого достаточно, и отсутствие стилевого слоя — одна из причин, почему модель насчитывает 31 миллион параметров, а не миллиарды. Для повествования, рекламы или работы с персонажами это неприемлемо.

Ни одна из систем не решает проблему согласия. Клонирование голоса в Qwen принимает эталонный аудиоклип; Phonon принимает пользовательские файлы голоса. Обе перекладывают на интегратора задачу подтвердить, что говорящий дал согласие.

Сколько это стоит при больших объёмах

У Phonon 31M нет цены за символ. Вы платите за оборудование, которым уже владеете, и за электроэнергию для работы модели, которая генерирует в 26–41 раз быстрее реального времени на ядре ноутбука. При малых масштабах это фактически бесплатно; при больших масштабах это превращается в ограничение по заряду батареи и тепловыделению мобильного устройства — реальную затрату, но иную.

Qwen Audio 3.0 TTS Flash берёт 1 юань за 10 000 символов в Пекине. Десять миллионов символов в месяц — это 1000 юаней, примерно 140 долларов США при округлённом курсе семь юаней за доллар — меньше, чем большинство команд тратит на логирование. Значение имеет не месячный счёт как таковой, а его структура: затраты растут вместе с использованием, задержка арендуется, а модель может быть переоценена или выведена из эксплуатации кем-то другим. Вот такова плата за 48 кГц и шестнадцать языков.

OrcaRouter не размещает ни одну из этих моделей, и ничто здесь не должно наводить на обратную мысль: Phonon работает на вашем устройстве, а Qwen Audio 3.0 TTS доступна через собственный API Alibaba. Маршрутизация действительно оправдывает себя на уровень выше. Текст ответа голосового ассистента обычно поступает от языковой модели, а эта модель — товар, который можно заменить. Один ключ открывает доступ более чем к 200 моделям по прайс-листу провайдера с наценкой 0 %, так что снижение цены или новая дешёвая модель становятся доступны в тот же день, а автоматическое переключение при сбое поддерживает текстовую половину цикла, когда один из провайдеров начинает работать хуже. Речевой слой может остаться ровно там, где вы его разместили.

В чём выигрывает каждый

Выбирайте Phonon 31M, когда аудио должно генерироваться на устройстве, когда язык — английский, когда приемлем фиксированный набор голосов и когда скачивание объёмом 64 МБ и лицензия Apache 2.0 важнее стилистического разнообразия. Офлайн-ассистенты, средства доступности, игры, киоски и функции браузера — его естественная среда.

Выбирайте Qwen Audio 3.0 TTS, когда вам нужны языки помимо английского, вывод на 48 кГц, эмоциональное исполнение, клонирование голоса или высказывания длиннее одного-двух предложений — а также когда допустима зависимость от сети. Голосовые агенты для клиентов на разных рынках, дубляж и озвученный контент — его естественная среда обитания.

Гибрид, который в итоге построит большинство команд

Эти две системы не исключают друг друга, и интересная архитектура использует обе. Запускайте Phonon 31M как локальный вариант по умолчанию для коротких, предсказуемых ответов на английском — тех, где ощущается задержка. Переключайтесь на Qwen Audio 3.0 TTS, когда ответ длинный, когда пользователь сменил язык или когда устройство не может поддерживать локальную модель. Переключение — это решение на уровне политики, а не переписывание, потому что обе системы принимают текст и возвращают аудио.

Работает эта архитектура потому, что запасной вариант — не второсортный опыт. Вывод Qwen на 48 кГц и стилевые теги лучше, чем у Phonon, почти по всем параметрам, кроме задержки и приватности. Причина выбирать локальный вариант по умолчанию — не качество; дело в том, что 7 миллисекунд быстрее сетевого кругового обхода, пока пользователь ждёт.

С момента релиза Gradium прошло три дня, а его бенчмарки по-прежнему проводятся вендором. Модели Alibaba три месяца, у неё есть независимое место в арене, и она тарифицируется за символ. Выбор между ними не решит таблица WER. Его решит то, может ли ваш продукт допустить дата-центр в контуре.