Phonon против VoxCPM2: что на самом деле даёт 64-кратное увеличение числа параметров в TTS

VoxCPM2 — речевая модель на 2 миллиарда параметров от OpenBMB, выпущенная в апреле 2026 года, которая говорит на 30 языках с частотой дискретизации 48 кГц и умеет придумывать голос по письменному описанию. Phonon 31M — модель на 31 миллион параметров от Gradium, выпущенная 20 октября 2026 года, которая говорит на английском с частотой 24 кГц 37 фиксированными голосами и помещается в 64,5 МБ. Соотношение параметров — примерно 64 к 1, и удивительно здесь не то, что большая модель умеет больше. А то, что по единственному числу, которое публикуют оба производителя, — доле ошибок в словах английской речи на Seed-TTS, — меньшая модель заявляет лучший результат.

Это утверждение почти наверняка не является справедливым сравнением, и понимание того, почему это так, говорит о состоянии открытого TTS больше, чем анонсы запуска любой из этих моделей. VoxCPM2 и Phonon 31M обе распространяются под лицензией Apache 2.0, обе доступны для скачивания и обе ориентированы на команды, которые хотят синтез речи без оплаты за каждый символ. Они рассчитаны на совершенно разное оборудование.

Две разные работы под одним и тем же ярлыком

VoxCPM2 — универсальный многоязычный генератор речи. Он работает без токенизатора и использует диффузионно-авторегрессионную архитектуру, действуя в латентном пространстве AudioVAE V2 через четыре этапа, которые авторы обозначают как LocEnc, TSLM, RALM и LocDiT, на основе MiniCPM-4. Он поддерживает проектирование голоса по описанию на естественном языке, управляемое клонирование по короткому образцу и клонирование в стиле продолжения, использующее одновременно эталонный аудиофрагмент и его транскрипцию. Он выдаёт аудио с частотой 48 кГц и принимает эталонное аудио с частотой 16 кГц.

Phonon 31M — одноязычный синтезатор узкого назначения. Это flow-matching-трансформер поверх латентов Mimi, обрабатывающий кадры по 80 миллисекунд и декодирующий их в моно 24 кГц. В нём нет дизайна голоса, клонирования по эталонному фрагменту в документированном API и определения языка. Есть каталог голосов, текстовый ввод и среда выполнения, запускающаяся за единицы миллисекунд.

Называть и то и другое «open TTS» — точно, но бесполезно. Одно — платформа для исследований речи, другое — встраиваемый компонент.

Куда уходит 64×

Бюджет параметров обеспечивает четыре вещи, и все четыре видны в спецификации, а не в тесте на прослушивание.

• Языки — 30 плюс девять китайских диалектов для VoxCPM2; только английский для Phonon 31M.

• Выходная частота дискретизации — 48 кГц нативно для VoxCPM2; 24 кГц моно для Phonon 31M.

• Создание голоса — дизайн голоса на основе описания и три режима клонирования для VoxCPM2; 37 встроенных голосов плюс каталог пользовательских голосов для Phonon 31M.

• Аппаратный минимум — около 8 ГБ видеопамяти на RTX 4090 для VoxCPM2; 64,5 МБ и одно ядро CPU для Phonon 31M.

Скорость — коэффициент реального времени примерно 0,30 на RTX 4090 для VoxCPM2 или 0,13 с Nano-vLLM; от 26 до 41 раза быстрее реального времени на одном ядре ноутбука для Phonon 31M, согласно README от Gradium.

• Лицензия — Apache 2.0 для обоих.

Сравнение WER — это не сравнение

Технический отчёт VoxCPM2 указывает английский WER 1.84 на Seed-TTS-eval при сходстве диктора 75.3. Карточка модели Phonon указывает 0.51 на Seed-TTS для Phonon 31M. При сравнении бок о бок это выглядит как разгром: модель на 31M превосходит модель на 2B по разборчивости в три раза.

Это не так. Эти два числа получены с разных испытательных стендов, вероятно, на разных эталонных наборах и почти наверняка с использованием разных моделей транскрипции для оценки выходных данных. Опубликованная методология Gradium для её более ранней оценки использовала английскую часть Seed-TTS — 1 008 высказываний — транскрибированных с помощью whisper-large-v3 и оценённых по расстоянию редактирования. Технический отчёт OpenBMB не использует идентичный конвейер в цифрах, представленных на странице его модели. Ни один из поставщиков не прогнал контрольную точку другого через свой собственный стенд, и ни одна третья сторона не опубликовала прямое сравнение.

Что цифры действительно подтверждают, так это более слабое, но всё же полезное утверждение: обе модели находятся в диапазоне низких однозначных значений WER на стандартных наборах тестов для английского языка, то есть обе достаточно разборчивы для производственного озвучивания текста вслух. Утверждение, что 31 млн параметров не могут давать чистую английскую речь, в 2026 году просто неверно. Утверждение, что 31 млн параметров могут сравниться с моделью на 2 млрд параметров на 30 языках, также неверно, и ни один из поставщиков этого не заявляет.

Есть вторая причина не доверять заголовку: собственные документы Gradium противоречат друг другу. В блоге релиза для Phonon 31M указан жёстко заданный WER 1,70%, в карточке модели — 1,5%, а README среды выполнения вообще не публикует WER. Когда три документа поставщика расходятся на 13% по одному и тому же показателю, правильная реакция — рассматривать эту цифру как диапазон.

Аппаратный минимум — это и есть настоящее решение.

VoxCPM2 требует GPU. Эталонная конфигурация — около 8 ГБ видеопамяти, и на RTX 4090 без оптимизированного стека обслуживания модель работает примерно втрое медленнее реального времени. На Apple M4 Pro с квантованием Q8_0 коэффициент реального времени составляет около 1,76, то есть для создания одной секунды аудио требуется 1,76 секунды вычислений — медленнее реального времени, и это не подходит для живого разговора на таком оборудовании. С Nano-VLLM коэффициент снижается примерно до 0,13, что быстро, но это стек обслуживания с собственными эксплуатационными затратами.

Нижняя граница Phonon 31M — одно ядро CPU. В README Gradium указана 26-кратная скорость относительно реального времени на одном ядре MacBook Air M5, 22-кратная — на Neural Engine iPhone 16 Pro и 2,3-кратная — на Raspberry Pi 5. Цифры в блоге о релизе отличаются — 11,6-кратная скорость на одном ядре, 3,7-кратная на Pi — но каждая версия этой цифры описывает устройство, которое помещается в ладони.

Это не аргумент о качестве. Рендер VoxCPM2 с частотой 48 кГц на GPU будет звучать лучше, чем рендер Phonon с частотой 24 кГц, и так и должно быть. Вопрос в том, может ли ваш продукт позволить себе GPU на каждый одновременный поток. Для серверного пайплайна дубляжа — да. Для мобильного приложения, которое должно работать в самолёте, — нет.

Дизайн голоса против фиксированного актёрского состава

Самая характерная особенность VoxCPM2 — голосовой дизайн: описание в скобках в текстовом запросе создаёт голос вообще без референсного аудио. Добавьте к этому управляемое клонирование, когда короткий фрагмент задаёт тембр, а стилевая инструкция — манеру подачи, и вы получите систему для создания целого актёрского состава, а не для чтения сценария вслух.

У Phonon ничего этого нет. Его 37 английских голосов — фиксированный набор, а пользовательским голосам нужен файл .safetensors, а не предложение с описанием. Это намеренное упрощение: каталог голосов проще проверять и лицензировать, а заставить его сказать что-либо голосом знаменитости невозможно. Для развёртываний, чувствительных к комплаенсу, это ограничение — преимущество. Для творческой работы это стена.

Оба под лицензией Apache 2.0, что меняет расклад

Именно это делает сравнение более чистым, чем в других сопоставлениях Phonon. VoxCPM2 распространяется по Apache 2.0 для кода и весов. Phonon 31M — Apache 2.0 для весов, а среда выполнения под MIT или Apache-2.0. В отличие от 40M-чекпоинтов Gradium, которые распространяются по CC BY-NC 4.0 и непригодны для коммерческих продуктов без отдельного соглашения, оба этих варианта можно выпускать.

Разницу в лицензировании внутри собственного семейства Gradium стоит повторить, потому что её легко упустить: модель, которая звучит лучше всего — Phonon 40M с Elo 2 117 против 2 098 у 31M — это та, которую нельзя использовать коммерчески. Модель под Apache 2.0 — меньшая и англоязычная.

В чём выигрывает каждый

Выбирайте VoxCPM2, когда вам нужны языки помимо английского, вывод в 48 кГц, дизайн голоса, клонирование или длинное повествование, а также когда GPU уже является частью развёртывания. Он также лучше подходит для исследований в области многоязычного TTS, поскольку контрольная точка, технический отчёт и оценочный набор находятся в открытом доступе.

Выбирайте Phonon 31M, когда аудио должно генерироваться на устройстве, когда достаточно английского, когда набор голосов можно зафиксировать и когда загрузка в 64 МБ — это разница между выпуском и отказом от выпуска. Игры, средства доступности, киоски, браузерные функции и офлайн-ассистенты — его территория. Модель 2B не может последовать за ним туда, и она к этому не стремится.

OrcaRouter не размещает ни одну из моделей — VoxCPM2 обслуживается через vLLM-Omni или локальную среду выполнения, а Phonon работает на вашем оборудовании. Уровень маршрутизации актуален на шаг выше по стеку — там, где генерируется сценарий для голоса: более 200 языковых моделей за одним ключом, цена по прайс-листу провайдера передаётся с наценкой 0%, а также автоматическое переключение при сбое провайдера. TTS остаётся там, где ему место; генерация текста может перемещаться.

Что должен решить следующий бенчмарк

Отсутствующий эксперимент очевиден, и никто его не провёл: оба чекпойнта, один тестовый набор, одна модель транскрипции, один оценщик, опубликовано вместе с аудио. Пока этого не существует, честная позиция такова: VoxCPM2 — более функциональная система, а Phonon 31M — более пригодная для развёртывания, и сравнение WER 0,51 против 1,84 — это совпадение методологии, а не результат.

Что не вызывает сомнений — так это направление развития. 64-МБ английская модель в октябре 2026 года выглядит реалистично для промышленной работы по озвучиванию вслух — в отличие от того, на что 64-МБ модель была бы способна в начале 2025 года. Интересный вопрос для следующего цикла выпуска — не в том, может ли небольшая модель сравняться с большой в английском. А в том, сможет ли небольшая модель освоить второй язык, не удвоив размер. Мультиязычный чекпоинт Gradium на 40M — это первая попытка, и его некоммерческая лицензия говорит о том, что компания ещё не решила, как его продавать.