Phonon vs VoxCPM2: Vad 64× fler parametrar faktiskt ger i TTS

VoxCPM2 är en talmodell med 2 miljarder parametrar från OpenBMB, släppt i april 2026, som talar 30 språk vid 48 kHz och kan skapa en röst utifrån en skriftlig beskrivning. Phonon 31M är en modell med 31 miljoner parametrar från Gradium, släppt den 20 oktober 2026, som talar engelska vid 24 kHz i 37 fasta röster och får plats i 64,5 MB. Parametrförhållandet är ungefär 64 mot 1, och det förvånande är inte att den större modellen gör mer. Det är att på det enda mått som båda leverantörerna publicerar – engelsk ordfelsfrekvens på Seed-TTS – hävdar den mindre modellen att den har det bättre resultatet.

Det påståendet är nästan säkert inte en rättvis jämförelse, och att förstå varför säger dig mer om läget för öppen TTS än något av modellernas lanseringsinlägg gör. VoxCPM2 och Phonon 31M är båda Apache 2.0, båda nedladdningsbara och båda riktade till team som vill ha tal utan en kostnad per tecken. De riktar sig till helt olika hårdvara.

Två olika jobb med samma etikett

VoxCPM2 är en allmän flerspråkig talgenerator. Den är tokenizerfri och diffusionsautoregressiv och arbetar i AudioVAE V2:s latenta rum genom fyra steg som författarna kallar LocEnc, TSLM, RALM och LocDiT, på en MiniCPM-4-stomme. Den stöder röstdesign utifrån en beskrivning i naturligt språk, styrbar kloning från en kort referens och fortsättningskloning som använder både ett referensklipp och dess transkription. Den matar ut 48 kHz-ljud och tar emot referensljud på 16 kHz.

Phonon 31M är en enspråkig syntetiserare med ett enda syfte. Den är en flow-matching-transformer över Mimi-latenter, 80 millisekunders ramar i taget, avkodad till 24 kHz mono. Den har ingen röstdesign, ingen kloning från ett referensklipp i det dokumenterade API:et och ingen språkidentifiering. Den har en röstkatalog, en textinmatning och en runtime som startar på ensiffriga millisekunder.

Att kalla båda för "open TTS" är korrekt men till ingen hjälp. Den ena är en plattform för talforskning; den andra är en inbäddad komponent.

Där 64× sitter

Parameterbudgeten ger fyra saker, och alla fyra syns i databladet snarare än i lyssningstestet.

• Språk — 30 plus nio kinesiska dialekter för VoxCPM2; endast engelska för Phonon 31M.

• Utdatningsfrekvens — 48 kHz inbyggd för VoxCPM2; 24 kHz mono för Phonon 31M.

• Röstskapande – beskrivningsbaserad röstdesign och tre kloningslägen för VoxCPM2; 37 inbyggda röster plus en katalog med anpassade röster för Phonon 31M.

• Hårdvarugolv – cirka 8 GB VRAM på ett RTX 4090 för VoxCPM2; 64,5 MB och en CPU-kärna för Phonon 31M.

• Hastighet – ungefär 0,30 i realtidsfaktor på ett RTX 4090 för VoxCPM2, eller 0,13 med Nano-vLLM; 26 till 41 gånger snabbare än realtid på en kärna i en bärbar dator för Phonon 31M, enligt Gradiums README.

• Licens — Apache 2.0 för båda.

WER-jämförelsen är inte en jämförelse

VoxCPM2:s tekniska rapport anger en engelsk WER på 1,84 på Seed-TTS-eval, med en talarlikhet på 75,3. Phonons modellkort anger 0,51 på Seed-TTS för Phonon 31M. Läst sida vid sida ser det ut som en förkrossande seger: en modell på 31M som slår en modell på 2B i begriplighet med en faktor tre.

Det är det inte. De två siffrorna kommer från olika testramverk, troligen olika referensuppsättningar och nästan säkert olika transkriptionsmodeller som användes för att poängsätta utdata. Gradiums publicerade metodik för sin tidigare utvärdering använde den engelska delen av Seed-TTS – 1 008 yttranden – transkriberad med whisper-large-v3 och poängsatt med redigeringsavstånd. OpenBMB:s tekniska rapport använder inte identisk pipeline i de siffror som visas på deras modellsida. Ingen av leverantörerna har kört den andras checkpoint genom sitt eget testramverk, och ingen tredje part har publicerat en direkt jämförelse.

Det siffrorna faktiskt stöder är ett svagare men fortfarande användbart påstående: båda modellerna ligger på låga ensiffriga WER-nivåer i standardiserade engelska testset, vilket vill säga att båda är begripliga nog för produktionsmässigt uppläsningsarbete. Idén att 31M parametrar inte kan producera ren engelska är helt enkelt falsk 2026. Idén att 31M parametrar kan matcha en 2B-modell över 30 språk är också falsk, och ingen av leverantörerna hävdar det.

Det finns en andra anledning att misstro rubriken: Gradiums egna dokument går inte ihop. Releasebloggen anger en hårt fastställd WER på 1,70 % för Phonon 31M, modellkortet anger 1,5 %, och runtime-README publicerar ingen WER alls. När en leverantörs tre dokument skiljer sig med 13 % åt i samma mätvärde är rätt reaktion att betrakta siffran som ett intervall.

Hårdvarugolvet är det verkliga beslutet

VoxCPM2 kräver en GPU. Referenskonfigurationen är cirka 8 GB VRAM, och modellen körs i ungefär en tredjedel av realtid på ett RTX 4090 utan en optimerad serveringsstack. På en Apple M4 Pro med Q8_0-kvantisering är realtidsfaktorn cirka 1,76, vilket innebär att det tar 1,76 sekunder beräkning att producera en sekund ljud – långsammare än realtid och inte genomförbart för realtidssamtal på den hårdvaran. Med Nano-VLLM sjunker faktorn till cirka 0,13, vilket är snabbt, men det är en serveringsstack med sin egen driftkostnad.

Phonon 31M:s lägsta nivå är en CPU-kärna. Gradiums README listar 26 gånger realtid på en MacBook Air M5-kärna, 22 gånger på en iPhone 16 Pro Neural Engine och 2,3 gånger på en Raspberry Pi 5. Siffrorna i lanseringsbloggen är annorlunda – 11,6 gånger på en kärna, 3,7 gånger på Pi:n – men varje version av siffran beskriver en enhet som får plats i en hand.

Det här är inte ett kvalitetsargument. En 48 kHz VoxCPM2-rendering via en GPU låter bättre än en 24 kHz Phonon-rendering, och det borde den. Frågan är om din produkt har råd med en GPU per samtidig ström. För en dubbningspipeline på serversidan, ja. För en mobilapp som måste fungera på ett flygplan, nej.

Röstdesign kontra en fast rollbesättning

VoxCPM2:s mest utmärkande funktion är röstdesign: en parentetisk beskrivning i textprompten skapar en röst helt utan referensljud. Lägg till styrbar kloning, där ett kort klipp bestämmer klangfärgen och en stilinstruktion bestämmer framförandet, och du har ett system för att producera en hel rollbesättning av karaktärer i stället för att bara läsa ett manus.

Phonon har inget av det. Dess 37 engelska röster är en fast uppsättning, och anpassade röster kräver en .safetensors-fil i stället för en beskrivande mening. Det är en medveten förenkling: en röstkatalog är lättare att granska, lättare att licensiera och omöjlig att prompta till att säga något i en kändis röst. För driftsättningar med krav på regelefterlevnad är begränsningen en funktion. För kreativt arbete är den en mur.

Båda är Apache 2.0, vilket ändrar kalkylen

Det här är delen som gör jämförelsen renare än Phonons andra matchningar. VoxCPM2 är Apache 2.0 för kod och vikter. Phonon 31M är Apache 2.0 för vikter, med körtiden under MIT eller Apache-2.0. Till skillnad från Gradiums 40M-checkpoints, som är CC BY-NC 4.0 och oanvändbara i kommersiella produkter utan ett avtal, kan båda dessa levereras.

Licensskillnaden inom Gradiums egen familj är värd att upprepa eftersom den är lätt att missa: modellen som låter bäst – Phonon 40M, med ett Elo på 2 117 jämfört med 2 098 för 31M – är den man inte kan använda kommersiellt. Apache 2.0-modellen är den mindre, engelskspråkiga.

Där var och en vinner

Välj VoxCPM2 när du behöver språk utöver engelska, 48 kHz-utdata, röstdesign, kloning eller långformigt berättande, och när en GPU redan ingår i driftsättningen. Det är också det bättre valet för forskning om flerspråkig TTS, eftersom checkpointen, den tekniska rapporten och utvärderingsuppsättningen alla är offentliga.

Välj Phonon 31M när ljudet måste genereras på enheten, när engelska räcker, när röstuppsättningen kan vara fast och när en nedladdning på 64 MB är skillnaden mellan att släppa och inte släppa. Spel, tillgänglighetsverktyg, kiosker, webbläsarfunktioner och offline-assistenter är dess område. En 2B-modell kan inte följa med dit, och den försöker inte heller.

OrcaRouter hostar inte någon av modellerna — VoxCPM2 serveras via vLLM-Omni eller en lokal runtime, och Phonon körs på din hårdvara. Routningslagret är relevant ett steg upp i stacken, där manuset för rösten genereras: mer än 200 språkmodeller bakom en enda nyckel, leverantörslistpris som förs vidare med 0 % påslag, och automatisk failover när en leverantör fallerar. TTS:en stannar där den hör hemma; textgenereringen kan flyttas.

Vad nästa benchmark bör avgöra

Det saknade experimentet är uppenbart och ingen har kört det: båda checkpoints, en testuppsättning, en transkriptionsmodell, en poängsättare, publicerat tillsammans med ljudet. Tills det finns är den ärliga hållningen att VoxCPM2 är det mer kapabla systemet och Phonon 31M det mer driftsättbara, och jämförelsen 0,51 mot 1,84 WER är en metodologisk slump snarare än ett resultat.

Det råder ingen tvekan om färdriktningen. En engelsk modell på 64 MB i oktober 2026 är trovärdig för produktionsmässigt högläsningsarbete på ett sätt som en modell på 64 MB inte skulle ha varit i början av 2025. Den intressanta frågan för nästa utgivningscykel är inte huruvida en liten modell kan matcha en stor på engelska. Det är huruvida den lilla modellen kan ta upp ett andra språk utan att fördubblas i storlek. Gradiums flerspråkiga checkpoint på 40M är ett första försök, och dess icke-kommersiella licens antyder att företaget ännu inte har bestämt hur det ska sälja den.