Phonon เทียบกับ Qwen Audio 3.0 TTS: 7 ms บนแล็ปท็อปของคุณ หรือ 200 ms บนคลาวด์

ตัวแทนฝ่ายสนับสนุนพูดจบประโยคหนึ่ง และผู้ช่วยเสียงต้องตอบกลับ บน Phonon 31Mโมเดลออนดีไวซ์ขนาด 64 MB ของ Gradium ที่เปิดตัวเมื่อวันที่ 20 ตุลาคม 2026 ตัวอย่างเสียงแรกสามารถมาถึงได้ภายในประมาณ 7 มิลลิวินาทีหลังจากข้อความพร้อม เนื่องจากไม่มีสิ่งใดออกจากเครื่องเลย บน Qwen Audio 3.0 TTSระบบโฮสต์ของ Alibaba จากเดือนกรกฎาคม 2026 แพ็กเก็ตแรกมีบันทึกไว้ที่ต่ำกว่า 200 มิลลิวินาที — และตัวเลขนั้นเริ่มนับหลังจากคำขอของคุณข้ามเครือข่ายไปยังศูนย์ข้อมูลในปักกิ่งหรือสิงคโปร์แล้ว

ช่องว่างนั้นคือการเปรียบเทียบทั้งหมดในแบบย่อ แต่ไม่ใช่การตัดสินใจทั้งหมด Qwen Audio 3.0 TTS พูดได้ 16 ภาษาและ 20 สำเนียงจีนที่ 48 kHz รับแท็กอารมณ์และอวัจนภาษาแบบอินไลน์ และโคลนเสียงจากคลิปอ้างอิง Phonon 31M พูดภาษาอังกฤษที่ 24 kHz ด้วยเสียงคงที่ 37 เสียง และรันบน Raspberry Pi การเลือกระหว่างสองตัวนี้คือการเลือกว่าคุณกำลังสร้างระบบแบบไหน ไม่ใช่เลือกว่าโมเดลไหนฟังดูดีกว่าในเดโม

แต่ละอย่างจริงๆ แล้วคืออะไร

Phonon 31M เป็นหนึ่งในเช็กพอยต์ของตระกูลโมเดลแบบเปิดน้ำหนักของ Gradium มีพารามิเตอร์ 31 ล้านตัวโดยไม่นับ audio tokenizer จัดส่งเป็นไฟล์ q8 GGUF ขนาด 64.5 MB ให้เอาต์พุตแบบโมโน 24 kHz และมีสัญญาอนุญาต Apache 2.0 — เป็นเช็กพอยต์เดียวในตระกูลที่ใช้ในเชิงพาณิชย์ได้ฟรี โมเดล Phonon 40M ที่มาคู่กันรองรับห้าภาษาแต่อยู่ภายใต้ CC BY-NC 4.0 จึงไม่ใช่ตัวเลือกสำหรับผลิตภัณฑ์ที่วางจำหน่ายโดยไม่มีข้อตกลงแยกต่างหาก รันไทม์เป็น Rust โดยไม่ใช้ PyTorch ในการ inference และมีบิลด์สำหรับ CPU, Core ML, Snapdragon NPU และ WebAssembly

Qwen Audio 3.0 TTS ไม่ใช่โมเดลที่ดาวน์โหลดได้ ทีม Qwen ของ Alibaba ประกาศเปิดตัวเมื่อวันที่ 20 กรกฎาคม 2026 ที่งาน WAIC ในสองระดับ API ได้แก่ Flash ซึ่งปรับแต่งมาสำหรับการโต้ตอบแบบเรียลไทม์ และ Plus ซึ่งปรับแต่งมาสำหรับคุณภาพ ทั้งสองระดับเข้าถึงได้ผ่าน Alibaba Cloud Model Studio เอกสารสำหรับ endpoint Flash ระบุว่ามีเวลาแฝงของแพ็กเก็ตแรกต่ำกว่า 200 ms ขีดจำกัดอัตราที่ 180 คำขอต่อนาที และราคา 1 หยวนต่อ 10,000 ตัวอักษรในปักกิ่ง หรือ 1.12413 หยวนในสิงคโปร์ ไม่มีไฟล์น้ำหนักโมเดล ไม่มีรันไทม์ภายในเครื่อง และไม่มีโหมดออฟไลน์

ความแตกต่างของเวลาแฝงไม่ใช่ 193 มิลลิวินาที

การลบ 7 จาก 200 ให้ตัวเลขที่ทำให้ช่องว่างดูน้อยเกินไปและทำให้ความสำคัญของมันดูมากเกินไป ขึ้นอยู่กับว่าคุณกำลังสร้างอะไร สำหรับอินเทอร์เฟซเสียงแบบผลัดกันพูด งบประมาณแบบ end-to-end อยู่ที่ประมาณ 800 มิลลิวินาทีก่อนที่บทสนทนาจะเริ่มรู้สึกผิดปกติ การเรียก TTS บนคลาวด์ใช้เวลา 200 มิลลิวินาทีหลังจากการไป-กลับผ่านเครือข่าย ซึ่งอาจเป็น 20 มิลลิวินาทีบนการเชื่อมต่อแบบมีสายที่ดี และ 150 มิลลิวินาทีบนมือถือ เมื่อเพิ่มการตั้งค่า TLS บนการเชื่อมต่อใหม่ การบัฟเฟอร์เสียง และ tail latency ที่ขีดจำกัดอัตรา 180 RPM สื่อเป็นนัยภายใต้โหลด ประสบการณ์ที่ p95 ก็แย่ลงอย่างมีนัยสำคัญเมื่อเทียบกับตัวเลขที่นำเสนอ

เส้นทางแบบโลคัลมีลักษณะที่แตกต่างออกไป README ของ Phonon เองระบุ time-to-first-byte ไว้ที่ 5 ms บนคอร์ M5 หนึ่งคอร์ของ MacBook Air และ 9 ms บน Neural Engine ของ iPhone 16 Pro ไม่มี network tail ไม่มี rate limit และไม่มีผู้ให้บริการที่กำลังมีวันที่แย่ สิ่งที่คุณต้องแลกไปคือ elasticity: โทรศัพท์ที่กำลัง thermal-throttling จะรัน Phonon ได้ช้ากว่า และแท็บเบราว์เซอร์ที่แย่ง CPU กับการโทรวิดีโอจะได้ CPU น้อยลง ตัวเลข Raspberry Pi 5 ของผู้ขาย — 68 ms และ 2.3 เท่าของเรียลไทม์ใน README, 38 ms และ 3.7 เท่าในบล็อกประกาศเปิดตัว — แสดงให้เห็นว่าพื้นล่างนั้นสามารถลดลงได้ไกลแค่ไหนบนฮาร์ดแวร์ที่อ่อนแอ

นี่ก็เป็นจุดที่ตัวเลขเหล่านี้ควรมีข้อควรระวังเช่นกัน บล็อกประกาศเปิดตัวของ Gradium กับ README ของรันไทม์ให้ข้อมูลอัตราการประมวลผลไม่ตรงกันเกินกว่าสองเท่าสำหรับอุปกรณ์เดียวกัน และยังไม่มีแหล่งใดที่ถูกจำลองผลซ้ำอย่างเป็นอิสระ ให้ถือว่า 7 ms เป็นเพียงระดับขนาด ไม่ใช่ข้อกำหนดทางเทคนิค

ภาษาและเสียง: ความหลากหลายเทียบกับชุดเสียงที่กำหนดตายตัว

Qwen Audio 3.0 TTS รองรับ 16 ภาษา รวมถึงภาษาญี่ปุ่น เกาหลี อาหรับ เวียดนาม มาเลย์ และฟิลิปปินส์ พร้อมด้วยภาษาถิ่นจีนอีก 20 ภาษา รองรับการโคลนเสียงจากเสียงอ้างอิง และสามารถส่งออกเสียงในภาษาที่แตกต่างจากภาษาที่ใช้ในคลิปอ้างอิง ซึ่งเป็นฟีเจอร์ที่ทำให้ไปป์ไลน์การโลคัลไลเซชันน่าสนใจ เอาต์พุตเป็น 48 kHz และแพลตฟอร์มอนุญาตให้สังเคราะห์เสียงได้สูงสุดครั้งละสามนาที

Phonon 31M รองรับเฉพาะภาษาอังกฤษ และการ์ดโมเดลของ Gradium ก็ระบุตรง ๆ เกี่ยวกับเรื่องนี้ว่า ภาษาอื่น ๆ จะออกเสียงผิด โดยมีเสียงในตัว 37 เสียง พร้อมเสียงเพิ่มเติมในแคตตาล็อกเสียงแยกต่างหาก และรองรับเสียงกำหนดเองใน .safetensors ซึ่งเป็นรูปแบบไฟล์ ส่วนเช็กพอยต์ Phonon 40M แบบหลายภาษารองรับถึงห้าภาษา แต่ใบอนุญาตแบบไม่ใช่เชิงพาณิชย์ทำให้มันถูกตัดออกจากการตัดสินใจด้านผลิตภัณฑ์ส่วนใหญ่

• ภาษา — รองรับเฉพาะภาษาอังกฤษสำหรับ Phonon 31M; 16 ภาษาและอีก 20 ภาษาถิ่นจีนสำหรับ Qwen Audio 3.0 TTS

• อัตราการสุ่มตัวอย่าง — 24 kHz โมโนสำหรับ Phonon 31M; 48 kHz สำหรับ Qwen Audio 3.0 TTS

• แหล่งเสียง — 37 แบบในตัว พร้อมแค็ตตาล็อกเสียงกำหนดเองสำหรับ Phonon 31M; การโคลนเสียงจากเสียงอ้างอิงสำหรับ Qwen Audio 3.0 TTS

• ความยาวเสียงพูดสูงสุด — ไม่ได้ระบุไว้สำหรับ Phonon 31M; สูงสุดสามนาทีต่อการสังเคราะห์เสียงสำหรับ Qwen Audio 3.0 TTS

• ทำงานบนแพลตฟอร์มใด — CPU, NPU, เบราว์เซอร์ หรือโทรศัพท์ สำหรับ Phonon 31M; Alibaba Cloud Model Studio ใช้เฉพาะกับ Qwen Audio 3.0 TTS

• ใบอนุญาต — Apache 2.0 สำหรับ Phonon 31M; เงื่อนไข API เชิงพาณิชย์สำหรับ Qwen Audio 3.0 TTS

การควบคุม: แท็กและการโคลน เทียบกับชุดที่กำหนดตายตัว

เรื่องราวความสามารถในการแสดงออกของ Qwen ถูกสร้างขึ้นบนการควบคุมแบบอินไลน์ โมเดลรองรับแท็กอวัจนภาษาที่ละเอียด เช่น การหายใจ เสียงหัวเราะ เสียงถอนหายใจ และคำสั่งเกี่ยวกับสไตล์ด้วยภาษาธรรมชาติ ดังนั้นสคริปต์จึงสามารถระบุไม่เพียงสิ่งที่พูด แต่รวมถึงวิธีการพูดได้ด้วย การรายงานข่าวตอนเปิดตัวเน้นย้ำการเปลี่ยนจาก "พูดได้" ไปสู่ "แสดงได้" และรุ่น Plus ได้รับการจัดอันดับที่หนึ่งบน Artificial Analysis Speech Arena ด้วย Elo 1,237 เหนือกว่า Gemini 3.1 Flash TTS และ ElevenLabs v3 นี่คือกระดานจัดอันดับอิสระ ไม่ใช่ตารางจากผู้จำหน่าย ถึงแม้ว่ารายการดังกล่าวจะถูกส่งโดย Alibaba และ Elo บนอารีนาที่คัดสรรจะให้คะแนนสไตล์พอ ๆ กับความชัดเจนของคำพูด

พื้นผิวการควบคุมของ Phonon ถูกจำกัดอย่างจงใจ คุณเลือกเสียง ส่งข้อความ แล้วได้เสียงกลับมา ไม่มีแท็กอารมณ์และไม่มีพรอมต์สไตล์ สำหรับอินเทอร์เฟซที่อ่านข้อความสั้นและคาดเดาได้ — การแจ้งเตือน การนำทาง การยืนยันแบบฟอร์ม — แค่นั้นก็เพียงพอ และการไม่มีชั้นสไตล์เป็นเหตุผลหนึ่งที่โมเดลนี้มีพารามิเตอร์ 31 ล้านแทนที่จะเป็นพันล้าน สำหรับการบรรยาย โฆษณา หรืองานสร้างตัวละคร นี่ถือว่าใช้ไม่ได้เลย

ทั้งสองระบบไม่ได้แก้ปัญหาความยินยอม การโคลนเสียงของ Qwen รับคลิปอ้างอิง ส่วน Phonon รับไฟล์เสียงที่กำหนดเอง ทั้งคู่ปล่อยให้ผู้ผสานรวมระบบเป็นผู้ยืนยันว่าผู้พูดได้ให้ความยินยอม

ค่าใช้จ่ายเมื่อซื้อในปริมาณมาก

Phonon 31M ไม่มีราคาต่อตัวอักษร คุณจ่ายสำหรับฮาร์ดแวร์ที่คุณมีอยู่แล้ว และจ่ายค่าไฟฟ้าสำหรับการรันโมเดลที่สร้างได้เร็วกว่าเวลาจริง 26 ถึง 41 เท่าบนคอร์แล็ปท็อป ในระดับเล็กนั้นแทบจะฟรี แต่ในระดับใหญ่จะกลายเป็นงบประมาณด้านแบตเตอรี่และความร้อนของอุปกรณ์พกพา ซึ่งเป็นต้นทุนจริงแต่เป็นต้นทุนคนละประเภท

Qwen Audio 3.0 TTS Flash คิดค่าบริการ 1 หยวนต่อ 10,000 ตัวอักษรในกรุงปักกิ่ง 10 ล้านตัวอักษรต่อเดือนคือ 1,000 หยวน หรือประมาณ 140 ดอลลาร์สหรัฐ ณ อัตราประมาณ 7 หยวนต่อ 1 ดอลลาร์ ซึ่งน้อยกว่าที่ทีมส่วนใหญ่ใช้จ่ายกับการบันทึก log เสียอีก ตัวเลขที่สำคัญไม่ใช่ค่าใช้จ่ายรายเดือน แต่เป็นรูปร่างของมัน: ต้นทุนเพิ่มตามการใช้งาน ความหน่วงเป็นสิ่งที่ต้องเช่า และโมเดลอาจถูกกำหนดราคาใหม่หรือเลิกใช้งานโดยคนอื่น นั่นคือข้อแลกเปลี่ยนสำหรับ 48 kHz และสิบหกภาษา

OrcaRouter ไม่ได้โฮสต์โมเดลใดในสองโมเดลนี้ และไม่มีสิ่งใดในที่นี้ควรสื่อเป็นนัยเป็นอย่างอื่น: Phonon ทำงานบนอุปกรณ์ของคุณ และ Qwen Audio 3.0 TTS เข้าถึงผ่าน API ของ Alibaba เอง จุดที่การจัดเส้นทาง (routing) พิสูจน์คุณค่าของตัวเองคือชั้นที่สูงขึ้นไปหนึ่งชั้น ข้อความตอบกลับของผู้ช่วยเสียงมักมาจากโมเดลภาษา และโมเดลนั้นเป็นสินค้าทั่วไปที่คุณสลับเปลี่ยนได้ คีย์เดียวครอบคลุมโมเดลกว่า 200 รายการในราคาตามรายการของผู้ให้บริการ ด้วยมาร์กอัป 0% ดังนั้นการปรับลดราคาหรือโมเดลราคาถูกตัวใหม่จึงใช้งานได้ในวันเดียวกัน และการสลับไปใช้ระบบสำรองอัตโนมัติ (automatic failover) ช่วยให้ครึ่งที่เป็นข้อความของวงจรยังคงทำงานอยู่เมื่อผู้ให้บริการรายเดียวมีประสิทธิภาพลดลง ชั้นเสียงพูดสามารถอยู่ตรงจุดที่คุณวางไว้ได้เลย

จุดที่แต่ละอันชนะ

เลือก Phonon 31M เมื่อต้องสร้างเสียงบนอุปกรณ์ เมื่อภาษาคือภาษาอังกฤษ เมื่อชุดเสียงแบบคงที่เป็นที่ยอมรับได้ และเมื่อการดาวน์โหลด 64 MB พร้อมสัญญาอนุญาต Apache 2.0 คุ้มค่ามากกว่าความหลากหลายทางสไตล์ ผู้ช่วยแบบออฟไลน์ เครื่องมือเพื่อการเข้าถึง เกม คีออสก์ และฟีเจอร์ของเบราว์เซอร์ คือถิ่นที่อยู่ตามธรรมชาติของมัน

เลือก Qwen Audio 3.0 TTS เมื่อคุณต้องการภาษาที่ไม่ใช่ภาษาอังกฤษ เอาต์พุต 48 kHz การแสดงอารมณ์ การโคลนเสียง หรือข้อความที่ยาวกว่าหนึ่งหรือสองประโยค — และเมื่อยอมรับการพึ่งพาเครือข่ายได้ เอเจนต์เสียงสำหรับลูกค้าในหลายตลาด การพากย์เสียง และเนื้อหาที่บรรยายเสียง คือสภาพแวดล้อมที่เหมาะที่สุดสำหรับมัน

ไฮบริดที่ทีมส่วนใหญ่จะลงเอยด้วยการสร้าง

สองระบบนี้ไม่ได้แยกขาดจากกันโดยสิ้นเชิง และสถาปัตยกรรมที่น่าสนใจก็ใช้ทั้งสองระบบ ใช้ Phonon 31M เป็นค่าเริ่มต้นในเครื่องสำหรับการตอบกลับภาษาอังกฤษแบบสั้นและคาดเดาได้ ซึ่งเป็นกรณีที่รู้สึกถึงความหน่วงได้ ให้สลับไปใช้ Qwen Audio 3.0 TTS เป็นตัวสำรองเมื่อคำตอบยาว เมื่อผู้ใช้เปลี่ยนภาษา หรือเมื่ออุปกรณ์ไม่สามารถรองรับโมเดลในเครื่องได้อย่างต่อเนื่อง การสลับนี้เป็นการตัดสินใจเชิงนโยบาย ไม่ใช่การเขียนใหม่ เพราะทั้งสองระบบรับข้อความและส่งคืนเสียง

สิ่งที่ทำให้สถาปัตยกรรมนั้นทำงานได้คือ ระบบสำรองไม่ใช่ประสบการณ์ระดับรอง เอาต์พุต 48 kHz และแท็กสไตล์ของ Qwen ดีกว่าของ Phonon ในแทบทุกมิติ ยกเว้นความหน่วงและความเป็นส่วนตัว เหตุผลที่ตั้งค่าเริ่มต้นให้ทำงานในเครื่องไม่ใช่เรื่องคุณภาพ แต่เป็นเพราะ 7 มิลลิวินาทีเร็วกว่าการไปกลับผ่านเครือข่ายเมื่อผู้ใช้กำลังรอ

Gradium เปิดตัวมาได้สามวันแล้ว และผล benchmark ของมันก็ยังคงเป็นการทดสอบที่ผู้ขายจัดทำเอง ส่วนโมเดลของ Alibaba เปิดตัวมาแล้วสามเดือน มีอันดับบน arena จากแหล่งประเมินที่เป็นอิสระ และคิดราคาตามจำนวนตัวอักษร การตัดสินใจเลือกระหว่างสองตัวนี้จะไม่ได้ถูกชี้ขาดด้วยตาราง WER แต่จะขึ้นอยู่กับว่าผลิตภัณฑ์ของคุณทนต่อการมีศูนย์ข้อมูลอยู่ในวงจรการทำงานได้หรือไม่