Phonon กับ VoxCPM2: พารามิเตอร์ที่มากกว่า 64 เท่าให้อะไรได้จริงใน TTS

VoxCPM2 เป็นโมเดลเสียงพูดขนาด 2 พันล้านพารามิเตอร์จาก OpenBMB เปิดตัวในเดือนเมษายน 2026 พูดได้ 30 ภาษา ที่ 48 kHz และสามารถสร้างเสียงขึ้นมาใหม่จากคำบรรยายที่เป็นข้อความได้ Phonon 31M เป็นโมเดลขนาด 31 ล้านพารามิเตอร์จาก Gradium เปิดตัวเมื่อวันที่ 20 ตุลาคม 2026 พูดภาษาอังกฤษที่ 24 kHz ด้วยเสียงคงที่ 37 เสียง และมีขนาดเพียง 64.5 MB อัตราส่วนพารามิเตอร์อยู่ที่ประมาณ 64 ต่อ 1 และสิ่งที่น่าประหลาดใจไม่ใช่ว่าโมเดลที่ใหญ่กว่าทำได้มากกว่า แต่คือบนตัวเลขหนึ่งเดียวที่ทั้งสองผู้ขายเผยแพร่ — อัตราความผิดพลาดระดับคำภาษาอังกฤษบน Seed-TTS — โมเดลที่เล็กกว่าอ้างว่ามีคะแนนดีกว่า

ข้อกล่าวอ้างนั้นแทบจะแน่นอนว่าไม่ใช่การเปรียบเทียบที่ยุติธรรม และการเข้าใจว่าทำไมจึงบอกคุณได้มากเกี่ยวกับสถานะของ TTS แบบเปิดมากกว่าโพสต์เปิดตัวของโมเดลใดโมเดลหนึ่ง VoxCPM2 และ Phonon 31M ต่างเป็น Apache 2.0 ทั้งคู่ดาวน์โหลดได้ และทั้งคู่มุ่งเป้าไปที่ทีมที่ต้องการเสียงพูดโดยไม่มีค่าใช้จ่ายต่อตัวอักษร ทั้งคู่มุ่งเป้าไปที่ฮาร์ดแวร์ที่แตกต่างกันโดยสิ้นเชิง

งานสองอย่างที่แตกต่างกันแต่ใช้ชื่อเรียกเดียวกัน

VoxCPM2 เป็นระบบสร้างเสียงพูดหลายภาษาสำหรับงานทั่วไป เป็นแบบไม่ใช้ตัวแบ่งโทเค็น (tokenizer-free) และเป็นแบบดิฟฟิวชัน-ออโตรีเกรสซีฟ (diffusion-autoregressive) ทำงานในพื้นที่แฝง AudioVAE V2 ผ่านสี่ขั้นตอนที่ผู้เขียนเรียกว่า LocEnc, TSLM, RALM และ LocDiT บนโครงข่ายหลัก MiniCPM-4 รองรับการออกแบบเสียงจากคำอธิบายภาษาธรรมชาติ การโคลนเสียงแบบควบคุมได้จากตัวอย่างอ้างอิงสั้น ๆ และการโคลนเสียงแบบต่อเนื่องที่ใช้ทั้งคลิปอ้างอิงและข้อความถอดเสียงของคลิปนั้น ส่งออกเสียงที่ 48 kHz และรับเสียงอ้างอิงที่ 16 kHz

Phonon 31M เป็นซินธิไซเซอร์แบบภาษาเดียวและใช้งานเฉพาะทางเดียว เป็นทรานส์ฟอร์เมอร์แบบ flow-matching บน Mimi latents ทีละเฟรม 80 มิลลิวินาที แล้วถอดรหัสออกมาเป็นสัญญาณโมโน 24 kHz ไม่มีความสามารถในการออกแบบเสียง ไม่มีการโคลนจากคลิปอ้างอิงใน API ที่มีเอกสารกำกับ และไม่มีการตรวจจับภาษา มันมีแคตตาล็อกเสียง อินพุตข้อความ และรันไทม์ที่เริ่มทำงานได้ภายในเวลาไม่ถึงสิบมิลลิวินาที

การเรียกทั้งสองอย่างว่า "open TTS" นั้นถูกต้องแต่ไม่เกิดประโยชน์ ตัวหนึ่งเป็นแพลตฟอร์มวิจัยด้านเสียงพูด ส่วนอีกตัวเป็นคอมโพเนนต์แบบฝัง

ตำแหน่งที่ 64× ไปอยู่

งบพารามิเตอร์แลกมาได้สี่สิ่ง และทั้งสี่สิ่งนั้นเห็นได้ในสเปกชีต ไม่ใช่ในการทดสอบการฟัง

• ภาษา — 30 ภาษาบวกภาษาถิ่นจีนอีก 9 ภาษาสำหรับ VoxCPM2; ภาษาอังกฤษเท่านั้นสำหรับ Phonon 31M

• อัตราเอาต์พุต — 48 kHz แบบเนทีฟสำหรับ VoxCPM2; 24 kHz โมโนสำหรับ Phonon 31M

• การสร้างเสียง — การออกแบบเสียงจากคำอธิบายและโหมดการโคลนเสียงสามโหมดสำหรับ VoxCPM2; เสียงในตัว 37 เสียง พร้อมแคตตาล็อกเสียงกำหนดเองสำหรับ Phonon 31M

• ข้อกำหนดฮาร์ดแวร์ขั้นต่ำ — ประมาณ 8 GB ของ VRAM บน RTX 4090 สำหรับ VoxCPM2; 64.5 MB และ CPU หนึ่งคอร์สำหรับ Phonon 31M

• ความเร็ว — ประมาณ 0.30 เท่าของเวลาจริง (real-time factor) บน RTX 4090 สำหรับ VoxCPM2 หรือ 0.13 เมื่อใช้ Nano-vLLM; เร็วกว่าเวลาจริง 26 ถึง 41 เท่าบนคอร์แล็ปท็อปสำหรับ Phonon 31M ตาม README ของ Gradium

• สัญญาอนุญาต — Apache 2.0 สำหรับทั้งสอง

การเปรียบเทียบ WER ไม่ใช่การเปรียบเทียบ

รายงานทางเทคนิคของ VoxCPM2 ระบุค่า WER ภาษาอังกฤษที่ 1.84 บน Seed-TTS-eval โดยมีค่าความคล้ายของผู้พูดที่ 75.3 การ์ดโมเดลของ Phonon ระบุค่า 0.51 บน Seed-TTS สำหรับ Phonon 31M เมื่ออ่านเทียบกันแล้ว ดูเหมือนจะเป็นความพ่ายแพ้อย่างยับเยิน: โมเดลขนาด 31M เอาชนะโมเดลขนาด 2B ในด้านความเข้าใจได้ด้วยอัตราส่วนสามเท่า

ไม่ใช่เช่นนั้น ตัวเลขทั้งสองมาจากฮาร์เนสที่ต่างกัน น่าจะใช้ชุดอ้างอิงที่ต่างกัน และเกือบแน่นอนว่าใช้โมเดลถอดเสียงที่ต่างกันในการให้คะแนนเอาต์พุต ระเบียบวิธีที่ Gradium เผยแพร่สำหรับการประเมินครั้งก่อนใช้ส่วนภาษาอังกฤษของ Seed-TTS — 1,008 ข้อความ — ถอดเสียงด้วย whisper-large-v3 และให้คะแนนด้วย edit distance รายงานทางเทคนิคของ OpenBMB ไม่ได้ใช้ไปป์ไลน์เดียวกันกับตัวเลขที่ปรากฏบนหน้ารุ่นโมเดลของตน ผู้จำหน่ายทั้งสองรายไม่ได้นำเช็กพอยต์ของอีกฝ่ายมาวิ่งผ่านฮาร์เนสของตนเอง และยังไม่มีบุคคลที่สามเผยแพร่ผลการเปรียบเทียบแบบตัวต่อตัว

สิ่งที่ตัวเลขสนับสนุนจริง ๆ คือข้อกล่าวอ้างที่อ่อนกว่าแต่ยังมีประโยชน์ นั่นคือโมเดลทั้งสองอยู่ในช่วง WER หลักเดียวระดับต่ำบนชุดทดสอบภาษาอังกฤษมาตรฐาน ซึ่งหมายความว่าทั้งคู่มีความชัดเจนเพียงพอสำหรับงานอ่านออกเสียงในระดับโปรดักชัน แนวคิดที่ว่าพารามิเตอร์ 31M ไม่สามารถสร้างภาษาอังกฤษที่ชัดเจนได้นั้นเป็นเท็จโดยสิ้นเชิงในปี 2026 แนวคิดที่ว่าพารามิเตอร์ 31M จะเทียบเท่าโมเดล 2B ได้ครอบคลุม 30 ภาษาเองก็เป็นเท็จเช่นกัน และผู้จำหน่ายทั้งสองรายไม่ได้กล่าวอ้างเช่นนั้น

มีเหตุผลประการที่สองที่ทำให้ไม่ควรเชื่อพาดหัวข่าว: เอกสารของ Gradium เองขัดแย้งกันเอง บล็อกประกาศเปิดตัวระบุว่า Phonon 31M มีค่า WER ที่กำหนดตายตัวไว้ที่ 1.70% การ์ดโมเดลระบุ 1.5% ส่วน README ของรันไทม์ไม่ได้เผยแพร่ค่า WER เลย เมื่อเอกสารสามฉบับของผู้จำหน่ายให้ค่าตัวเลขต่างกันถึง 13% สำหรับตัวชี้วัดเดียวกัน การตอบสนองที่ถูกต้องคือมองตัวเลขนั้นเป็นช่วงค่า

การตัดสินใจที่แท้จริงคือพื้นฐานด้านฮาร์ดแวร์

VoxCPM2 ต้องการ GPU การกำหนดค่าอ้างอิงใช้ VRAM ประมาณ 8 GB และโมเดลทำงานด้วยความเร็วประมาณหนึ่งในสามของเวลาจริงบน RTX 4090 เมื่อไม่มีสแตกสำหรับให้บริการที่ปรับแต่งแล้ว บน Apple M4 Pro ที่ใช้การควอนไทซ์ Q8_0 ค่าเรียลไทม์แฟกเตอร์อยู่ที่ประมาณ 1.76 หมายความว่าต้องใช้การประมวลผล 1.76 วินาทีเพื่อสร้างเสียงหนึ่งวินาที — ช้ากว่าเวลาจริง และไม่เหมาะสำหรับการสนทนาแบบสดบนฮาร์ดแวร์นั้น เมื่อใช้ Nano-VLLM ค่าดังกล่าวลดลงเหลือประมาณ 0.13 ซึ่งเร็ว แต่นั่นคือสแตกสำหรับให้บริการที่มีต้นทุนด้านการปฏิบัติการของตัวเอง

จุดต่ำสุดของ Phonon 31M คือคอร์ CPU หนึ่งคอร์ README ของ Gradium ระบุว่า 26 เท่าของเวลาจริงบนคอร์ MacBook Air M5 หนึ่งคอร์, 22 เท่าบน Neural Engine ของ iPhone 16 Pro และ 2.3 เท่าบน Raspberry Pi 5 ตัวเลขในบล็อกประกาศเปิดตัวนั้นแตกต่างออกไป — 11.6 เท่าบนหนึ่งคอร์, 3.7 เท่าบน Pi — แต่ทุกเวอร์ชันของตัวเลขล้วนอธิบายถึงอุปกรณ์ที่ถือได้ในมือเดียว

นี่ไม่ใช่การถกเถียงเรื่องคุณภาพ การเรนเดอร์ VoxCPM2 ที่ 48 kHz ผ่าน GPU จะให้เสียงที่ดีกว่าการเรนเดอร์ Phonon ที่ 24 kHz และก็ควรเป็นเช่นนั้น คำถามคือผลิตภัณฑ์ของคุณสามารถรับภาระ GPU หนึ่งตัวต่อสตรีมที่ทำงานพร้อมกันได้หรือไม่ สำหรับไปป์ไลน์การพากย์เสียงฝั่งเซิร์ฟเวอร์ คำตอบคือได้ สำหรับแอปบนโทรศัพท์ที่ต้องทำงานบนเครื่องบิน คำตอบคือไม่

การออกแบบเสียงเทียบกับการใช้ทีมนักพากย์แบบตายตัว

คุณสมบัติที่โดดเด่นที่สุดของ VoxCPM2 คือการออกแบบเสียง (voice design): คำอธิบายในวงเล็บในพรอมต์ข้อความจะสร้างเสียงขึ้นมาได้โดยไม่ต้องมีไฟล์เสียงอ้างอิงเลย เมื่อเพิ่มการโคลนเสียงแบบควบคุมได้ ซึ่งคลิปเสียงสั้น ๆ ใช้กำหนดโทนเสียง และคำสั่งสไตล์ใช้กำหนดวิธีการพูด คุณก็จะมีระบบสำหรับสร้างคณะตัวละครขึ้นมา แทนที่จะเป็นเพียงการอ่านบท

Phonon ไม่มีสิ่งนั้นเลย เสียงภาษาอังกฤษ 37 เสียงของมันเป็นชุดที่ตายตัว และเสียงกำหนดเองต้องใช้.safetensorsเป็นไฟล์ แทนที่จะเป็นคำอธิบายเพียงประโยคเดียว นั่นคือการทำให้เรียบง่ายโดยเจตนา: แคตตาล็อกเสียงตรวจสอบได้ง่ายกว่า ให้สิทธิ์ใช้งานได้ง่ายกว่า และเป็นไปไม่ได้ที่จะพรอมป์ให้พูดบางสิ่งด้วยเสียงของคนดัง สำหรับการติดตั้งใช้งานที่อ่อนไหวต่อการปฏิบัติตามข้อกำหนด ข้อจำกัดนี้ถือเป็นคุณสมบัติที่ดี ส่วนงานสร้างสรรค์ มันคือกำแพง

ทั้งคู่เป็น Apache 2.0 ซึ่งเปลี่ยนการประเมิน

ส่วนนี้คือส่วนที่ทำให้การเปรียบเทียบชัดเจนยิ่งกว่าการเปรียบเทียบอื่น ๆ ของ Phonon VoxCPM2 ใช้ Apache 2.0 ทั้งสำหรับโค้ดและน้ำหนักโมเดล Phonon 31M ใช้ Apache 2.0 สำหรับน้ำหนักโมเดล โดยรันไทม์อยู่ภายใต้ MIT หรือ Apache-2.0 ต่างจากเช็กพอยต์ 40M ของ Gradium ซึ่งเป็น CC BY-NC 4.0 และใช้ในผลิตภัณฑ์เชิงพาณิชย์ไม่ได้หากไม่มีข้อตกลง ทั้งสองรุ่นนี้สามารถนำออกใช้งานได้

ความแตกต่างด้านไลเซนซิงภายในตระกูลของ Gradium เองสมควรกล่าวซ้ำ เพราะเป็นเรื่องที่มองข้ามได้ง่าย: โมเดลที่เสียงดีที่สุด — Phonon 40M ซึ่งมี Elo 2,117 เทียบกับ 2,098 ของ 31M — คือโมเดลที่คุณไม่สามารถใช้ในเชิงพาณิชย์ได้ ส่วนโมเดล Apache 2.0 นั้นเป็นโมเดลที่เล็กกว่าและรองรับเฉพาะภาษาอังกฤษ

จุดที่แต่ละอันชนะ

เลือก VoxCPM2 เมื่อคุณต้องการภาษาที่นอกเหนือจากภาษาอังกฤษ เอาต์พุต 48 kHz การออกแบบเสียง การโคลนเสียง หรือการบรรยายแบบยาว และเมื่อการติดตั้งใช้งานมี GPU อยู่แล้ว นอกจากนี้ยังเป็นตัวเลือกที่ดีกว่าสำหรับการวิจัยด้าน TTS หลายภาษา เพราะเช็กพอยต์ รายงานทางเทคนิค และชุดข้อมูลการประเมิน ล้วนเปิดเผยต่อสาธารณะ

เลือก Phonon 31M เมื่อต้องสร้างเสียงบนอุปกรณ์ เมื่อภาษาอังกฤษเพียงพอ เมื่อชุดเสียงสามารถกำหนดไว้ตายตัวได้ และเมื่อการดาวน์โหลด 64 MB คือความแตกต่างระหว่างการเปิดตัวกับการไม่เปิดตัว เกม เครื่องมือเพื่อการเข้าถึง ตู้คีออสก์ ฟีเจอร์ในเบราว์เซอร์ และผู้ช่วยแบบออฟไลน์คืออาณาเขตของมัน โมเดล 2B ไม่สามารถตามทันในจุดนั้นได้ และมันก็ไม่ได้พยายามจะทำเช่นนั้น

OrcaRouter ไม่ได้โฮสต์โมเดลใดเลย — VoxCPM2 ให้บริการผ่าน vLLM-Omni หรือรันไทม์ภายในเครื่อง และ Phonon ทำงานบนฮาร์ดแวร์ของคุณ ชั้นการกำหนดเส้นทางจะเกี่ยวข้องในระดับที่สูงขึ้นหนึ่งชั้นของสแตก ซึ่งเป็นจุดที่สคริปต์สำหรับเสียงถูกสร้างขึ้น: โมเดลภาษามากกว่า 200 โมเดลภายใต้คีย์เดียว ราคาตามรายการของผู้ให้บริการถูกส่งต่อโดยบวกเพิ่ม 0% และการสลับระบบอัตโนมัติเมื่อผู้ให้บริการมีปัญหา TTS ยังคงอยู่ที่ที่มันควรอยู่ ส่วนการสร้างข้อความสามารถย้ายไปได้

สิ่งที่เบนช์มาร์กถัดไปควรชี้ขาด

การทดลองที่ขาดหายไปนั้นชัดเจนและยังไม่มีใครทำมัน: ทั้งสอง checkpoint, ชุดทดสอบชุดเดียว, โมเดลถอดเสียงตัวเดียว, ตัวให้คะแนนตัวเดียว, เผยแพร่พร้อมไฟล์เสียง จนกว่าสิ่งนั้นจะมีอยู่ จุดยืนที่ซื่อตรงคือ VoxCPM2 เป็นระบบที่มีความสามารถมากกว่า และ Phonon 31M เป็นตัวที่นำไปใช้งานได้จริงมากกว่า และการเปรียบเทียบ WER ระหว่าง 0.51 กับ 1.84 เป็นความบังเอิญของระเบียบวิธีวิจัย มากกว่าจะเป็นผลลัพธ์

สิ่งที่ไม่มีข้อสงสัยคือทิศทางที่กำลังมุ่งไป โมเดลภาษาอังกฤษขนาด 64 MB ในเดือนตุลาคม 2026 นั้นเชื่อถือได้สำหรับงานอ่านออกเสียงระดับการใช้งานจริง ในแบบที่โมเดลขนาด 64 MB จะยังไม่เป็นเช่นนั้นในต้นปี 2025 คำถามที่น่าสนใจสำหรับรอบการเปิดตัวถัดไปไม่ใช่เรื่องที่ว่าโมเดลขนาดเล็กจะเทียบเท่าโมเดลขนาดใหญ่ในภาษาอังกฤษได้หรือไม่ แต่เป็นเรื่องที่ว่าโมเดลขนาดเล็กจะรับภาษาอีกภาษาหนึ่งได้โดยไม่ต้องเพิ่มขนาดเป็นสองเท่าหรือไม่ เช็กพอยต์หลายภาษาขนาด 40M ของ Gradium เป็นความพยายามครั้งแรก และสัญญาอนุญาตแบบไม่ใช้เชิงพาณิชย์ของมันบ่งชี้ว่าบริษัทยังไม่ได้ตัดสินใจว่าจะขายมันอย่างไร