Phonon so với VoxCPM2: Nhiều hơn 64× tham số thực sự mang lại điều gì trong TTS

VoxCPM2 là một mô hình giọng nói 2 tỷ tham số của OpenBMB, phát hành vào tháng 4 năm 2026, có thể nói 30 ngôn ngữ ở tần số 48 kHz và có thể tạo ra một giọng nói từ một mô tả bằng văn bản. Phonon 31M là một mô hình 31 triệu tham số của Gradium, phát hành ngày 20 tháng 10 năm 2026, nói tiếng Anh ở tần số 24 kHz với 37 giọng cố định và chỉ chiếm 64,5 MB. Tỷ lệ tham số là khoảng 64 trên 1, và điều đáng ngạc nhiên không phải là mô hình lớn hơn làm được nhiều hơn. Mà là ở con số duy nhất mà cả hai nhà cung cấp đều công bố — tỷ lệ lỗi từ tiếng Anh trên Seed-TTS — mô hình nhỏ hơn lại tuyên bố có điểm số tốt hơn.

Tuyên bố đó gần như chắc chắn không phải là một so sánh công bằng, và việc hiểu tại sao sẽ cho bạn biết nhiều hơn về tình trạng TTS mở so với bài đăng ra mắt của cả hai mô hình. VoxCPM2 và Phonon 31M đều theo Apache 2.0, đều có thể tải xuống và đều hướng đến các nhóm muốn có giọng nói mà không phải trả tiền theo từng ký tự. Chúng nhắm đến những phần cứng hoàn toàn khác nhau.

Hai công việc khác nhau cùng mang một nhãn

VoxCPM2 là một bộ tạo giọng nói đa ngôn ngữ đa dụng. Nó không dùng tokenizer và là mô hình khuếch tán tự hồi quy, vận hành trong không gian tiềm ẩn của AudioVAE V2 qua bốn giai đoạn mà các tác giả gọi là LocEnc, TSLM, RALM và LocDiT, trên nền backbone MiniCPM-4. Nó hỗ trợ thiết kế giọng nói từ mô tả bằng ngôn ngữ tự nhiên, nhân bản có thể điều khiển từ một mẫu tham chiếu ngắn, và nhân bản kiểu tiếp nối sử dụng cả đoạn âm thanh tham chiếu lẫn bản chép lời của đoạn đó. Nó xuất âm thanh 48 kHz và nhận âm thanh tham chiếu 16 kHz.

Phonon 31M là một bộ tổng hợp một ngôn ngữ, một mục đích. Đây là một transformer flow-matching trên các latent Mimi, từng khung 80 mili giây một, được giải mã thành mono 24 kHz. Nó không có thiết kế giọng nói, không nhân bản từ clip tham chiếu trong API được tài liệu hóa và không phát hiện ngôn ngữ. Nó có một danh mục giọng nói, một đầu vào văn bản và một runtime khởi động trong dưới 10 mili giây.

Gọi cả hai là “open TTS” thì chính xác nhưng không hữu ích. Một cái là nền tảng nghiên cứu giọng nói; cái kia là một thành phần nhúng.

Nơi 64× được đặt

Ngân sách tham số đem lại bốn thứ, và cả bốn đều hiện rõ trên bảng thông số kỹ thuật chứ không phải trong bài kiểm tra nghe.

• Ngôn ngữ — 30 cộng với chín phương ngữ Trung Quốc cho VoxCPM2; chỉ tiếng Anh cho Phonon 31M.

• Tốc độ đầu ra — 48 kHz gốc cho VoxCPM2; 24 kHz mono cho Phonon 31M.

• Tạo giọng nói — thiết kế giọng nói dựa trên mô tả và ba chế độ nhân bản cho VoxCPM2; 37 giọng nói tích hợp sẵn cùng danh mục giọng nói tùy chỉnh cho Phonon 31M.

• Mức phần cứng tối thiểu — khoảng 8 GB VRAM trên một RTX 4090 cho VoxCPM2; 64,5 MB và một lõi CPU cho Phonon 31M.

• Tốc độ — hệ số thời gian thực khoảng 0,30 trên RTX 4090 đối với VoxCPM2, hoặc 0,13 với Nano-vLLM; nhanh hơn thời gian thực từ 26 đến 41 lần trên một lõi laptop đối với Phonon 31M, theo README của Gradium.

• Giấy phép — Apache 2.0 cho cả hai.

So sánh WER không phải là một so sánh

Báo cáo kỹ thuật của VoxCPM2 ghi WER tiếng Anh là 1,84 trên Seed-TTS-eval, với độ tương đồng người nói là 75,3. Thẻ mô hình của Phonon ghi 0,51 trên Seed-TTS đối với Phonon 31M. Đọc cạnh nhau, trông như một thảm bại: một mô hình 31M đánh bại một mô hình 2B về độ dễ hiểu gấp ba lần.

Không phải vậy. Hai con số này đến từ những harness khác nhau, nhiều khả năng là các bộ tham chiếu khác nhau, và gần như chắc chắn là các mô hình phiên âm khác nhau được dùng để chấm điểm đầu ra. Phương pháp đã công bố của Gradium cho đánh giá trước đó của mình đã dùng phần tiếng Anh của Seed-TTS — 1.008 phát ngôn — được phiên âm bằng whisper-large-v3 và chấm điểm bằng khoảng cách chỉnh sửa. Báo cáo kỹ thuật của OpenBMB không sử dụng cùng một pipeline trong các số liệu được hiển thị trên trang mô hình của họ. Không nhà cung cấp nào đã chạy checkpoint của bên kia qua harness của chính mình, và chưa có bên thứ ba nào công bố so sánh đối đầu trực tiếp.

Những gì các con số thực sự ủng hộ là một khẳng định yếu hơn nhưng vẫn hữu ích: cả hai mô hình đều nằm trong phạm vi WER một chữ số thấp trên các bộ kiểm thử tiếng Anh tiêu chuẩn, nghĩa là cả hai đều đủ dễ hiểu cho công việc đọc thành tiếng trong sản xuất. Ý tưởng rằng 31M tham số không thể tạo ra tiếng Anh rõ ràng đơn giản là sai vào năm 2026. Ý tưởng rằng 31M tham số có thể sánh ngang một mô hình 2B trên 30 ngôn ngữ cũng sai, và không nhà cung cấp nào tuyên bố điều đó.

Có lý do thứ hai để không tin vào tiêu đề: các tài liệu của chính Gradium mâu thuẫn với nhau. Bài blog công bố cho Phonon 31M mức WER được ấn định cứng là 1,70%, thẻ mô hình đưa ra 1,5%, còn README của runtime không công bố WER nào cả. Khi ba tài liệu của một nhà cung cấp lệch nhau 13% ở cùng một chỉ số, phản ứng đúng là coi con số đó như một khoảng.

Mức tối thiểu phần cứng mới là quyết định thực sự.

VoxCPM2 cần một GPU. Cấu hình tham chiếu khoảng 8 GB VRAM và mô hình chạy với thời gian tính toán chỉ bằng khoảng một phần ba thời gian thực trên RTX 4090 nếu không có ngăn xếp phục vụ được tối ưu hóa. Trên Apple M4 Pro với lượng tử hóa Q8_0, hệ số thời gian thực khoảng 1,76, nghĩa là cần 1,76 giây tính toán để tạo ra một giây âm thanh — chậm hơn thời gian thực và không khả thi cho hội thoại trực tiếp trên phần cứng đó. Với Nano-VLLM, hệ số giảm xuống khoảng 0,13, tức là nhanh, nhưng đó là một ngăn xếp phục vụ có chi phí vận hành riêng.

Mức tối thiểu của Phonon 31M là một lõi CPU. README của Gradium liệt kê 26 lần thời gian thực trên một lõi MacBook Air M5, 22 lần trên Neural Engine của iPhone 16 Pro và 2,3 lần trên Raspberry Pi 5. Số liệu trên blog phát hành thì khác — 11,6 lần trên một lõi, 3,7 lần trên Pi — nhưng mọi phiên bản của con số đều mô tả một thiết bị vừa trong lòng bàn tay.

Đây không phải là một lập luận về chất lượng. Bản render VoxCPM2 48 kHz qua GPU sẽ nghe hay hơn bản render Phonon 24 kHz, và đúng là phải như vậy. Câu hỏi là liệu sản phẩm của bạn có đủ khả năng đáp ứng một GPU cho mỗi luồng đồng thời hay không. Đối với quy trình lồng tiếng phía máy chủ, có. Đối với ứng dụng điện thoại phải hoạt động trên máy bay, không.

Thiết kế giọng nói so với dàn diễn viên cố định

Tính năng đặc trưng nhất của VoxCPM2 là thiết kế giọng nói: một mô tả trong ngoặc đơn trong lời nhắc văn bản tạo ra một giọng nói mà không cần bất kỳ âm thanh tham chiếu nào. Thêm khả năng nhân bản có thể kiểm soát, trong đó một đoạn clip ngắn thiết lập âm sắc và một chỉ dẫn phong cách thiết lập cách thể hiện, và bạn có một hệ thống để tạo ra một dàn nhân vật thay vì đọc một kịch bản.

Phonon không có những thứ đó. 37 giọng tiếng Anh của nó là một bộ cố định, và giọng tùy chỉnh yêu cầu một tệp .safetensors chứ không phải một câu mô tả. Đó là một sự đơn giản hóa có chủ đích: một danh mục giọng nói dễ kiểm tra hơn, dễ cấp phép hơn và không thể bị dẫn dắt để nói điều gì đó bằng giọng của một người nổi tiếng. Với các triển khai nhạy cảm về tuân thủ, ràng buộc này là một tính năng. Với công việc sáng tạo, nó là một bức tường.

Cả hai đều dùng Apache 2.0, điều này thay đổi cách cân nhắc.

Đây là phần khiến việc so sánh trở nên rõ ràng hơn so với các cặp đối chiếu khác của Phonon. VoxCPM2 dùng Apache 2.0 cho mã nguồn và trọng số. Phonon 31M dùng Apache 2.0 cho trọng số, với runtime theo MIT hoặc Apache-2.0. Khác với các checkpoint 40M của Gradium, vốn là CC BY-NC 4.0 và không thể dùng trong sản phẩm thương mại nếu không có thỏa thuận, cả hai đều có thể được phát hành.

Sự khác biệt về giấy phép trong cùng dòng mô hình của Gradium đáng được nhắc lại vì rất dễ bỏ sót: mô hình nghe hay nhất — Phonon 40M, với Elo 2.117 so với 2.098 của 31M — lại chính là mô hình bạn không thể dùng cho mục đích thương mại. Mô hình Apache 2.0 là mô hình nhỏ hơn, chỉ hỗ trợ tiếng Anh.

Nơi mỗi cái chiến thắng

Chọn VoxCPM2 khi bạn cần các ngôn ngữ ngoài tiếng Anh, đầu ra 48 kHz, thiết kế giọng nói, nhân bản giọng nói hoặc tường thuật dạng dài, và khi GPU đã là một phần của quá trình triển khai. Đây cũng là lựa chọn tốt hơn cho nghiên cứu về TTS đa ngôn ngữ, vì checkpoint, báo cáo kỹ thuật và bộ đánh giá đều được công khai.

Chọn Phonon 31M khi âm thanh phải được tạo ngay trên thiết bị, khi tiếng Anh là đủ, khi bộ giọng nói có thể được cố định, và khi bản tải xuống 64 MB chính là khác biệt giữa việc phát hành và không phát hành. Trò chơi, công cụ trợ năng, kiosk, tính năng trình duyệt và trợ lý ngoại tuyến là lãnh địa của nó. Một mô hình 2B không thể bám theo nó ở đó, và nó cũng không cố gắng làm vậy.

OrcaRouter không tự vận hành mô hình nào — VoxCPM2 được phục vụ thông qua vLLM-Omni hoặc một runtime cục bộ, còn Phonon chạy trên phần cứng của bạn. Lớp định tuyến phát huy tác dụng ở một bước cao hơn trong ngăn xếp, nơi kịch bản cho giọng nói được tạo ra: hơn 200 mô hình ngôn ngữ chỉ với một khóa, giá niêm yết của nhà cung cấp được chuyển nguyên với 0% phụ phí, cùng khả năng tự động chuyển đổi dự phòng khi một nhà cung cấp gặp sự cố. Phần TTS vẫn ở đúng chỗ của nó; phần tạo văn bản có thể linh hoạt dịch chuyển.

Bài đánh giá chuẩn tiếp theo nên giải quyết điều gì

Thí nghiệm còn thiếu thì rõ ràng và chưa ai chạy nó: cả hai checkpoint, một tập kiểm thử, một mô hình phiên âm, một bộ chấm điểm, được công bố kèm âm thanh. Cho đến khi có thứ đó, quan điểm trung thực là VoxCPM2 là hệ thống có năng lực hơn còn Phonon 31M là hệ thống dễ triển khai hơn, và so sánh WER 0,51 với 1,84 chỉ là sự trùng hợp về phương pháp luận chứ không phải là một kết quả.

Điều không còn nghi ngờ là hướng đi. Một mô hình tiếng Anh 64 MB vào tháng 10/2026 đủ đáng tin cậy cho công việc đọc thành tiếng trong sản xuất theo cách mà một mô hình 64 MB hồi đầu năm 2025 không thể có. Câu hỏi thú vị cho chu kỳ phát hành tiếp theo không phải là liệu một mô hình nhỏ có thể sánh ngang một mô hình lớn về tiếng Anh hay không. Mà là liệu mô hình nhỏ có thể học thêm một ngôn ngữ thứ hai mà không tăng gấp đôi kích thước hay không. Checkpoint đa ngôn ngữ 40M của Gradium là nỗ lực đầu tiên, và giấy phép phi thương mại của nó cho thấy công ty vẫn chưa quyết định cách bán nó.