Phonon 对比 Qwen Audio 3.0 TTS：在你的笔记本电脑上只需 7 毫秒，还是在云端需要 200 毫秒

客服人员说完一句话，语音助手就必须应答。在 Phonon 31M上，Gradium 于 2026 年 10 月 20 日发布的 64 MB 设备端模型，首个音频样本可在文本准备好后约 7 毫秒到达，因为没有任何数据离开设备。在 Qwen Audio 3.0 TTS上，阿里巴巴于 2026 年 7 月推出的托管系统，首个数据包据记录低于 200 毫秒——而这个数字是从你的请求经过网络到达北京或新加坡的数据中心之后才开始计算的。

这个差距正是整个对比的缩影，但它并不是整个决策。Qwen Audio 3.0 TTS 以 48 kHz 支持 16 种语言和 20 种中文方言，可内联接收情感与非语言标签，并能从参考音频片段克隆声音。Phonon 31M 以 24 kHz 用 37 个固定音色说英语，并可运行在 Raspberry Pi 上。在两者之间做选择，是在选择你要构建哪种系统，而不是选择哪个模型在演示中听起来更悦耳。

每一个实际上是什么

Phonon 31M 是 Gradium 开放权重系列中的一个检查点。它不含音频分词器，参数量为 3100 万，以 64.5 MB 的 q8 GGUF 形式发布，输出 24 kHz 单声道，并采用 Apache 2.0 许可——是该系列中唯一可免费用于商业用途的检查点。配套的 Phonon 40M 模型覆盖五种语言，但受 CC BY-NC 4.0 约束，因此若无单独协议，它们不适合用于已交付的产品。运行时采用 Rust，推理时不使用 PyTorch，并已有适用于 CPU、Core ML、Snapdragon NPU 和 WebAssembly 的构建版本。

Qwen Audio 3.0 TTS 不是可下载的模型。阿里巴巴 Qwen 团队于 2026 年 7 月 20 日在 WAIC 上发布它，分为两个 API 层级：Flash 针对实时交互进行优化，Plus 针对质量进行优化。两者均可通过阿里云百炼访问。Flash 端点的文档列出首包延迟低于 200 ms、速率限制为每分钟 180 个请求，以及北京每 10,000 个字符 1 CNY、新加坡 1.12413 CNY 的价格。没有权重，没有本地运行时，也没有离线模式。

延迟差不是 193 毫秒

从 200 中减去 7 得到的数字，会低估差距并高估其重要性，具体取决于你在构建什么。对于轮流发言的语音界面，端到端预算大约是 800 毫秒，超过之后对话就开始让人觉得不对劲。一次云端 TTS 调用会在网络往返之后花掉它的 200 毫秒，而网络往返在良好的有线连接上可能是 20 毫秒，在移动网络上则可能是 150 毫秒。再加上冷连接上的 TLS 建立、音频缓冲，以及 180 RPM 速率限制在负载下所隐含的尾部延迟，p95 体验就会比标称值差得多。

本地路径的形态不同。Phonon 自己的 README 列出的数据是：在一颗 MacBook Air M5 核心上，首字节时间为 5 毫秒；在 iPhone 16 Pro 神经网络引擎上为 9 毫秒。这里没有网络尾部延迟，没有速率限制，也没有哪家服务商正赶上状态不佳的下午。你要放弃的是弹性：一台正在热节流的手机运行 Phonon 会更慢，而一个与视频通话争抢资源的浏览器标签页能分到的 CPU 会更少。厂商给出的 Raspberry Pi 5 数据——README 中是 68 毫秒和 2.3 倍实时，发布博客中是 38 毫秒和 3.7 倍——表明在弱硬件上这个下限还能降到多低。

这也是那些数字需要附带说明的地方。对于同一设备，Gradium 的发布博客与其运行时 README 在吞吐量上的说法相差超过两倍，而且两者都未经独立复现。请把 7 ms 视为一个数量级，而不是精确规格。

语言与语音：广度与固定阵容之争

Qwen Audio 3.0 TTS 覆盖 16 种语言，包括日语、韩语、阿拉伯语、越南语、马来语和菲律宾语，以及 20 种中文方言。它支持基于参考音频进行声音克隆，并且可以输出与参考片段中不同的语言，这正是让本地化流程变得有趣的功能。输出为 48 kHz，平台允许每次合成最多三分钟音频。

Phonon 31M 仅支持英语，Gradium 的模型卡对此直言不讳：其他语言会出现发音错误。它内置 37 种语音，另有更多语音收录在单独的语音目录中，并支持采用.safetensors格式的自定义语音。多语言 Phonon 40M 检查点可覆盖五种语言，但其非商业许可证使其无法用于大多数产品决策。

• 语言 — Phonon 31M 仅支持英语；Qwen Audio 3.0 TTS 支持 16 种语言以及 20 种汉语方言。

• 采样率 — Phonon 31M 为 24 kHz 单声道；Qwen Audio 3.0 TTS 为 48 kHz。

• 音色来源 — Phonon 31M 提供 37 种内置音色以及自定义音色库；Qwen Audio 3.0 TTS 支持参考音频克隆。

• 最长语音时长——Phonon 31M 未记录；Qwen Audio 3.0 TTS 每次合成最长可达三分钟。

• 运行位置 — Phonon 31M 支持 CPU、NPU、浏览器或手机；Qwen Audio 3.0 TTS 仅在 Alibaba Cloud Model Studio 上提供。

• 许可 — Phonon 31M 采用 Apache 2.0；Qwen Audio 3.0 TTS 适用商业 API 条款。

控制：标签和克隆与固定阵容的对比

Qwen 的表现力叙事建立在行内控制之上。该模型接受细粒度的非语言标签——呼吸、笑声、叹息——以及自然语言风格指令，因此脚本不仅能规定说什么，还能规定怎么说。发布报道强调了从“能说”到“能演”的转变，而 Plus 档位在 Artificial Analysis Speech Arena 上以 1,237 的 Elo 排名第一，领先于 Gemini 3.1 Flash TTS 和 ElevenLabs v3。这是一个独立排行榜，而非厂商自建表格，不过该条目由阿里巴巴提交，而且在精心策划的竞技场上，Elo 对风格的奖励不亚于对可懂度的奖励。

Phonon 的控制面刻意做得很窄：选择音色，输入文本，得到音频。没有情感标签，也没有风格提示。对于处理简短、可预测话语的界面——通知、导航、表单确认——这已经足够；而缺少风格层，也正是该模型只有 3100 万参数而非数十亿参数的原因之一。但用于旁白、广告或角色演绎时，这就直接不合格了。

两个系统都没有解决同意问题。Qwen 的克隆功能接受参考音频片段；Phonon 接受自定义语音文件。两者都把证明说话者已同意这件事留给集成方来做。

大批量采购的成本是多少

Phonon 31M 没有按字符计价。你支付的是你已经拥有的硬件成本，以及运行一个在笔记本单核上生成速度比实时快 26 到 41 倍的模型所需的电费。小规模下这实际上免费；大规模下它就变成了移动设备的电池和散热预算，这确实是真实成本，但属于另一种成本。

Qwen Audio 3.0 TTS Flash 在北京的计费标准是每 1 万字符 1 元人民币。每月一千万字符就是 1,000 元人民币，按 1 美元约合 7 元人民币的粗略汇率计算，约合 140 美元——比大多数团队花在日志记录上的钱还少。真正重要的数字不是月度账单，而是它的形态：成本随用量伸缩，延迟是租来的，模型还可能被其他人重新定价或弃用。这就是为 48 kHz 和十六种语言所做的取舍。

OrcaRouter 并不托管这两个模型中的任何一个，本文内容也不应让人产生相反的理解：Phonon 在你的设备上运行，而 Qwen Audio 3.0 TTS 是通过阿里自己的 API 访问的。路由真正发挥作用的地方在上一层。语音助手的回复文本通常来自语言模型，而那个模型是你可以迁移的商品化资源。一个密钥即可按提供商标价、以 0% 加价覆盖 200 多个模型，因此降价或新的廉价模型当天就能用上；当单个提供商性能下降时，自动故障转移能让循环中的文本部分保持运行。语音层则可以完全保持在你放置它的位置。

每个的优势所在

当音频必须在设备上生成、语言为英语、可接受固定音色集，并且 64 MB 的下载体积和 Apache 2.0 许可证比风格多样性更有价值时，请选择 Phonon 31M。离线助手、无障碍工具、游戏、自助终端和浏览器功能是它的天然适用场景。

当您需要英语以外的语言、48 kHz 输出、富有情感的演绎、声音克隆，或长度超过一两句的话语时，并且可以接受网络依赖时，请选择 Qwen Audio 3.0 TTS。面向多个市场的客户语音代理、配音和旁白内容是其天然适用场景。

大多数团队最终都会构建出的混合方案

这两个系统并不互斥，而有趣的架构会同时使用两者。将 Phonon 31M 作为本地默认模型，用于简短、可预测的英文响应——也就是能明显感知到延迟的那些场景。当响应较长、用户已切换语言，或设备无法持续运行本地模型时，回退到 Qwen Audio 3.0 TTS。这个切换是策略决策，而不是重写，因为两者都接收文本并返回音频。

这套架构之所以可行，是因为回退方案并不是次优体验。Qwen 的 48 kHz 输出和风格标签在除延迟和隐私之外的几乎所有维度上都优于 Phonon。默认选择本地的原因不是质量；而是当用户正在等待时，7 毫秒胜过一次网络往返。

Gradium 的版本发布才三天，其基准测试仍由厂商自行运行。阿里巴巴的模型已发布三个月，拥有独立的竞技场排名，并按字符计费。二者之间的抉择不会由一张 WER 表格来决定，而取决于你的产品能否容忍链路中引入一个数据中心。