Phonon 對比 Qwen Audio 3.0 TTS：在你的筆電上只要 7 毫秒，在雲端卻要 200 毫秒

客服人員說完一句話，語音助理就必須回答。在Phonon 31M上——Gradium 於 2026 年 10 月 20 日發布的 64 MB 裝置端模型——文字準備好後約 7 毫秒，第一個音訊樣本就能送達，因為沒有任何資料離開這台機器。在Qwen Audio 3.0 TTS上——Alibaba 於 2026 年 7 月推出的託管系統——第一個封包有紀錄為低於 200 毫秒，而這個數字是從你的請求跨越網路、抵達北京或新加坡的資料中心之後才開始計算。

那個差距正是整場比較的縮影，但並不是決策的全貌。Qwen Audio 3.0 TTS 以 48 kHz 說 16 種語言和 20 種中文方言，支援在文字中直接加入情緒與非語言標籤，並能從參考音檔複製聲音。Phonon 31M 以 24 kHz 說英語，提供 37 種固定聲音，並可在 Raspberry Pi 上運行。在兩者之間做選擇，是在選擇你要打造哪一種系統，而不是哪個模型在示範中聽起來更悅耳。

每一個實際上是什麼

Phonon 31M 是 Gradium 開源權重系列中的一個檢查點。它不含音訊分詞器共有 3,100 萬個參數，以 64.5 MB 的 q8 GGUF 形式發布，輸出 24 kHz 單聲道，並採用 Apache 2.0 授權——是該系列中唯一可免費商用的檢查點。同系列的 Phonon 40M 模型涵蓋五種語言，但採用 CC BY-NC 4.0 授權，因此若無另行協議，並不適合用於出貨產品。執行環境為 Rust，推論時不需 PyTorch，並提供 CPU、Core ML、Snapdragon NPU 與 WebAssembly 的建置版本。

Qwen Audio 3.0 TTS 不是可下載的模型。Alibaba 的 Qwen 團隊於 2026 年 7 月 20 日在 WAIC 發表它，推出兩個 API 等級：Flash 針對即時互動調校，Plus 針對品質調校。兩者都可透過 Alibaba Cloud Model Studio 存取。Flash 端點的文件列出首包延遲低於 200 毫秒、速率限制為每分鐘 180 次請求，以及價格為北京每 10,000 字元 1 元人民幣，新加坡則為 1.12413 元人民幣。沒有權重、沒有本機執行環境，也沒有離線模式。

延遲差異不是 193 毫秒

從 200 減去 7 得到的數字，會低估差距並高估其重要性，具體取決於你在建構什麼。對於輪流發話的語音介面，端到端預算大約是 800 毫秒；一旦超過，對話就會開始讓人覺得不對勁。雲端 TTS 呼叫的 200 毫秒，是在網路往返之後才花掉的；而這個往返在有線網路良好時可能是 20 毫秒，在行動網路上則可能是 150 毫秒。再加上冷連線上的 TLS 設定、音訊緩衝，以及 180 RPM 速率限制在高負載下所隱含的尾延遲，p95 體驗就會比帳面數字明顯更差。

本地路徑的形態不同。Phonon 自己的 README 列出，在一個 MacBook Air M5 核心上首字節時間為 5 ms，在 iPhone 16 Pro 神經網路引擎上為 9 ms。沒有網路尾延遲、沒有速率限制，也沒有供應商偶爾出狀況。你放棄的是彈性：正在熱降頻的手機會讓 Phonon 跑得更慢，而與視訊通話競爭的瀏覽器分頁會拿到較少 CPU。廠商的 Raspberry Pi 5 數據——README 中是 68 ms 與 2.3 倍即時，發布部落格中是 38 ms 與 3.7 倍——顯示在弱硬體上這個下限可以降到多低。

這也是數字需要附帶說明的地方。Gradium 的發布部落格與其執行環境 README 對同一裝置的輸送量說法相差超過兩倍，而且兩者都未經獨立重現。請把 7 ms 視為數量級概念，而非規格。

語言與語音：廣度與固定陣容之比較

Qwen Audio 3.0 TTS 涵蓋 16 種語言，包括日語、韓語、阿拉伯語、越南語、馬來語和菲律賓語，另有 20 種中文方言。它支援從參考音訊進行語音複製，並能輸出與參考片段不同的語言，這正是讓本地化流程變得有趣的功能。輸出為 48 kHz，平台允許每次合成最多三分鐘的音訊。

Phonon 31M 僅支援英文，而 Gradium 的模型卡也直言不諱：其他語言會被發錯音。它內建 37 種語音，另有更多語音收錄於獨立語音目錄中，並支援以 .safetensors 格式呈現的自訂語音。多語的 Phonon 40M 檢查點涵蓋五種語言，但其非商業授權使其無法列入大多數產品決策。

• 語言 — Phonon 31M 僅支援英文；Qwen Audio 3.0 TTS 則支援 16 種語言及 20 種中文方言。

• 取樣率 — Phonon 31M 為 24 kHz 單聲道；Qwen Audio 3.0 TTS 為 48 kHz。

• 語音來源 — 37 種內建語音，加上適用於 Phonon 31M 的自訂語音目錄；Qwen Audio 3.0 TTS 則支援參考音訊克隆。

• 最大語句長度 — Phonon 31M 未說明；Qwen Audio 3.0 TTS 每次合成最多三分鐘。

• 執行位置 — Phonon 31M 可於 CPU、NPU、瀏覽器或手機上執行；Qwen Audio 3.0 TTS 則僅限於 Alibaba Cloud Model Studio。

• 授權 — Phonon 31M 採用 Apache 2.0；Qwen Audio 3.0 TTS 則依商業 API 條款。

控制：標籤與複製 vs. 固定卡司

Qwen 在表達力方面的敘事，建立在行內控制之上。此模型接受細緻的非語音標籤——呼吸、笑聲、嘆息——以及自然語言風格指令，因此腳本不僅能指定說了什麼，還能指定怎麼說。發布報導強調了從「能說話」到「能表演」的轉變，而 Plus 等級在 Artificial Analysis Speech Arena 以 1,237 的 Elo 排名第一，領先 Gemini 3.1 Flash TTS 和 ElevenLabs v3。那是獨立排行榜，而非廠商自製表格，不過該參賽項目是由阿里巴巴提交，而且在精心策劃的競技場上，Elo 對風格的獎勵不亞於對可理解度的獎勵。

Phonon 的控制介面刻意保持狹窄。你選擇一個語音，送出文字，取得音訊。沒有情緒標籤，也沒有風格提示。對於一個只朗讀簡短、可預測語句的介面——通知、導覽、表單確認——這樣就夠了，而缺少風格層正是這個模型只有 3,100 萬個參數、而非數十億個參數的原因之一。但用於旁白、廣告或角色演出，這就完全不合格了。

這兩個系統都沒有解決同意問題。Qwen 的克隆功能會接受參考片段；Phonon 則接受自訂語音檔。兩者都把確認說話者已同意的責任留給整合者。

大量採購的成本

Phonon 31M 沒有按字元計價。你付費的是你已經擁有的硬體，以及用筆電單一核心執行一個生成速度比即時快 26 到 41 倍的模型所需的電力。在小規模下，這實際上等同免費；在大規模下，它則變成行動裝置的電池與散熱預算，那是真實的成本，但屬於另一種成本。

Qwen Audio 3.0 TTS Flash 在北京每 1 萬字元收費 1 元人民幣。每月 1,000 萬字元就是 1,000 元人民幣，以約七元兌一美元粗略計算，大約是 140 美元——比大多數團隊花在日誌記錄上的錢還少。真正重要的數字不是每月帳單，而是帳單的形狀：成本隨用量縮放、延遲是租來的，而模型隨時可能被別人重新定價或下架。這就是換來 48 kHz 與十六種語言的代價。

OrcaRouter 並未託管這兩個模型中的任何一個，本文也不應有任何暗示相反情況的內容：Phonon 在你的裝置上執行，而 Qwen Audio 3.0 TTS 是透過阿里巴巴自家的 API 存取。路由真正有價值的地方，是在上一層。語音助理的回覆文字通常來自語言模型，而那個模型是可以替換的通用商品。一組金鑰即可涵蓋超過 200 個模型，依供應商定價提供，0% 加價，因此降價或新的便宜模型當天就能使用；而當單一供應商效能下降時，自動容錯移轉可讓迴圈中負責文字的那一半持續運作。語音層則可以完全留在你原本放置的位置。

各自勝出之處

當音訊必須在裝置上生成、語言為英文、可接受固定語音集，且 64 MB 的下載與 Apache 2.0 授權比風格多樣性更有價值時，就選擇 Phonon 31M。離線助理、無障礙工具、遊戲、自助服務機與瀏覽器功能，都是它最自然的應用場域。

當你需要英文以外的語言、48 kHz 輸出、情緒化演出、聲音複製，或長於一兩句的語句時，就選擇 Qwen Audio 3.0 TTS——前提是可接受網路依賴。多個市場中面向客戶的語音代理、配音，以及旁白內容，都是它最自然的用武之地。

大多數團隊最終會打造出的混合模式

這兩個系統並非互斥，而有趣的架構會同時使用兩者。將 Phonon 31M 作為本機預設，用於簡短、可預測的英文回應——也就是能感受到延遲的那些情境。當回應很長、使用者已切換語言，或裝置無法持續支撐本機模型時，改為回退到 Qwen Audio 3.0 TTS。這個切換是策略決策，而不是重寫，因為兩者都接收文字並回傳音訊。

這套架構之所以行得通，在於備援方案並不是次一等的體驗。Qwen 的 48 kHz 輸出與風格標籤，除了延遲與隱私之外，幾乎在每一個面向上都優於 Phonon。預設採用本機端的原因不在於品質，而在於使用者正在等待時，7 毫秒勝過一次網路來回。

Gradium 的版本才推出三天，其基準測試仍由廠商自行執行。阿里巴巴的模型已推出三個月，在獨立競技場上有排名，且按字元計價。兩者之間的抉擇不會由一張 WER 表定案，而是取決於你的產品能否容忍流程中牽涉一個資料中心。