Phonon 對決 VoxCPM2：多 64 倍參數，在 TTS 中究竟能換來什麼

VoxCPM2是 OpenBMB 於 2026 年 4 月發布的 20 億參數語音模型，能以 48 kHz 說 30 種語言，還能根據文字描述憑空創造出聲音。Phonon 31M是 Gradium 於 2026 年 10 月 20 日發布的 3100 萬參數模型，能以 24 kHz 用 37 種固定嗓音說英語，且僅佔 64.5 MB。兩者的參數量比例約為 64 比 1，而令人意外的並不是較大的模型功能更多，而是在兩家廠商都公布的唯一一項數字——Seed-TTS 上的英語詞錯誤率——上，較小的模型宣稱取得更好的分數。

那個說法幾乎肯定不是公平的比較，而理解原因所能揭示的開源 TTS 現況，比任一模型的發布文章都還多。VoxCPM2 和 Phonon 31M 都是 Apache 2.0、都可下載，也都瞄準想避開按字元計費的團隊。它們鎖定的硬體卻完全不同。

兩個不同的職務，卻掛著相同的標籤

VoxCPM2 是一款通用多語言語音生成器。它無需分詞器（tokenizer-free），採用擴散自迴歸（diffusion-autoregressive）架構，在 AudioVAE V2 潛空間中運作，以 MiniCPM-4 為骨幹，並依作者命名為 LocEnc、TSLM、RALM 與 LocDiT 的四個階段進行處理。它支援依自然語言描述進行語音設計、從簡短參考音訊進行可控複製，以及同時使用參考片段與其轉錄文字的延續式複製。它輸出 48 kHz 音訊，並接受 16 kHz 參考音訊。

Phonon 31M 是一款單一語言、單一用途的合成器。它是一個以 Mimi 潛在表徵為基礎的流匹配 transformer，一次處理 80 毫秒的訊框，解碼為 24 kHz 單聲道。它沒有語音設計功能，在文件所記載的 API 中無法從參考音訊片段進行複製，也沒有語言偵測功能。它具備語音目錄、文字輸入，以及能在個位數毫秒內啟動的執行環境。

把兩者都稱為「open TTS」雖然準確，卻沒有幫助。一個是語音研究平台；另一個是嵌入式元件。

64× 該放在哪裡

參數預算換來四樣東西，而這四樣全都顯現在規格表上，而不是在聆聽測試中。

• 語言 — VoxCPM2 支援 30 種語言外加九種中文方言；Phonon 31M 僅支援英文。

• 輸出取樣率 — VoxCPM2 原生 48 kHz；Phonon 31M 為 24 kHz 單聲道。

• 語音建立 — 基於描述的語音設計，以及 VoxCPM2 的三種克隆模式；37 種內建語音，加上 Phonon 31M 的自訂語音目錄。

• 硬體門檻 — VoxCPM2 在 RTX 4090 上約需 8 GB VRAM；Phonon 31M 則需 64.5 MB 與一個 CPU 核心。

• 速度 — 在 RTX 4090 上，VoxCPM2 的即時因子約為 0.30，使用 Nano-vLLM 則為 0.13；根據 Gradium 的 README，Phonon 31M 在筆記型電腦單一核心上比即時快 26 到 41 倍。

• 授權 — 兩者皆為 Apache 2.0。

WER 比較並不是比較

VoxCPM2 的技術報告在 Seed-TTS-eval 上列出英文 WER 為 1.84，說話者相似度為 75.3。Phonon 的模型卡則列出 Phonon 31M 在 Seed-TTS 上為 0.51。並排對照來看，這簡直像是一場碾壓：一個 31M 模型在可懂度上以三倍之差擊敗了一個 2B 模型。

並非如此。這兩個數字來自不同的評測框架，很可能也來自不同的參考集，而且幾乎可以肯定是用來為輸出評分的不同轉錄模型。Gradium 針對其較早評測所公布的方法，使用的是 Seed-TTS 的英文部分——1,008 句語音——以 whisper-large-v3 轉錄，並以編輯距離評分。OpenBMB 的技術報告在其模型頁面所呈現的數據中，並未採用完全相同的流程。兩家廠商都沒有用自家的評測框架跑過對方的檢查點，也沒有任何第三方發表過直接對比。

這些數字所支持的，是一個較弱但仍有用的主張：在標準英語測試集上，兩個模型都處於低個位數的 WER 範圍，也就是說，兩者的清晰度都足以用於生產環境的朗讀工作。至於 31M 參數無法產生清晰英語的說法，在 2026 年根本是錯的。至於 31M 參數能在 30 種語言上匹敵 2B 模型的說法也是錯的，而且兩家廠商都沒有這樣宣稱。

不信任這個標題還有第二個理由：Gradium 自家的文件彼此不一致。發布部落格把 Phonon 31M 的 WER 硬性訂在 1.70%，模型卡寫的是 1.5%，而執行環境的 README 則完全沒有公布 WER。當一家廠商的三份文件在同一個指標上相差 13%，正確的回應就是把這個數字視為一個區間。

硬體門檻才是真正的決策關鍵

VoxCPM2 需要 GPU。參考配置約需 8 GB 的 VRAM，而且在沒有最佳化服務堆疊的情況下，模型在 RTX 4090 上的運行速度約為即時速度的三分之一。在搭載 Q8_0 量化的 Apple M4 Pro 上，即時因子約為 1.76，意思是產生一秒音訊需要 1.76 秒的運算時間——比即時更慢，因此在該硬體上不適合進行即時對話。使用 Nano-VLLM 時，該因子降至約 0.13，速度很快，但那是具有自身營運成本的服務堆疊。

Phonon 31M 的最低要求是一顆 CPU 核心。Gradium 的 README 列出：在單一 MacBook Air M5 核心上為即時速度的 26 倍，在 iPhone 16 Pro 神經引擎上為 22 倍，在 Raspberry Pi 5 上為 2.3 倍。發布部落格的數字則不同——單核為 11.6 倍、Pi 上為 3.7 倍——但這個數字的每個版本所描述的，都是一台能握在手中的裝置。

這不是品質上的爭論。透過 GPU 渲染的 48 kHz VoxCPM2 聽起來會比 24 kHz 的 Phonon 渲染更好，而它本來就應該如此。問題在於，你的產品是否負擔得起每個並行串流都配一顆 GPU。對伺服器端的配音流程來說，答案是肯定的；對一款必須在飛機上運作的手机應用程式來說，答案則是否定的。

語音設計與固定角色陣容之比較

VoxCPM2 最與眾不同的特色是語音設計：只要在文字提示中加入一段括號描述，就能在完全沒有參考音訊的情況下生成聲音。再加上可控的複製功能——由一段簡短音檔決定音色、由風格指令決定語氣表現——你便擁有了一套能打造一整組角色聲音的系統，而不只是把腳本念出來。

Phonon 完全沒有這些。它的 37 種英語語音是固定的一套，而自訂語音需要的是 .safetensors 檔案，而不是一句描述。這是刻意的簡化：語音目錄更容易稽核、更容易授權，也不可能透過提示讓它用名人的聲音說話。對合規敏感的部署而言，這項限制是一項優勢。對創意工作而言，這是一道牆。

兩者都是 Apache 2.0，這改變了整個盤算。

這正是讓這項比較比 Phonon 其他對比方案更單純的地方。VoxCPM2 的程式碼與權重皆採用 Apache 2.0 授權。Phonon 31M 的權重採用 Apache 2.0，執行環境則採用 MIT 或 Apache-2.0。Gradium 的 40M 檢查點採用 CC BY-NC 4.0，未經協議不得用於商業產品；相較之下，前述兩者皆可直接出貨。

Gradium 自家產品系列內的授權差異值得再次強調，因為這點很容易被忽略：聽起來最出色的模型——Phonon 40M，Elo 為 2,117，而 31M 為 2,098——正是你不能商用的那款。採用 Apache 2.0 的模型則是較小、僅支援英文的版本。

各自勝出之處

當你需要英文以外的語言、48 kHz 輸出、語音設計、複製或長篇旁白，且部署環境中已有 GPU 時，請選擇 VoxCPM2。它也是進行多語言 TTS 研究的更好選擇，因為其檢查點、技術報告與評估集皆完全公開。

當音訊必須在裝置上生成、英文就足夠、語音集可以固定，且 64 MB 的下載量是能否出貨的關鍵時，請選擇 Phonon 31M。遊戲、無障礙工具、自助服務機、瀏覽器功能與離線助理都是它的領域。2B 模型在那些領域跟不上它，而它也沒打算這麼做。

OrcaRouter 並不託管這兩個模型——VoxCPM2 是透過 vLLM-Omni 或本機執行環境提供服務，而 Phonon 則在你的硬體上運行。路由層的相關性在堆疊中更高一層，也就是生成語音腳本的地方：超過 200 個語言模型共用同一把金鑰，供應商牌價以 0% 加價原樣傳遞，並在供應商出問題時自動容錯移轉。TTS 留在它該待的位置；文字生成則可以移動。

下一次基準測試應該釐清什麼

那個缺失的實驗顯而易見，卻沒有人做過：兩個檢查點、同一組測試集、同一個轉錄模型、同一個評分器，連同音訊一併公開。在這件事存在之前，誠實的立場是：VoxCPM2 是能力更強的系統，而 Phonon 31M 是更容易部署的那一個；而 0.51 對上 1.84 的 WER 比較，只是方法論上的巧合，而非一項結果。

毋庸置疑的是發展方向。在 2026 年 10 月，一個 64 MB 的英語模型對於生產級朗讀工作而言是可信的，而 2025 年初的 64 MB 模型則不會如此。下一個發布週期有趣的問題，不是小模型能否在英語上與大模型匹敵，而是小模型能否在不使規模翻倍的情況下掌握第二語言。Gradium 的 40M 多語言檢查點是首次嘗試，其非商業授權表明該公司尚未決定如何銷售它。