Laut Modellkarte liegt die Fehlerquote (Word Error Rate, Anteil falsch erkannter Wörter) im Schnitt von sieben englischen Testsätzen bei 5,21 Prozent. Nvidias Original mit 2,5 Gigabyte kommt dort auf 4,96, Parakeet Redux auf 5,69 und Whisper large-v3-turbo auf 6,58 Prozent. Redux verteilt seine Kapazität auf 25 Sprachen, Phonon-2 erkennt nur Englisch.
Das Team des Open ASR Leaderboard bei Hugging Face hat Phonon-2 selbst gemessen. Über dieselben sieben Sätze gemittelt, ergeben seine Einzelwerte ebenfalls 5,21 Prozent. Der Leaderboard-Schnitt selbst lässt die beiden LibriSpeech-Sätze weg und nimmt dafür den Störgeräusch-Test URGENT 2024 und Voice Arena Monsoon auf; dort liegt Phonon-2 bei 7,23 Prozent – gegenüber 6,51 beim Original und 8,39 bei Whisper Turbo. Auf URGENT 2024 selbst liegt Whisper mit 13,69 vor Phonon-2 mit 14,90 Prozent. Parakeet Redux führt das Leaderboard nicht.
Fermion nennt auf einem MacBook Air mit M5 die 174-fache Echtzeit, eine Stunde Audio in rund 20 Sekunden. In derselben Tabelle erreicht Parakeet Redux nur 27,8-fache Echtzeit, gemessen aber über die fremde Core-ML-Portierung FluidAudio, in der das viel größere Nvidia-Original auf 104,9-fache kommt. Der YouTube-Kanal Better Stack hält den Vorsprung vor Redux deshalb für ein Artefakt der Portierung; Moondream selbst nennt für Redux 38- bis 43-fache Echtzeit auf einem älteren MacBook Air mit M2.
Code und Kommandozeile stehen unter Apache 2.0, die Gewichte übernehmen Nvidias Lizenz CC BY 4.0 und erlauben kommerzielle Nutzung mit Namensnennung. Phonon-2 läuft über MLX auf Apple-Rechnern sowie auf Prozessoren unter Linux und Windows und auf Nvidia-Grafikkarten. Fermion setzt es auch in der eigenen Diktier-App Detta für den Mac ein.