Phonon مقابل Sesame Preview: معاملات أقل بـ32×، الترميز نفسه، رهان مختلف

ضع Phonon 31M وSesame Preview جنبًا إلى جنب، وأول ما يتطابق بينهما هو البنية التحتية. فكلاهما ينتج كلامًا أحادي القناة بتردد 24 كيلوهرتز، وكلاهما يرمّزه عبر مرمّز Mimi من Kyutai، وكلاهما بترخيص Apache 2.0. أما الشيء الثاني المتطابق فهو أغرب: نقطة التحقق المفتوحة التي تقف خلف Sesame Preview، Sesame CSM-1B، تحمل نحو مليار معامل. أما Phonon 31M من Gradium، الذي صدر في 20 أكتوبر 2026، فيحمل 31 مليون معامل. هذا فارق بمقدار 32 ضعفًا في حجم النموذج بين نظامين ينتجان معدل العينات نفسه عبر المرمّز نفسه.

الفجوة ليست حكاية عن انتصار الكفاءة. إنها حكاية عن رهانين مختلفين على ما يحتاجه الكلام الحواري. يصرف نموذج Sesame معاملاته على السياق — فقد صُمم لمواصلة حوار، بقراءة الأدوار السابقة للحفاظ على اتساق الصوت ونبرة مناسبة. أما Phonon فلا يصرف تقريبًا شيئًا على السياق، ويصرف كل شيء على أن يكون صغيرًا بما يكفي ليعمل داخل تبويب متصفح أو تطبيق هاتف أو Raspberry Pi. تفصل بين إصداريهما تسعة عشر شهرًا، وخلال تلك الفترة قطع الطرف الصغير من السوق شوطًا طويلًا.

أولًا، إلى ماذا يشير «Sesame Preview» في الواقع؟

هذا مهم لأن معظم المقارنات تخطئ فيه. إن Sesame Preview هو المنتج الموجّه للمستهلكين — صوتا Maya وMiles على sesame.com، وهو عرض توضيحي لما تسميه الشركة الحضور الصوتي. أما الأوزان المفتوحة فهي أمر منفصل: Sesame CSM-1B، الذي نُشر في 13 مارس 2025 بموجب Apache 2.0، وهو نموذج توليد أساسي تقول Sesame صراحةً إنه لم يُضبط بدقة على أي صوت محدد. أما أصوات النسخة التجريبية فمصدرها نسخة مضبوطة بدقة لم تُطرح قط.

إذن، المستمع الذي يقارن العرض التجريبي Preview بنقطة التحقق المفتوحة الخاصة بـ Phonon إنما يقارن منتجًا منسقًا بنموذج خام. تلك ليست مقارنة عادلة، وهي المقارنة التي يجريها معظم الناس فعليًا. المقارنة العادلة هي CSM-1B مقابل Phonon 31M: كلاهما قابل للتنزيل، وكلاهما بترخيص Apache 2.0، وكلاهما إنجليزي أولًا، وكلاهما مفتوح للفحص.

ثمة التفاف ثانٍ في بطاقة Sesame. يُسوَّق النموذج باسم 1B، لكن البيانات الوصفية في Hugging Face تسرد 2B من المعاملات ضمن موترات F32. ولا تشرح البطاقة هذا التباين. وعلى أي حال، فهو أعلى من Phonon بمرتبة مقدار.

نفس الترميز، رهانات متعاكسة

يولّد CSM رموز صوتية RVQ من مدخلات نصية وصوتية باستخدام بنية Llama الأساسية ومُفكِّك صوتي أصغر يُصدر رموز Mimi. وهذه المعمارية نموذج لغوي يتحدث: فهو يتعامل مع الرموز الصوتية بوصفها تسلسلًا ينبغي متابعته، مشروطًا بالمحادثة الجارية حتى هذه اللحظة. ولهذا تؤكد وثائق Sesame أن النموذج يبدو في أفضل حالاته عندما يُمنح سياقًا، ولهذا فإن الاستخدام الموصى به يمرّر مقاطع المتحدث السابقة بدلًا من سطر نصي واحد.

Phonon هو محوّل مطابقة تدفق يتنبأ بالكامنات في إطارات مدتها 80 مللي ثانية، وتفكّ Mimi ترميزها. وهو مبني على Pocket TTS. لا توجد حالة حوار ولا نافذة سياق بالمعنى المنتجي — تعطيه نصًا وصوتًا، فيتحدث. وقت التشغيل هو Rust دون PyTorch عند الاستدلال، مع مسارات CPU وCore ML وQNN وWebAssembly.

• المعاملات — 31M لـ Phonon 31M؛ تحمل العلامة 1B لـ Sesame CSM-1B، مع إدراج 2B في بيانات Hugging Face الوصفية.

• الإخراج — 24 كيلوهرتز أحادي لكليهما.

• الترميز — Mimi لكليهما.

• السياق — لا يوجد لـ Phonon 31M؛ يُوصى بمقاطع محادثة سابقة لـ Sesame CSM-1B.

• اللغات — الإنجليزية لكليهما، مع تحذير من Sesame بأن غير الإنجليزية ضعيف.

• الترخيص — Apache 2.0 لكليهما.

ما الذي تشتريه معاملات Sesame

الحضور الحواري ليس عبارة تسويقية؛ بل يقابل خيارًا تقنيًا محددًا. فالنموذج الذي يرى الأدوار السابقة يستطيع نقل التنغيم عبر حدود الجملة، وتجنّب العودة إلى قراءة محايدة عند كل utterance، والحفاظ على ثبات صوت الشخصية خلال تبادل طويل. وقد صُمم CSM-1B لفعل ذلك، وكان العرض التجريبي الذي جعل Sesame مشهورة في مارس 2025 مقنعًا تحديدًا لأن الأصوات بدت وكأنها تُنصت.

الثمن هو أنك تحتاج إلى السياق للحصول على الفائدة. التركيب من سطر واحد عبر CSM-1B، دون مقاطع سابقة، ليس التجربة التي وعد بها العرض التجريبي. إنها قراءة TTS كفؤة لكنها عادية. الفرق التي تنزّل نقطة التحقق متوقعةً صوت Maya الخاص بـ Preview تكتشف ذلك سريعًا: الصوت ليس في الأوزان.

تقدم Phonon المقايضة المعاكسة. فهي لا تملك أي فكرة عن المحادثة، لذا لا يمكنها أن تنحرف أو أن تُعاد ضبطها — كل ملفوظ مستقل وحتمي. بالنسبة لإشعار أو توجيه ملاحي أو سطر في لعبة، هذا صحيح تمامًا. أما بالنسبة لشخصية رفيقة تحتاج إلى أن تبدو وكأنها تتذكر الجملة الأخيرة، فهذا لا يكفي، ولا تُصلح أي سرعة ذلك.

ما الذي اشترته تسعة عشر شهرًا

الرقم المثير للاهتمام ليس 32×. بل إن نموذجًا بحجم 31M صدر في أكتوبر 2026 يزعم وضوحًا في الإنجليزية ضمن نفس نطاق أنظمة أكبر منه بمرتبتين من حيث الحجم. أبلغ تقييم Gradium الخاص لنموذج Phonon داخلي أقدم بحجم ~100M عن WER بنسبة 1.48% على مجموعة Seed-TTS الإنجليزية في أبريل 2026، وتحسّن إلى 1.00% بحلول مايو. ويُزعم أن نقطة التحقق 31M الصادرة تحقق 0.51% على Seed-TTS و1.5% على مجموعة أصعب في بطاقة النموذج، مع 1.70% على المجموعة الصعبة في مدونة الإصدار.

هذه أرقام يديرها المورّد، أُنتجت باستخدام whisper-large-v3 كناسخ وWavLM لتشابه المتحدث، ولم يُعَد إنتاجها بشكل مستقل. أما Sesame فلم تنشر قط جدول WER لـ CSM-1B. المقارنة المهمة — مجموعة الاختبار نفسها، والناسخ نفسه، وكلا النموذجين — غير موجودة علنًا. أي شخص يقول لك إن نموذج 31M أكثر قابلية للفهم من نموذج 1B إنما يستنتج من أداتَي تقييم مختلفتين.

ما يمكن قوله هو أن فجوة عدد المعاملات لم تعد تنطبق بشكل واضح على الجودة. في عام 2025، كان نموذج بمليار معامل حدًا أدنى معقولًا لتوليد الكلام الطبيعي بالإنجليزية (TTS). وفي أواخر عام 2026، أصبح ملف بحجم 64 ميغابايت يضم 31 مليون معامل داخل النقاش نفسه بشكل موثوق. هذا هو الخبر الفعلي في إصدار Gradium، وهو أكبر من أي رقم فردي في Elo.

النشر: GPU مقابل علامة تبويب في المتصفح

CSM-1B هو نموذج PyTorch. يعمل على GPU بارتياح، وعلى CPU ببطء، ويحتاج إلى ذاكرة بالجيجابايت لا بالميجابايت. أضافت Hugging Face Transformers دعمًا أصليًا في مايو 2025، مع استدلال دفعي وتجميع رسوم CUDA البيانية، وهو ما يكشف عن النشر المقصود: خادم يخدم العديد من الطلبات.

Phonon 31M بحجم 64.5 ميجابايت بعد التكميم، ويعمل عبر وقت تشغيل Rust مع ارتباطات لـ Python وSwift وJavaScript وC. يبدأ في غضون أرقام أحادية من المللي ثانية على نواة حاسوب محمول من Apple، ونحو 9 مللي ثانية على محرك Neural Engine في iPhone 16 Pro، و68 مللي ثانية على Raspberry Pi 5 وفق أرقام README — و38 مللي ثانية في مدونة الإصدار. يمكن تشغيله في علامة تبويب متصفح عبر WebAssembly. لا يمكنه خدمة ألف مستخدم متزامن من وحدة GPU واحدة، لأن هذا ليس الغرض منه.

هذه هي أنظف طريقة للاختيار بينهما. إذا كان الصوت يعيش في مركز بيانات ويخدم العديد من المستخدمين، فإن بنية CSM-1B هي الأنسب. وإذا كان الصوت يعيش في جهاز المستخدم ويخدم شخصًا واحدًا، فإن بنية Phonon هي الأنسب.

هوية الصوت والموافقة

ينتج نموذج Sesame المفتوح مجموعة متنوعة من الأصوات، لكنه ليس نظام استنساخ جاهزًا للاستخدام مباشرة؛ إذ تصفه بطاقة النموذج بأنه نموذج توليد أساسي وتشير إلى السياق كوسيلة للحفاظ على اتساق الصوت. وتأتي Gradium مع 37 صوتًا إنجليزيًا مدمجًا في Phonon 31M، وكتالوج أكبر على gradium/phonon-voices، ودعم لملفات الأصوات المخصصة بصيغة .safetensors.

كلا المورّدين ينشران بنودًا للاستخدام المقبول تحظر انتحال الشخصية والخداع. ولا ينشر أي منهما آلية تقنية لإثبات المصدر — لا علامة مائية، ولا بيانات وصفية موقّعة، ولا واجهة برمجة تطبيقات للكشف — في المواد المتاحة حتى 23 أكتوبر. وبالنسبة لأي شخص يوزّع أيًا من النموذجين في منتج موجّه للعملاء، فإن هذا سؤال امتثال مفتوح، وليس مسألة محلولة.

حيث لا تزال المعاينة تتفوق

إذا كان المنتج رفيقًا محادثًا — شخصية تتحدث مع مستخدم عبر عدة أدوار وتحتاج إلى أن تبدو الشخص نفسه طوال الوقت — فإن نهج Sesame يظل الخيار الأكثر مباشرة. إن التكييف السياقي هو الميزة، ولا يملك Phonon ما يعادلها. كما أن Preview يتمتع بصقل يأتي من ضبط دقيق منسق وطاقم أصوات منسق، وهو ما لا تعيده أي نقطة تحقق مفتوحة.

إذا كان المنتج يحتاج إلى وظائف الكلام على جهاز، أو في متصفح، أو دون اتصال، أو بزمن استجابة لا يمكن لشبكة أن تضاهيه، فإن Phonon هو الإصدار الأكثر فائدة. وهو أيضاً الأكثر قابلية للفحص: بيئة التشغيل على GitHub، والأوزان ملف واحد بحجم 64 MB، والرخصة Apache 2.0 بلا بوابة.

الجزء الذي لا يعالجه أي من النموذجين

لا يملك Sesame Preview واجهة برمجية عامة، ما يعني أن الفريق الذي يريد إدراج صوته في منتج لا يمكنه ببساطة استدعاؤه. العرض التجريبي مجرد استعراض. أما البناء على أبحاث Sesame فيعني تشغيل CSM-1B بنفسك، وهذا يعيدك إلى GPU وإلى تجميع السياق.

تتولّى Phonon عملية التوليد الصوتي ولا شيء غير ذلك. ففي مساعد حقيقي، يُنتج النموذج اللغوي النصَّ الذي ينطقه، ولا بدّ من تجميع حالة المحادثة التي سيستهلكها نموذج Sesame في مكان ما. وOrcaRouter ليس مزوّد خدمات كلام، ولا يستضيف أيًّا من هذين النموذجين — إذ يعمل Phonon محليًا، وتعمل أوزان Sesame على عتادك. لكن ما يغطيه هو طبقة النص التي تعتمد عليها تلك الأنظمة: نقطة وصول واحدة لأكثر من 200 نموذج، مع تمرير سعر القائمة لدى المزوّد دون أي هامش ربح (0%)، والتحويل التلقائي بين المزوّدين عند التعذّر، كي لا يؤدي انقطاع خدمة واحد إلى إسكات المساعد. يمكن أن يبقى الصوت على الجهاز؛ أما التفكير فليس مضطرًا إلى ذلك.

السؤال المفتوح

كان رهان Sesame أن السياق الحواري هو ما يفصل الكلام الاصطناعي عن صوتٍ تصدّقه. أما رهان Gradium فهو أن معظم الكلام في البرمجيات لا يحتاج إلى محادثة — بل يحتاج إلى توجيهٍ وصوتٍ ودون رحلة ذهاب وإياب — وأن نموذجًا صغيرًا بما يكفي ليُدمَج قادرٌ على الفوز في الأماكن التي لم تصلها تقنية تحويل النص إلى كلام السحابية قط.

يمكن أن يكون كلا الرهانين صحيحًا. الاختبار على مدى العام المقبل هو ما إذا كان نموذج بحجم 31 مليون يمكنه الحفاظ على شخصية عبر عدة أدوار دون تهيئة سياقية، أم أن الفرق ستنتهي إلى قرن نموذج TTS صغير بطبقة حالة منفصلة تؤدي المهمة التي صُمم CSM-1B لأدائها داخليًا. لم تنشر Gradium تقييمًا متعدد الأدوار. وإلى أن تفعل ذلك، فإن القراءة الآمنة هي أن Phonon قد أغلق الفجوة في جودة الإنجليزية للكلام المفرد، ولم يُثبت بعد أنه قادر على إدارة محادثة.