Phonon vs. Sesame Preview: 32× weniger Parameter, derselbe Codec, eine andere Wette

Stellt man Phonon 31M und Sesame Preview nebeneinander, fällt zuerst die technische Basis auf. Beide erzeugen 24-kHz-Mono-Sprache, beide kodieren sie über Kyutais Mimi-Codec, und beide sind Apache 2.0. Der zweite übereinstimmende Punkt ist seltsamer: Der offene Checkpoint hinter Sesame Preview, Sesame CSM-1B, umfasst rund eine Milliarde Parameter. Gradiums Phonon 31M, veröffentlicht am 20. Oktober 2026, umfasst 31 Millionen. Das ist eine 32-fache Kluft in der Modellgröße für zwei Systeme, die dieselbe Abtastrate über denselben Decoder ausgeben.

Die Lücke ist keine Geschichte darüber, dass Effizienz gewinnt. Sie ist eine Geschichte über zwei unterschiedliche Wetten darauf, was Gesprächssprache braucht. Sesames Modell verwendet seine Parameter für Kontext – es ist darauf ausgelegt, einen Dialog fortzusetzen, vorherige Beiträge zu lesen, um eine konsistente Stimme und einen passenden Ton zu bewahren. Phonon investiert fast nichts in Kontext und alles darin, klein genug zu sein, um in einem Browser-Tab, einer Handy-App oder auf einem Raspberry Pi zu laufen. Neunzehn Monate liegen zwischen ihren Veröffentlichungen, und in dieser Zeit hat sich das untere Marktsegment weit bewegt.

Zuerst: Worauf sich „Sesame Preview“ eigentlich bezieht

Das ist wichtig, weil die meisten Vergleiche es falsch machen. Sesame Preview ist das Verbraucherprodukt – die Stimmen Maya und Miles auf sesame.com, eine Demonstration dessen, was das Unternehmen Stimmpräsenz nennt. Die offenen Gewichte sind eine separate Sache: Sesame CSM-1B, veröffentlicht am 13. März 2025 unter Apache 2.0, ein Basis-Generierungsmodell, von dem Sesame ausdrücklich sagt, dass es nicht auf eine bestimmte Stimme feinabgestimmt wurde. Die Stimmen der Vorschau stammen aus einer feinabgestimmten Variante, die nie veröffentlicht wurde.

Ein Hörer, der die Preview-Demo mit Phonons offenem Checkpoint vergleicht, vergleicht also ein kuratiertes Produkt mit einem rohen Modell. Das ist kein fairer Kampf, und es ist der Kampf, den die meisten Leute tatsächlich führen. Der faire Vergleich ist CSM-1B gegen Phonon 31M: beide herunterladbar, beide Apache 2.0, beide englischsprachig ausgerichtet, beide offen für die Einsichtnahme.

Es gibt einen zweiten Haken in der Sesame-Karte. Das Modell ist als 1B gebrandet, aber die Hugging-Face-Metadaten führen 2B Parameter in F32-Tensoren auf. Die Karte erklärt die Diskrepanz nicht. So oder so liegt es eine Größenordnung über Phonon.

Gleicher Codec, entgegengesetzte Wetten

CSM erzeugt RVQ-Audiocodes aus Text- und Audioeingaben mithilfe eines Llama-Backbones und eines kleineren Audiodecoders, der Mimi-Codes ausgibt. Die Architektur ist ein Sprachmodell, das gewissermaßen auch spricht: Es behandelt Audiotokens als eine Sequenz, die fortgesetzt werden soll, konditioniert auf den bisherigen Gesprächsverlauf. Deshalb besteht Sesames Dokumentation darauf, dass das Modell am besten klingt, wenn man ihm Kontext gibt, und deshalb übergibt die empfohlene Nutzung frühere Sprechersegmente statt einer einzelnen Textzeile.

{{1}}Phonon{{/1}} ist ein Flow-Matching-Transformer, der Latents in 80-Millisekunden-Frames vorhersagt, die von Mimi dekodiert werden. Es baut auf Pocket TTS auf. Es gibt keinen Dialogzustand und kein Kontextfenster im Produktsinn – man gibt ihm Text und eine Stimme, und es spricht. Die Laufzeit ist Rust ohne PyTorch bei der Inferenz, mit Pfaden für CPU, Core ML, QNN und WebAssembly.

• Parameter — 31M für Phonon 31M; Sesame CSM-1B ist als 1B gebrandet, während in den Hugging-Face-Metadaten 2B aufgeführt sind.

• Ausgabe — 24 kHz Mono für beide.

• Codec — Mimi für beide.

• Kontext — keiner für Phonon 31M; vorherige Gesprächssegmente empfohlen für Sesame CSM-1B.

• Sprachen — Englisch für beide, mit Sesame-Warnung, dass Nicht-Englisch schwach ist.

• Lizenz — Apache 2.0 für beide.

Was Sesames Parameter erkaufen

Konversationelle Präsenz ist keine Marketingfloskel; sie entspricht einer konkreten technischen Entscheidung. Ein Modell, das die vorherigen Turns sieht, kann die Prosodie über eine Satzgrenze hinweg tragen, bei jeder Äußerung vermeiden, auf eine neutrale Lesung zurückzusetzen, und eine Figurenstimme über einen langen Austausch hinweg stabil halten. CSM-1B wurde dafür entwickelt, und die Demo, die Sesame im März 2025 berühmt machte, überzeugte gerade deshalb, weil die Stimmen klangen, als würden sie zuhören.

Der Preis dafür ist, dass du den Kontext brauchst, um den Nutzen zu erhalten. Eine Einzeilen-Synthese durch CSM-1B, ohne vorherige Segmente, ist nicht das Erlebnis, das die Demo verkauft hat. Es ist ein kompetenter, aber unspektakulärer TTS-Vorleseton. Teams, die den Checkpoint herunterladen und die Maya-Stimme aus der Preview erwarten, finden das schnell heraus: Die Stimme steckt nicht in den Gewichten.

Phonon geht den entgegengesetzten Kompromiss ein. Es hat kein Konzept von einem Gespräch, daher kann es nicht abdriften oder sich zurücksetzen – jede Äußerung ist unabhängig und deterministisch. Für eine Benachrichtigung, eine Navigationsanweisung oder eine Spielzeile ist das genau richtig. Für eine Begleitfigur, die klingen muss, als würde sie sich an den letzten Satz erinnern, reicht das nicht aus, und keine noch so hohe Geschwindigkeit behebt das.

Was neunzehn Monate erkauften

Die interessante Zahl ist nicht 32×. Interessant ist, dass ein im Oktober 2026 veröffentlichtes 31M-Modell eine englische Verständlichkeit im selben Bereich beansprucht wie Systeme, die zwei Größenordnungen größer sind. Gradiums eigene Auswertung eines früheren internen Phonon-Modells mit ~100M meldete im April 2026 1,48 % WER auf dem englischen Seed-TTS-Set und verbesserte sich bis Mai auf 1,00 %. Für den veröffentlichten 31M-Checkpoint werden in der Model Card 0,51 % auf Seed-TTS und 1,5 % auf einem schwierigeren Set angegeben, im Release-Blog 1,70 % auf dem schwierigen Set.

Das sind vom Anbieter erstellte Zahlen, erzeugt mit whisper-large-v3 als Transkriptor und WavLM für die Sprecherähnlichkeit, und sie wurden nicht unabhängig reproduziert. Sesame seinerseits hat nie eine WER-Tabelle für CSM-1B veröffentlicht. Der Vergleich, auf den es ankommt – gleicher Testsatz, gleicher Transkriptor, beide Modelle –, existiert öffentlich nicht. Wer Ihnen sagt, das 31M-Modell sei verständlicher als das 1B-Modell, extrapoliert aus zwei unterschiedlichen Testaufbauten.

Was sich sagen lässt, ist, dass die Parameterlücke nicht mehr sauber auf Qualität abbildet. Im Jahr 2025 war ein Modell mit einer Milliarde Parametern ein vernünftiges Minimum für natürliche englische TTS. Ende 2026 ist eine 64-MB-Datei mit 31 Millionen Parametern glaubwürdig im selben Bereich anzusiedeln. Das ist die eigentliche Neuigkeit in Gradiums Veröffentlichung, und sie ist größer als jede einzelne Elo-Zahl.

Deployment: GPU versus Browser-Tab

CSM-1B ist ein PyTorch-Modell. Auf einer GPU läuft es problemlos, auf einer CPU langsam, und es benötigt Speicher im Gigabyte- statt im Megabyte-Bereich. Hugging Face Transformers fügte im Mai 2025 native Unterstützung hinzu, mit Batch-Inferenz und CUDA-Graph-Kompilierung, was den vorgesehenen Einsatz verrät: einen Server, der viele Anfragen bedient.

Phonon 31M ist 64,5 MB quantisiert und läuft über eine Rust-Runtime mit Bindings für Python, Swift, JavaScript und C. Sie startet in einstelligen Millisekunden auf einem Kern eines Apple-Laptops, in etwa 9 ms auf der Neural Engine eines iPhone 16 Pro und – laut den Angaben im README – in 68 ms auf einem Raspberry Pi 5; im Release-Blog sind es 38 ms. Sie kann über WebAssembly in einem Browser-Tab laufen. Sie kann nicht tausend gleichzeitige Nutzer von einer einzigen GPU aus bedienen, denn dafür ist sie nicht gedacht.

Dies ist der sauberste Weg, zwischen ihnen zu wählen. Wenn die Stimme in einem Rechenzentrum lebt und vielen Nutzern dient, passt die Architektur von CSM-1B besser. Wenn die Stimme auf dem Gerät des Nutzers lebt und einer einzigen Person dient, passt die von Phonon besser.

Stimmidentität und Einwilligung

Sesames offenes Modell erzeugt eine Vielzahl von Stimmen, ist aber von Haus aus kein Klon-System; die Karte beschreibt es als Basismodell zur Generierung und verweist auf den Kontext als Mittel, um eine Stimme konsistent zu halten. Gradium liefert mit Phonon 31M 37 integrierte englische Stimmen, einen größeren Katalog unter gradium/phonon-voices und Unterstützung für benutzerdefinierte Stimmdateien im .safetensors-Format.

Beide Anbieter veröffentlichen Formulierungen zur zulässigen Nutzung, die Identitätsnachahmung und Täuschung verbieten. Keiner veröffentlicht einen technischen Provenienzmechanismus – kein Wasserzeichen, keine signierten Metadaten, keine Erkennungs-API – in den zum 23. Oktober verfügbaren Materialien. Für jeden, der eines der beiden Modelle in einem kundenorientierten Produkt einsetzt, ist das eine offene Compliance-Frage, keine gelöste.

Wo die Preview noch gewinnt

Wenn es sich bei dem Produkt um einen Gesprächsbegleiter handelt – eine Figur, die über viele Gesprächsrunden hinweg mit einem Nutzer spricht und durchgehend wie dieselbe Person klingen muss –, bleibt Sesames Ansatz die direktere Wahl. Die Kontextkonditionierung ist das ausschlaggebende Merkmal, und Phonon hat nichts Vergleichbares. Die Preview besitzt außerdem einen Feinschliff, der aus einem kuratierten Fine-Tuning und einer kuratierten Sprecherbesetzung resultiert und den kein offener Checkpoint reproduziert.

Wenn das Produkt Sprache auf einem Gerät, in einem Browser, offline oder bei einer Latenz benötigt, die ein Netzwerk nicht bieten kann, ist Phonon das nützlichere Release. Es ist außerdem das besser überprüfbare: Die Laufzeitumgebung ist auf GitHub, die Gewichte sind eine einzelne 64-MB-Datei, und die Lizenz ist Apache 2.0 ohne Hürde.

Der Teil, den keines der beiden Modelle abdeckt

Sesame Preview hat keine öffentliche API, was bedeutet, dass ein Team, das seine Stimme in einem Produkt einsetzen möchte, sie nicht einfach aufrufen kann. Die Demo ist eine Demonstration. Auf Sesames Forschung aufzubauen bedeutet, CSM-1B selbst zu betreiben, und das bringt die GPU und die Kontextassemblierung zurück.

Phonon übernimmt ausschließlich die Synthese. In einem echten Assistenten wird der Text, den er spricht, von einem Sprachmodell erzeugt, und der Gesprächszustand, den Sesames Modell verarbeiten würde, muss irgendwo zusammengestellt werden. OrcaRouter ist kein Sprach-Provider und hostet keines dieser beiden Modelle – Phonon läuft lokal und Sesames Gewichte laufen auf deiner Hardware. Was es abdeckt, ist die Textebene, auf die diese Systeme angewiesen sind: ein einziger Endpunkt für mehr als 200 Modelle, durchgereichte Provider-Listenpreise ohne Aufschlag (0 %), und Failover zwischen Providern, damit ein einzelner Ausfall den Assistenten nicht verstummen lässt. Die Stimme kann auf dem Gerät bleiben; das Denken muss es nicht.

Die offene Frage

Sesames Wette war, dass konversationeller Kontext das ist, was synthetische Sprache von einer Stimme unterscheidet, der man glaubt. Gradiums Wette ist, dass die meiste Sprachausgabe in Software keine Konversation braucht – sie braucht einen Prompt, eine Stimme und keinen Roundtrip – und dass ein Modell, das klein genug zum Einbetten ist, die Orte gewinnen kann, die Cloud-TTS nie erreicht hat.

Beide Annahmen können zutreffen. Der Test über das kommende Jahr ist, ob ein 31M-Modell einen Multi-Turn-Charakter ohne Kontextkonditionierung halten kann oder ob Teams am Ende ein kleines TTS-Modell mit einer separaten Zustandsschicht kombinieren, die die Aufgabe übernimmt, für die CSM-1B intern konzipiert wurde. Gradium hat keine Multi-Turn-Evaluierung veröffentlicht. Bis dahin ist die sichere Lesart, dass Phonon die Lücke bei der englischen Qualität einzelner Äußerungen geschlossen hat und noch nicht gezeigt hat, dass es ein Gespräch führen kann.