Phonon vs. Sesame Preview: 32× menos parámetros, el mismo códec, una apuesta diferente

Pon Phonon 31M y Sesame Preview uno al lado del otro y lo primero que coincide es la infraestructura. Ambos producen voz mono a 24 kHz, ambos la codifican mediante el códec Mimi de Kyutai, y ambos son Apache 2.0. Lo segundo que coincide es más extraño: el checkpoint abierto que hay detrás de Sesame Preview, Sesame CSM-1B, tiene aproximadamente mil millones de parámetros. El Phonon 31M de Gradium, publicado el 20 de octubre de 2026, tiene 31 millones. Es una diferencia de 32 veces en el tamaño del modelo para dos sistemas que emiten la misma frecuencia de muestreo a través del mismo decodificador.

La brecha no es una historia sobre el triunfo de la eficiencia. Es una historia sobre dos apuestas distintas sobre lo que necesita el habla conversacional. El modelo de Sesame invierte sus parámetros en el contexto: está diseñado para continuar un diálogo, leyendo turnos previos para mantener una voz coherente y un tono adecuado. Phonon no invierte casi nada en el contexto y lo invierte todo en ser lo suficientemente pequeño como para ejecutarse dentro de una pestaña del navegador, una aplicación móvil o una Raspberry Pi. Diecinueve meses separan sus lanzamientos, y en ese tiempo el extremo pequeño del mercado avanzó muchísimo.

Primero, a qué se refiere realmente "Sesame Preview"

Esto importa porque la mayoría de las comparaciones se equivocan. Sesame Preview es el producto de consumo —las voces Maya y Miles en sesame.com, una demostración de lo que la empresa llama presencia de voz. Los pesos abiertos son algo aparte: Sesame CSM-1B, publicado el 13 de marzo de 2025 bajo Apache 2.0, un modelo generativo base del que Sesame afirma explícitamente que no se ha ajustado para ninguna voz específica. Las voces de la vista previa provienen de una variante ajustada que nunca se publicó.

Así que un oyente que compara la demo de Preview con el checkpoint abierto de Phonon está comparando un producto curado con un modelo en bruto. Esa no es una comparación justa, y es la comparación que la mayoría de la gente está haciendo en realidad. La comparación justa es CSM-1B frente a Phonon 31M: ambos descargables, ambos Apache 2.0, ambos con el inglés como prioridad, ambos abiertos a inspección.

Hay una segunda complicación en la tarjeta de Sesame. El modelo está etiquetado como 1B, pero los metadatos de Hugging Face indican 2B parámetros en tensores F32. La tarjeta no explica la discrepancia. En cualquier caso, está un orden de magnitud por encima de Phonon.

Mismo códec, apuestas opuestas

CSM genera códigos de audio RVQ a partir de entradas de texto y audio usando un backbone Llama y un decodificador de audio más pequeño que emite códigos Mimi. La arquitectura es un modelo de lenguaje que resulta capaz de hablar: trata los tokens de audio como una secuencia que debe continuarse, condicionada por la conversación hasta el momento. Por eso la documentación de Sesame insiste en que el modelo suena mejor cuando se le proporciona contexto, y por eso el uso recomendado pasa segmentos previos del hablante en lugar de una sola línea de texto.

Phonon es un transformer de flow-matching que predice latentes en fotogramas de 80 milisegundos, decodificados por Mimi. Se basa en Pocket TTS. No hay estado de diálogo ni ventana de contexto en el sentido del producto: le das texto y una voz, y habla. El runtime está en Rust, sin PyTorch en la inferencia, con rutas para CPU, Core ML, QNN y WebAssembly.

• Parámetros — 31M para Phonon 31M; 1B de marca para Sesame CSM-1B, con 2B indicado en los metadatos de Hugging Face.

• Salida — 24 kHz mono para ambos.

• Códec — Mimi para ambos.

• Contexto — ninguno para Phonon 31M; se recomiendan segmentos conversacionales previos para Sesame CSM-1B.

• Idiomas — inglés para ambos, con la advertencia de Sesame de que los idiomas distintos del inglés son débiles.

• Licencia — Apache 2.0 para ambos.

Qué consiguen los parámetros de Sesame

La presencia conversacional no es una frase de marketing; corresponde a una elección técnica concreta. Un modelo que ve los turnos anteriores puede trasladar la prosodia a través del límite de una oración, evitar reiniciarse a una lectura neutra en cada intervención y mantener estable la voz de un personaje durante un intercambio largo. CSM-1B se construyó para hacer eso, y la demo que hizo famosa a Sesame en marzo de 2025 era convincente precisamente porque las voces sonaban como si estuvieran escuchando.

El coste es que necesitas el contexto para obtener el beneficio. Una síntesis de una sola línea mediante CSM-1B, sin segmentos previos, no es la experiencia que prometía la demo. Es una lectura TTS competente pero poco destacable. Los equipos que descargan el checkpoint esperando la voz Maya de Preview descubren esto rápidamente: la voz no está en los pesos.

Phonon hace el intercambio opuesto. No tiene noción de una conversación, así que no puede desviarse ni reiniciarse — cada enunciado es independiente y determinista. Para una notificación, una indicación de navegación o una frase de un juego, eso es exactamente lo correcto. Para un personaje acompañante que necesita sonar como si recordara la última frase, no es suficiente, y ninguna cantidad de velocidad lo arregla.

Lo que compraron diecinueve meses

El número interesante no es 32×. Es que un modelo de 31M publicado en octubre de 2026 afirma tener una inteligibilidad del inglés en un rango similar al de sistemas dos órdenes de magnitud más grandes. La propia evaluación de Gradium de un Phonon interno anterior de ~100M reportó un WER del 1,48 % en el conjunto inglés Seed-TTS en abril de 2026, mejorando al 1,00 % en mayo. Del checkpoint de 31M publicado se afirma un 0,51 % en Seed-TTS y un 1,5 % en un conjunto más difícil en la ficha del modelo, con un 1,70 % en el conjunto difícil en el blog de lanzamiento.

Esos son números generados por el proveedor, producidos con whisper-large-v3 como transcriptor y WavLM para la similitud de hablante, y no han sido reproducidos de forma independiente. Sesame, por su parte, nunca publicó una tabla de WER para CSM-1B. La comparación que importa —mismo conjunto de pruebas, mismo transcriptor, ambos modelos— no existe en público. Cualquiera que te diga que el modelo de 31M es más inteligible que el modelo de 1B está extrapolando a partir de dos entornos de evaluación diferentes.

Lo que se puede decir es que la brecha de parámetros ya no se corresponde limpiamente con la calidad. En 2025, un modelo de mil millones de parámetros era un mínimo razonable para TTS en inglés natural. A finales de 2026, un archivo de 64 MB con 31 millones de parámetros está creíblemente en la misma conversación. Esa es la verdadera noticia del lanzamiento de Gradium, y es más grande que cualquier cifra de Elo por sí sola.

Despliegue: GPU frente a una pestaña del navegador

CSM-1B es un modelo de PyTorch. Se ejecuta cómodamente en una GPU, lentamente en una CPU, y requiere memoria en gigabytes en lugar de megabytes. Hugging Face Transformers añadió compatibilidad nativa en mayo de 2025, con inferencia por lotes y compilación de grafos CUDA, lo que indica el despliegue previsto: un servidor que atiende muchas solicitudes.

Phonon 31M es de 64.5 MB cuantizado y se ejecuta mediante un runtime de Rust con enlaces para Python, Swift, JavaScript y C. Arranca en milisegundos de un solo dígito en un núcleo de portátil Apple, alrededor de 9 ms en el Neural Engine de un iPhone 16 Pro, y 68 ms en una Raspberry Pi 5 según las cifras del README — 38 ms en el blog de lanzamiento. Puede ejecutarse en una pestaña del navegador mediante WebAssembly. No puede atender a mil usuarios concurrentes desde una sola GPU, porque no es para eso.

Esta es la forma más clara de elegir entre ellos. Si la voz reside en un centro de datos y atiende a muchos usuarios, la arquitectura de CSM-1B encaja mejor. Si la voz reside en el dispositivo del usuario y atiende a una sola persona, la de Phonon es la que encaja.

Identidad de voz y consentimiento

El modelo abierto de Sesame produce una variedad de voces, pero no es un sistema de clonación listo para usar; la ficha lo presenta como un modelo de generación base y señala al contexto como la forma de mantener una voz coherente. Gradium incluye 37 voces integradas en inglés con Phonon 31M, un catálogo más amplio en gradium/phonon-voices y compatibilidad con archivos de voz personalizados en formato .safetensors.

Ambos proveedores publican un lenguaje de uso aceptable que prohíbe la suplantación de identidad y el engaño. Ninguno publica un mecanismo técnico de procedencia —ni marca de agua, ni metadatos firmados, ni API de detección— en el material disponible a 23 de octubre. Para cualquiera que implemente cualquiera de los dos modelos en un producto de cara al cliente, esa es una cuestión de cumplimiento abierta, no resuelta.

Donde Preview sigue ganando

Si el producto es un compañero conversacional —un personaje que conversa con un usuario a lo largo de muchos turnos y debe sonar como la misma persona en todo momento—, el enfoque de Sesame sigue siendo el que mejor encaja de forma más directa. El condicionamiento por contexto es precisamente la característica diferencial, y Phonon no tiene un equivalente. La Preview también presenta un acabado que proviene de un ajuste fino curado y de un elenco de voces curado, algo que ningún checkpoint abierto reproduce.

Si el producto necesita voz en un dispositivo, en un navegador, sin conexión o con una latencia que una red no puede igualar, Phonon es la versión más útil. También es la más inspeccionable: el entorno de ejecución está en GitHub, los pesos son un único archivo de 64 MB y la licencia es Apache 2.0 sin restricciones.

La parte que ninguno de los dos modelos maneja

Sesame Preview no tiene una API pública, lo que significa que un equipo que quiera su voz en un producto no puede simplemente llamarla. La demo es una demostración. Construir sobre la investigación de Sesame implica ejecutar CSM-1B por tu cuenta, y eso vuelve a traer la GPU y el ensamblaje del contexto.

Phonon se encarga de la síntesis y de nada más. En un asistente real, el texto que pronuncia lo genera un modelo de lenguaje, y el estado de la conversación que consumiría el modelo de Sesame tiene que ensamblarse en algún sitio. OrcaRouter no es un proveedor de voz y no aloja ninguno de estos dos modelos: Phonon se ejecuta localmente y los pesos de Sesame se ejecutan en tu hardware. Lo que sí cubre es la capa de texto de la que dependen esos sistemas: un único endpoint para más de 200 modelos, el precio de lista del proveedor transferido con un 0 % de margen, y la conmutación por error entre proveedores para que una sola caída no deje mudo al asistente. La voz puede quedarse en el dispositivo; el pensamiento no tiene por qué.

La pregunta abierta

La apuesta de Sesame era que el contexto conversacional es lo que separa el habla sintética de una voz en la que crees. La apuesta de Gradium es que la mayor parte del habla en el software no necesita una conversación —necesita un prompt, una voz y ningún viaje de ida y vuelta—, y que un modelo lo bastante pequeño para incrustarse puede ganar en los lugares a los que el TTS en la nube nunca llegó.

Ambas apuestas pueden ser correctas. La prueba durante el próximo año es si un modelo de 31M puede mantener un personaje multi-turno sin condicionamiento de contexto, o si los equipos terminan emparejando un modelo TTS pequeño con una capa de estado separada que haga el trabajo que CSM-1B fue diseñado para hacer internamente. Gradium no ha publicado una evaluación multi-turno. Hasta que lo haga, la lectura segura es que Phonon ha cerrado la brecha en calidad de inglés de un solo enunciado y aún no ha demostrado que pueda sostener una conversación.