Phonon vs Sesame Preview : 32× moins de paramètres, le même codec, un pari différent

Mettez Phonon 31M et Sesame Preview côte à côte et la première chose qui correspond, c'est la plomberie. Les deux produisent de la parole mono à 24 kHz, l'encodent tous les deux via le codec Mimi de Kyutai, et sont tous les deux sous Apache 2.0. La deuxième chose qui correspond est plus étrange : le checkpoint ouvert derrière Sesame Preview, Sesame CSM-1B, compte environ un milliard de paramètres. Côté Gradium, le Phonon 31M, publié le 20 octobre 2026, en compte 31 millions. Cela représente un écart d'un facteur 32 en taille de modèle pour deux systèmes qui produisent le même taux d'échantillonnage via le même décodeur.

Cet écart n’est pas l’histoire d’une victoire de l’efficacité. C’est l’histoire de deux paris différents sur ce dont la parole conversationnelle a besoin. Le modèle de Sesame consacre ses paramètres au contexte — il est conçu pour poursuivre un dialogue, en lisant les tours précédents afin de garder une voix cohérente et un ton approprié. Phonon ne consacre presque rien au contexte et mise tout sur sa taille, assez petite pour fonctionner dans un onglet de navigateur, une application mobile ou un Raspberry Pi. Dix-neuf mois séparent leurs sorties, et pendant ce temps, le segment des petits modèles a beaucoup progressé.

D'abord, à quoi « Sesame Preview » fait réellement référence

Cela importe parce que la plupart des comparaisons se trompent. Sesame Preview est le produit grand public — les voix Maya et Miles sur sesame.com, une démonstration de ce que l'entreprise appelle la présence vocale. Les poids ouverts sont une chose distincte : Sesame CSM-1B, publié le 13 mars 2025 sous Apache 2.0, un modèle de génération de base dont Sesame affirme explicitement qu'il n'a pas été affiné sur une voix spécifique. Les voix de la préversion proviennent d'une variante affinée qui n'a jamais été publiée.

Ainsi, un auditeur qui compare la démo Preview au checkpoint ouvert de Phonon compare un produit soigneusement élaboré à un modèle brut. Ce n’est pas une comparaison équitable, et c’est pourtant celle que la plupart des gens font réellement. La comparaison équitable, c’est CSM-1B face à Phonon 31M : tous deux téléchargeables, tous deux sous Apache 2.0, tous deux pensés d’abord pour l’anglais, tous deux ouverts à l’inspection.

Il y a un second accroc dans la fiche de Sesame. Le modèle est présenté comme 1B, mais les métadonnées Hugging Face indiquent 2B paramètres dans des tenseurs F32. La fiche n’explique pas cet écart. Dans tous les cas, il se situe d’un ordre de grandeur au-dessus de Phonon.

Même codec, paris opposés

CSM génère des codes audio RVQ à partir d’entrées texte et audio en utilisant un backbone Llama et un décodeur audio plus petit qui émet des codes Mimi. L’architecture est celle d’un modèle de langage qui se trouve savoir parler : il traite les tokens audio comme une séquence à poursuivre, conditionnée par la conversation jusqu’ici. C’est pourquoi la documentation de Sesame insiste sur le fait que le modèle sonne mieux lorsqu’on lui donne du contexte, et pourquoi l’usage recommandé transmet les segments de parole précédents plutôt qu’une seule ligne de texte.

Phonon est un transformeur de type flow matching qui prédit des latents par trames de 80 millisecondes, décodés par Mimi. Il s’appuie sur Pocket TTS. Il n’y a ni état de dialogue ni fenêtre de contexte au sens produit — vous lui donnez du texte et une voix, et il parle. L’environnement d’exécution est Rust, sans PyTorch à l’inférence, avec des chemins CPU, Core ML, QNN et WebAssembly.

• Paramètres — 31M pour Phonon 31M ; 1B affiché pour Sesame CSM-1B, avec 2B indiqué dans les métadonnées Hugging Face.

• Sortie — 24 kHz mono pour les deux.

• Codec — Mimi pour les deux.

• Contexte — aucun pour Phonon 31M ; les segments conversationnels antérieurs sont recommandés pour Sesame CSM-1B.

• Langues — anglais pour les deux, avec un avertissement de Sesame indiquant que les langues autres que l’anglais sont faibles.

• Licence — Apache 2.0 pour les deux.

Ce que les paramètres de Sesame permettent d’obtenir

La présence conversationnelle n'est pas une formule marketing ; elle correspond à un choix technique précis. Un modèle qui voit les tours de parole précédents peut transporter la prosodie au-delà d'une frontière de phrase, éviter de revenir à une lecture neutre à chaque énoncé et maintenir la voix d'un personnage stable tout au long d'un long échange. CSM-1B a été conçu pour cela, et la démo qui a rendu Sesame célèbre en mars 2025 était convaincante précisément parce que les voix donnaient l'impression d'écouter.

Le prix à payer, c'est qu'il faut le contexte pour en tirer bénéfice. Une synthèse sur une seule ligne via CSM-1B, sans segments préalables, n'est pas l'expérience que la démo promettait. C'est une lecture TTS compétente mais banale. Les équipes qui téléchargent le checkpoint en s'attendant à la voix Maya de Preview le découvrent vite : la voix n'est pas dans les poids.

Phonon fait le choix inverse. Il n’a aucune notion de conversation, il ne peut donc ni dériver ni se réinitialiser — chaque énoncé est indépendant et déterministe. Pour une notification, une consigne de navigation ou une réplique de jeu, c’est exactement ce qu’il faut. Pour un personnage compagnon qui doit donner l’impression de se souvenir de la phrase précédente, cela ne suffit pas, et aucun gain de vitesse n’y remédie.

Ce que dix-neuf mois ont acheté

Le chiffre intéressant n’est pas 32×. C’est qu’un modèle de 31M publié en octobre 2026 revendique une intelligibilité de l’anglais proche de celle de systèmes deux ordres de grandeur plus grands. L’évaluation par Gradium lui-même d’un Phonon interne antérieur d’environ 100M faisait état de 1,48 % de WER sur l’ensemble Seed-TTS anglais en avril 2026, avec une amélioration à 1,00 % en mai. Le checkpoint 31M publié est annoncé à 0,51 % sur Seed-TTS et à 1,5 % sur un ensemble plus difficile dans la fiche du modèle, avec 1,70 % sur l’ensemble difficile dans le billet de publication.

Ces chiffres sont produits par les fournisseurs, obtenus avec whisper-large-v3 comme transcripteur et WavLM pour la similarité des locuteurs, et ils n’ont pas été reproduits de manière indépendante. Sesame, de son côté, n’a jamais publié de tableau WER pour CSM-1B. La comparaison qui compte — même jeu de test, même transcripteur, les deux modèles — n’existe pas publiquement. Quiconque vous dit que le modèle 31M est plus intelligible que le modèle 1B extrapole à partir de deux bancs d’essai différents.

Ce qu’on peut dire, c’est que l’écart de paramètres ne correspond plus clairement à la qualité. En 2025, un modèle d’un milliard de paramètres constituait un minimum raisonnable pour une synthèse vocale anglaise naturelle. Fin 2026, un fichier de 64 Mo avec 31 millions de paramètres peut crédiblement s’inviter dans la même conversation. C’est la véritable nouvelle dans l’annonce de Gradium, et elle est plus importante que n’importe quel chiffre Elo pris isolément.

Déploiement : GPU contre un onglet de navigateur

CSM-1B est un modèle PyTorch. Il fonctionne confortablement sur un GPU, lentement sur un CPU, et il réclame de la mémoire en gigaoctets plutôt qu’en mégaoctets. Hugging Face Transformers a ajouté une prise en charge native en mai 2025, avec l’inférence par lots et la compilation de graphes CUDA, ce qui indique le déploiement prévu : un serveur, traitant de nombreuses requêtes.

Phonon 31M fait 64,5 Mo une fois quantifié et s’exécute via un runtime Rust avec des bindings pour Python, Swift, JavaScript et C. Il démarre en moins de 10 ms sur un cœur d’ordinateur portable Apple, autour de 9 ms sur le Neural Engine d’un iPhone 16 Pro, et 68 ms sur un Raspberry Pi 5 selon les chiffres du README — 38 ms dans le billet de blog de la version. Il peut s’exécuter dans un onglet de navigateur via WebAssembly. Il ne peut pas servir mille utilisateurs simultanés depuis un seul GPU, car ce n’est pas ce pour quoi il est fait.

C'est la façon la plus simple de choisir entre les deux. Si la voix réside dans un centre de données et sert de nombreux utilisateurs, l'architecture de CSM-1B est plus adaptée. Si la voix réside sur l'appareil de l'utilisateur et sert une seule personne, celle de Phonon l'est.

Identité vocale et consentement

Le modèle ouvert de Sesame produit une variété de voix, mais ce n’est pas un système de clonage nativement ; la fiche le présente comme un modèle de génération de base et indique le contexte comme le moyen de maintenir une voix cohérente. Gradium fournit 37 voix anglaises intégrées avec Phonon 31M, un catalogue plus large sur gradium/phonon-voices, ainsi que la prise en charge de fichiers de voix personnalisés au format .safetensors.

Les deux fournisseurs publient des clauses d’utilisation acceptable interdisant l’usurpation d’identité et la tromperie. Aucun des deux ne publie de mécanisme technique de provenance — ni filigrane, ni métadonnées signées, ni API de détection — dans les documents disponibles au 23 octobre. Pour quiconque déploie l’un ou l’autre de ces modèles dans un produit destiné aux clients, il s’agit d’une question de conformité ouverte, et non résolue.

Là où l’aperçu garde encore l’avantage

Si le produit est un compagnon conversationnel — un personnage qui dialogue avec un utilisateur sur de nombreux tours et doit donner l’impression d’être la même personne tout du long —, l’approche de Sesame reste la plus directement adaptée. Le conditionnement au contexte est la caractéristique clé, et Phonon n’a pas d’équivalent. La Preview bénéficie aussi d’un niveau de finition qui vient d’un fine-tuning sur mesure et d’un casting vocal soigné, qu’aucun checkpoint ouvert ne reproduit.

Si le produit a besoin de la parole sur un appareil, dans un navigateur, hors ligne, ou avec une latence qu’un réseau ne peut égaler, Phonon est la version la plus utile. C’est aussi la plus inspectable : le runtime est sur GitHub, les poids sont un seul fichier de 64 Mo, et la licence est Apache 2.0 sans restriction.

La partie qu'aucun des deux modèles ne gère

Sesame Preview n'a pas d'API publique, ce qui signifie qu'une équipe qui veut sa voix dans un produit ne peut pas simplement l'appeler. La démo est une démonstration. S'appuyer sur les recherches de Sesame implique de faire tourner CSM-1B soi-même, et cela ramène le GPU et l'assemblage du contexte.

Phonon ne s'occupe que de la synthèse, rien d'autre. Dans un véritable assistant, le texte qu'il prononce est produit par un modèle de langage, et l'état de la conversation que le modèle de Sesame consommerait doit être assemblé quelque part. OrcaRouter n'est pas un fournisseur de synthèse vocale et n'héberge aucun de ces deux modèles — Phonon s'exécute localement et les poids de Sesame tournent sur votre matériel. Ce qu'il couvre, c'est la couche textuelle dont ces systèmes dépendent : un point d'accès unique pour plus de 200 modèles, le prix catalogue des fournisseurs répercuté sans marge, et un basculement entre fournisseurs afin qu'une seule panne ne fasse pas taire l'assistant. La voix peut rester sur l'appareil ; la réflexion n'a pas besoin d'y rester.

La question ouverte

Le pari de Sesame était que le contexte conversationnel est ce qui distingue une parole synthétique d'une voix à laquelle on croit. Le pari de Gradium est que la plupart des paroles dans les logiciels n'ont pas besoin d'une conversation — elles ont besoin d'un prompt, d'une voix et d'aucun aller-retour — et qu'un modèle assez petit pour être embarqué peut l'emporter là où la synthèse vocale cloud n'est jamais parvenue.

Les deux paris peuvent être justes. Le test de l’année à venir consiste à savoir si un modèle de 31M peut tenir un personnage sur plusieurs tours sans conditionnement de contexte, ou si les équipes finissent par associer un petit modèle TTS à une couche d’état distincte qui fait le travail que CSM-1B était conçu pour faire en interne. Gradium n’a pas publié d’évaluation multi-tours. Tant qu’elle ne l’aura pas fait, l’interprétation prudente est que Phonon a comblé l’écart en matière de qualité de l’anglais sur un seul énoncé et n’a pas encore démontré qu’il peut soutenir une conversation.