Phonon לעומת Sesame Preview: פי 32 פחות פרמטרים, אותו קודק, הימור שונה

הצב את Phonon 31M ואת Sesame Preview זה לצד זה, והדבר הראשון שתואם הוא הצנרת. שניהם מפיקים דיבור מונו ב-24 קילוהרץ, שניהם מקודדים אותו דרך קודק Mimi של Kyutai, ושניהם Apache 2.0. הדבר השני שתואם מוזר יותר: הצ'קפוינט הפתוח שמאחורי Sesame Preview, Sesame CSM-1B, מכיל בערך מיליארד פרמטרים. מבית Gradium, Phonon 31M, שיצא ב-20 באוקטובר 2026, מכיל 31 מיליון. זהו פער של פי 32 בגודל המודל בין שתי מערכות שמפיקות את אותו קצב דגימה דרך אותו מפענח.

הפער אינו סיפור על כך שהיעילות ניצחה. זהו סיפור על שני הימורים שונים לגבי מה שנדרש מדיבור שיחתי. המודל של Sesame משקיע את הפרמטרים שלו בהקשר — הוא תוכנן להמשיך דיאלוג, לקרוא תורות קודמים כדי לשמור על קול עקבי ועל טון הולם. Phonon כמעט אינו משקיע בהקשר, אלא הכול בכך שיהיה קטן מספיק כדי לרוץ בתוך לשונית דפדפן, באפליקציית טלפון או ב-Raspberry Pi. תשעה־עשר חודשים מפרידים בין ההשקות שלהם, ובפרק הזמן הזה הקצה הקטן של השוק התקדם דרך ארוכה.

ראשית, למה בעצם מתייחס "Sesame Preview"

זה חשוב porque רוב ההשוואות טועות. Sesame Preview הוא המוצר הצרכני — הקולות Maya ו-Miles ב-sesame.com, הדגמה של מה שהחברה מכנה נוכחות קולית. המשקלים הפתוחים הם דבר נפרד: Sesame CSM-1B, שפורסם ב-13 במרץ 2025 תחת Apache 2.0, מודל יצירה בסיסי ש-Sesame מציינת במפורש שהוא לא עבר כוונון עדין על שום קול ספציפי. הקולות של התצוגה המקדימה מגיעים מגרסה מכווננת עדין שמעולם לא שוחררה.

אז מאזין שמשווה את הדמו של Preview לצ'קפוינט הפתוח של Phonon משווה מוצר אצור למודל גולמי. זה לא קרב הוגן, וזה הקרב שרוב האנשים למעשה מנהלים. ההשוואה ההוגנת היא CSM-1B מול Phonon 31M: שניהם ניתנים להורדה, שניהם Apache 2.0, שניהם עם עדיפות לאנגלית, שניהם פתוחים לבדיקה.

יש עוד נקודה בעייתית בכרטיס של Sesame. המודל ממותג כ-1B, אך המטא-דאטה של Hugging Face מפרטת 2B פרמטרים בטנסורים מסוג F32. הכרטיס אינו מסביר את הסתירה. בין כך ובין כך, הוא גדול בסדר גודל מ-Phonon.

אותו קודק, הימורים הפוכים

CSM מייצר קודי אודיו RVQ מקלט טקסט וקלט אודיו באמצעות שלד Llama ומפענח אודיו קטן יותר שמפיק קודי Mimi. הארכיטקטורה היא מודל שפה שבמקרה גם מדבר: הוא מתייחס לאסימוני אודיו כרצף שיש להמשיך, בהתניה על השיחה עד כה. לכן התיעוד של Sesame מדגיש שהמודל נשמע במיטבו כשהוא מקבל הקשר, ולכן השימוש המומלץ מעביר קטעים קודמים של הדובר ולא שורת טקסט בודדת.

Phonon הוא טרנספורמר להתאמת זרימה (flow-matching) החוזה לטנטים במסגרות של 80 מילישניות, ומפוענח על ידי Mimi. הוא מבוסס על Pocket TTS. אין מצב דיאלוג ואין חלון הקשר במובן המוצרי — נותנים לו טקסט וקול, והוא מדבר. סביבת ההרצה היא Rust ללא PyTorch בזמן הסקה, עם נתיבי CPU, Core ML, QNN ו-WebAssembly.

• פרמטרים — 31M עבור Phonon 31M; עם מיתוג של 1B עבור Sesame CSM-1B, כאשר 2B רשום במטא-נתונים של Hugging Face.

• פלט — 24 kHz מונו לשניהם.

• קודק — Mimi לשניהם.

• הקשר — אין עבור Phonon 31M; מומלצים קטעי שיחה קודמים עבור Sesame CSM-1B.

• שפות — אנגלית לשניהם, עם אזהרה של Sesame ששפות שאינן אנגלית חלשות.

• רישיון — Apache 2.0 עבור שניהם.

מה נותנים הפרמטרים של Sesame

נוכחות שיחתית אינה סיסמה שיווקית; היא מתאימה לבחירה טכנית ספציפית. מודל שרואה את הסבבים הקודמים יכול להעביר פרוזודיה מעבר לגבול משפט, להימנע מאיפוס לקריאה ניטרלית בכל אמירה, ולשמור על קול דמות יציב לאורך חילופי דברים ארוכים. CSM-1B נבנה לעשות זאת, והדמו שהפך את Sesame למפורסמת במרץ 2025 היה משכנע בדיוק משום שהקולות נשמעו כאילו הם מקשיבים.

העלות היא שצריך את ההקשר כדי לקבל את התועלת. סינתזה של שורה בודדת דרך CSM-1B, בלי מקטעים קודמים, אינה החוויה שהדמו מכר. זו קריאת TTS מוכשרת אך לא יוצאת דופן. צוותים שמורידים את ה-checkpoint ומצפים לקול Maya של ה-Preview מגלים זאת מהר: הקול לא נמצא במשקולות.

Phonon עושה את הפשרה ההפוכה. אין לו שום תפיסה של שיחה, ולכן הוא אינו יכול לסטות או להתאפס — כל מבע הוא עצמאי ודטרמיניסטי. עבור התראה, הנחיית ניווט או שורת משחק, זה בדיוק נכון. עבור דמות מלווה שצריכה להישמע כאילו היא זוכרת את המשפט האחרון, זה לא מספיק, ושום כמות של מהירות לא תתקן זאת.

מה קנו תשעה־עשר חודשים

המספר המעניין אינו פי 32. אלא שמודל של 31M ששוחרר באוקטובר 2026 טוען לבהירות באנגלית ברמה דומה לזו של מערכות גדולות ממנו בשני סדרי גודל. ההערכה של Gradium עצמה של Phonon פנימי קודם, בגודל ~100M, דיווחה על 1.48% WER על סט Seed-TTS באנגלית באפריל 2026, כשהנתון השתפר ל-1.00% עד מאי. הצ'קפוינט המשוחרר של 31M נטען ל-0.51% על Seed-TTS ול-1.5% על סט קשה יותר בכרטיס המודל, עם 1.70% על הסט הקשה בבלוג ההשקה.

אלה מספרים שהפיק הספק, שנוצרו עם whisper-large-v3 כמתמלל ועם WavLM לדמיון בין דוברים, והם לא שוחזרו באופן בלתי תלוי. Sesame, מצדה, מעולם לא פרסמה טבלת WER עבור CSM-1B. ההשוואה שחשובה — אותו מערך בדיקות, אותו מתמלל, שני המודלים — אינה קיימת בפומבי. כל מי שאומר לך שמודל ה-31M מובן יותר ממודל ה-1B מסיק מסקנות משני כלי בדיקה שונים.

מה שאפשר לומר הוא שפער הפרמטרים כבר לא ממפה בצורה נקייה לאיכות. ב-2025, מודל עם מיליארד פרמטרים היה מינימום סביר ל-TTS אנגלי טבעי. בסוף 2026, קובץ של 64 MB עם 31 מיליון פרמטרים נמצא באופן אמין באותה שיחה. זו החדשות האמיתיות בהשחרור של Gradium, והיא גדולה מכל נתון Elo בודד.

פריסה: GPU לעומת לשונית דפדפן

CSM-1B הוא מודל PyTorch. הוא פועל על GPU בנוחות, על CPU לאט, והוא דורש זיכרון בגיגה-בייטים ולא במגה-בייטים. Hugging Face Transformers הוסיפה תמיכה מקורית במאי 2025, עם הסקה באצוות וקומפילציה של גרפי CUDA, מה שמעיד על פריסת הייעוד: שרת, המשרת בקשות רבות.

Phonon 31M הוא 64.5 MB לאחר כימות ופועל דרך סביבת ריצה של Rust עם ממשקים ל-Python, Swift, JavaScript ו-C. הוא מתחיל לפעול תוך מילישניות חד-ספרתיות על ליבת מחשב נייד של Apple, בסביבות 9 ms על ה-Neural Engine של iPhone 16 Pro, ו-68 ms על Raspberry Pi 5 בנתוני ה-README — 38 ms בבלוג ההשקה. הוא יכול לפעול בלשונית דפדפן דרך WebAssembly. הוא לא יכול לשרת אלף משתמשים בו-זמנית מ-GPU אחד, כי זה לא מה שהוא נועד לו.

זו הדרך הנקייה ביותר לבחור ביניהם. אם הקול נמצא במרכז נתונים ומשרת משתמשים רבים, הארכיטקטורה של CSM-1B מתאימה יותר. אם הקול נמצא במכשיר של המשתמש ומשרת אדם אחד, זו של Phonon מתאימה יותר.

זהות קולית והסכמה

המודל הפתוח של Sesame מפיק מגוון קולות אך אינו מערכת לשיבוט קול כברירת מחדל; הכרטיס מציג אותו כמודל יצירה בסיסי ומפנה להקשר כדרך לשמור על קול עקבי. Gradium מספקת 37 קולות אנגליים מובנים עם Phonon 31M, קטלוג גדול יותר ב-gradium/phonon-voices, ותמיכה בקבצי קול מותאמים אישית בפורמט .safetensors.

שני הספקים מפרסמים ניסוח שימוש מקובל האוסר התחזות והונאה. אף אחד מהם אינו מפרסם מנגנון מקוריות טכני — ללא סימן מים, ללא מטא-נתונים חתומים, ללא API לזיהוי — בחומר הזמין נכון ל-23 באוקטובר. עבור כל מי שפורס אחד מהמודלים במוצר המיועד ללקוחות, זוהי שאלת ציות פתוחה, לא שאלה שנפתרה.

היכן שה-Preview עדיין מנצח

אם המוצר הוא בן לוויה שיחתי — דמות שמשוחחת עם משתמש לאורך תורות רבים וצריכה להישמע כמו אותו אדם לאורך כל הדרך — הגישה של Sesame נותרת ההתאמה הישירה יותר. התניית ההקשר היא התכונה, ול-Phonon אין מקבילה. ל-Preview יש גם ליטוש שמגיע מכיוונון עדין אצור ומקאסט קולי אצור, שאף צ׳קפוינט פתוח לא משחזר.

אם המוצר זקוק לדיבור במכשיר, בדפדפן, ללא חיבור לרשת, או בהשהיה שרשת לא יכולה להשתוות לה, Phonon הוא המהדורה השימושית יותר. הוא גם הניתנת לבדיקה יותר: סביבת ההרצה נמצאת ב-GitHub, המשקלים הם קובץ יחיד בגודל 64 MB, והרישיון הוא Apache 2.0 ללא שער.

החלק שאף אחד מהמודלים לא מטפל בו

ל-Sesame Preview אין API ציבורי, מה שאומר שצוות שרוצה את הקול שלו במוצר לא יכול פשוט לקרוא לו. הדמו הוא הדגמה. לבנות על המחקר של Sesame פירושו להריץ את CSM-1B בעצמך, וזה מחזיר את ה-GPU ואת הרכבת ההקשר.

Phonon מטפל בסינתזה ותו לא. בעוזר אמיתי, הטקסט שהוא משמיע מיוצר על‑ידי מודל שפה, ומצב השיחה שמודל של Sesame יצרוך חייב להיות מורכב במקום כלשהו. OrcaRouter אינו ספק דיבור ואינו מארח אף אחד מהמודלים האלה — Phonon פועל באופן מקומי והמשקולות של Sesame רצות על החומרה שלך. מה שהוא כן מכסה הוא שכבת הטקסט שהמערכות האלה תלויות בה: נקודת קצה אחת ליותר מ‑200 מודלים, מחיר המחירון של הספק מועבר הלאה בתוספת של 0%, ומעבר אוטומטי בין ספקים כך שהשבתה אחת לא משתיקה את העוזר. הקול יכול להישאר במכשיר; החשיבה לא חייבת.

השאלה הפתוחה

ההימור של Sesame היה שהקשר שיחתי הוא מה שמבדיל בין דיבור סינתטי לקול שאתה מאמין לו. ההימור של Gradium הוא שרוב הדיבור בתוכנה אינו זקוק לשיחה — הוא זקוק להנחיה, לקול וללא סבב הלוך ושוב — ושמודל קטן מספיק כדי להיות מוטמע יכול לנצח במקומות שאליהם TTS בענן מעולם לא הגיע.

שני ההימורים יכולים להיות נכונים. המבחן בשנה הקרובה הוא אם מודל 31M יכול להחזיק דמות רב-תורית ללא התניית הקשר, או אם צוותים ימצאו את עצמם מצמידים מודל TTS קטן לשכבת מצב נפרדת שעושה את העבודה ש-CSM-1B תוכנן לבצע באופן פנימי. Gradium לא פרסמה הערכה רב-תורית. עד שתעשה זאת, הפרשנות הבטוחה היא ש-Phonon סגרה את הפער באיכות האנגלית במבע בודד ועדיין לא הראתה שהיא מסוגלת לנהל שיחה.