Phonon vs Sesame Preview: 32× Lebih Sedikit Parameter, Codec yang Sama, Taruhan yang Berbeda

Letakkan Phonon 31M dan Sesame Preview berdampingan dan hal pertama yang sama adalah infrastruktur dasarnya. Keduanya menghasilkan ucapan mono 24 kHz, keduanya mengodekannya melalui codec Mimi milik Kyutai, dan keduanya Apache 2.0. Hal kedua yang sama lebih aneh: checkpoint terbuka di balik Sesame Preview, Sesame CSM-1B, memiliki sekitar satu miliar parameter. Gradium punya Phonon 31M, yang dirilis pada 20 Oktober 2026, memiliki 31 juta. Itu adalah selisih 32 kali lipat dalam ukuran model untuk dua sistem yang mengeluarkan laju sampel yang sama melalui decoder yang sama.

Kesenjangan ini bukanlah kisah tentang efisiensi yang menang. Ini adalah kisah tentang dua taruhan berbeda terhadap apa yang dibutuhkan oleh ujaran percakapan. Model Sesame menghabiskan parameternya untuk konteks — model ini dirancang untuk melanjutkan dialog, membaca giliran-giliran sebelumnya untuk menjaga suara tetap konsisten dan nada yang sesuai. Phonon hampir tidak menghabiskan apa pun untuk konteks dan semuanya untuk menjadi cukup kecil agar dapat berjalan di dalam tab peramban, aplikasi ponsel, atau Raspberry Pi. Sembilan belas bulan memisahkan rilis mereka, dan dalam waktu itu segmen kecil pasar telah bergerak jauh.

Pertama, apa yang sebenarnya dimaksud dengan "Sesame Preview"

Hal ini penting karena sebagian besar perbandingan keliru. Sesame Preview adalah produk konsumen — suara Maya dan Miles di sesame.com, demonstrasi dari apa yang disebut perusahaan sebagai kehadiran suara. Bobot terbuka adalah hal yang terpisah: Sesame CSM-1B, diterbitkan pada 13 Maret 2025 di bawah Apache 2.0, model generasi dasar yang menurut Sesame secara eksplisit tidak di-fine-tune pada suara tertentu mana pun. Suara di pratinjau berasal dari varian yang di-fine-tune yang tidak pernah dirilis.

Jadi, pendengar yang membandingkan demo Preview dengan checkpoint terbuka Phonon sedang membandingkan produk yang telah dikurasi dengan model mentah. Itu bukan perbandingan yang adil, dan justru perbandingan itulah yang sebenarnya dilakukan banyak orang. Perbandingan yang adil adalah CSM-1B dengan Phonon 31M: keduanya dapat diunduh, keduanya Apache 2.0, keduanya mengutamakan bahasa Inggris, keduanya terbuka untuk diperiksa.

Ada keanehan kedua dalam kartu Sesame. Model ini dilabeli 1B, tetapi metadata Hugging Face mencantumkan 2B parameter dalam tensor F32. Kartu tersebut tidak menjelaskan perbedaan itu. Bagaimanapun juga, ini satu orde magnitudo di atas Phonon.

Codec yang sama, taruhan yang berlawanan

CSM menghasilkan kode audio RVQ dari input teks dan audio menggunakan tulang punggung Llama dan dekoder audio yang lebih kecil yang memancarkan kode Mimi. Arsitekturnya adalah model bahasa yang kebetulan bisa berbicara: ia memperlakukan token audio sebagai urutan yang harus dilanjutkan, dengan kondisi percakapan sejauh ini. Itulah sebabnya dokumentasi Sesame menegaskan bahwa model terdengar paling baik saat diberi konteks, dan mengapa penggunaan yang direkomendasikan meneruskan segmen pembicara sebelumnya alih-alih satu baris teks.

Phonon adalah transformer flow-matching yang memprediksi latent dalam frame 80 milidetik, yang didekode oleh Mimi. Ini dibangun di atas Pocket TTS. Tidak ada status dialog dan tidak ada jendela konteks dalam pengertian produk — Anda memberinya teks dan suara, lalu ia berbicara. Runtime-nya adalah Rust tanpa PyTorch saat inferensi, dengan jalur CPU, Core ML, QNN, dan WebAssembly.

• Parameter — 31M untuk Phonon 31M; dipasarkan sebagai 1B untuk Sesame CSM-1B, dengan 2B tercantum dalam metadata Hugging Face.

• Output — 24 kHz mono untuk keduanya.

• Codec — Mimi untuk keduanya.

• Konteks — tidak ada untuk Phonon 31M; segmen percakapan sebelumnya direkomendasikan untuk Sesame CSM-1B.

• Bahasa — Inggris untuk keduanya, dengan peringatan Sesame bahwa bahasa non-Inggris lemah.

• Lisensi — Apache 2.0 untuk keduanya.

Apa yang Diperoleh dari Parameter Sesame

Kehadiran percakapan bukanlah frasa pemasaran; itu merujuk pada pilihan teknis yang spesifik. Model yang melihat giliran-giliran sebelumnya dapat membawa prosodi melintasi batas kalimat, menghindari pengaturan ulang ke pembacaan netral pada setiap ujaran, dan menjaga suara karakter tetap stabil sepanjang percakapan panjang. CSM-1B dibangun untuk melakukan itu, dan demo yang membuat Sesame terkenal pada Maret 2025 meyakinkan justru karena suara-suara itu terdengar seperti sedang mendengarkan.

Konsekuensinya adalah Anda memerlukan konteks untuk mendapatkan manfaatnya. Sintesis satu baris melalui CSM-1B, tanpa segmen sebelumnya, bukanlah pengalaman yang dijanjikan demo tersebut. Itu hanyalah pembacaan TTS yang kompeten tetapi biasa saja. Tim yang mengunduh checkpoint dengan mengharapkan suara Maya dari Preview akan segera menemukan ini: suara tersebut tidak ada di dalam bobot model.

Phonon mengambil kompromi yang berlawanan. Phonon tidak memiliki gagasan tentang percakapan, sehingga tidak dapat menyimpang atau mengatur ulang — setiap ujaran bersifat independen dan deterministik. Untuk notifikasi, perintah navigasi, atau dialog game, itu tepat sekali. Untuk karakter pendamping yang perlu terdengar seperti mengingat kalimat terakhir, itu tidak cukup, dan secepat apa pun tidak akan memperbaikinya.

Apa yang diperoleh dalam sembilan belas bulan

Angka yang menarik bukanlah 32×. Yang menarik adalah bahwa model 31M yang dirilis pada Oktober 2026 mengklaim keterpahaman bahasa Inggris di kisaran yang sama dengan sistem yang dua orde magnitudo lebih besar. Evaluasi Gradium sendiri terhadap Phonon internal yang lebih awal, ~100M, melaporkan WER 1,48% pada set Seed-TTS bahasa Inggris pada April 2026, meningkat menjadi 1,00% pada Mei. Checkpoint 31M yang dirilis diklaim sebesar 0,51% pada Seed-TTS dan 1,5% pada set yang lebih sulit di kartu model, dengan 1,70% pada set sulit dalam blog rilis.

Angka-angka itu dijalankan oleh vendor, dihasilkan dengan whisper-large-v3 sebagai transcriber dan WavLM untuk kemiripan pembicara, dan belum direproduksi secara independen. Sesame sendiri tidak pernah menerbitkan tabel WER untuk CSM-1B. Perbandingan yang penting — set uji sama, transcriber sama, kedua model — tidak ada di publik. Siapa pun yang mengatakan model 31M lebih mudah dipahami daripada model 1B sedang mengekstrapolasi dari dua harness yang berbeda.

Yang dapat dikatakan adalah bahwa kesenjangan parameter tidak lagi berkorelasi rapi dengan kualitas. Pada 2025, model satu miliar parameter adalah batas minimum yang wajar untuk TTS bahasa Inggris yang natural. Pada akhir 2026, file 64 MB dengan 31 juta parameter secara kredibel berada dalam perbincangan yang sama. Itulah berita sebenarnya dalam rilis Gradium, dan itu lebih besar daripada angka Elo mana pun.

Deployment: GPU versus tab browser

CSM-1B adalah model PyTorch. Model ini berjalan dengan nyaman di GPU, lambat di CPU, dan membutuhkan memori dalam hitungan gigabita, bukan megabita. Hugging Face Transformers menambahkan dukungan native pada Mei 2025, dengan inferensi batch dan kompilasi CUDA graph, yang menunjukkan deployment yang dimaksud: sebuah server, yang melayani banyak permintaan.

Phonon 31M berukuran 64,5 MB setelah dikuantisasi dan berjalan melalui runtime Rust dengan binding untuk Python, Swift, JavaScript, dan C. Model ini mulai dalam hitungan milidetik satu digit pada inti laptop Apple, sekitar 9 ms pada Neural Engine iPhone 16 Pro, dan 68 ms pada Raspberry Pi 5 menurut angka di README — 38 ms di blog rilis. Model ini dapat berjalan di tab browser melalui WebAssembly. Model ini tidak dapat melayani seribu pengguna bersamaan dari satu GPU, karena bukan itu tujuannya.

Ini cara paling bersih untuk memilih di antara keduanya. Jika suara tersebut berada di pusat data dan melayani banyak pengguna, arsitektur CSM-1B lebih cocok. Jika suara tersebut berada di perangkat pengguna dan melayani satu orang, arsitektur Phonon yang lebih cocok.

Identitas dan persetujuan suara

Model terbuka Sesame menghasilkan berbagai suara tetapi bukan sistem kloning yang siap pakai; kartu tersebut membingkainya sebagai model generasi dasar dan mengarahkan pada konteks sebagai cara untuk menjaga konsistensi suara. Gradium menyertakan 37 suara Inggris bawaan dengan Phonon 31M, katalog yang lebih besar di gradium/phonon-voices, dan dukungan untuk file suara kustom dalam format .safetensors.

Kedua vendor menerbitkan ketentuan penggunaan yang dapat diterima yang melarang penyamaran dan penipuan. Tidak satu pun dari keduanya menerbitkan mekanisme asal-usul teknis — tidak ada watermark, tidak ada metadata bertanda tangan, tidak ada API deteksi — dalam materi yang tersedia per 23 Oktober. Bagi siapa pun yang menerapkan salah satu model tersebut dalam produk yang berhadapan langsung dengan pelanggan, itu adalah pertanyaan kepatuhan yang masih terbuka, bukan yang sudah terselesaikan.

Di mana Preview masih unggul

Jika produknya adalah pendamping percakapan — karakter yang berbicara dengan pengguna selama banyak giliran dan harus terdengar seperti orang yang sama sepanjang percakapan — pendekatan Sesame tetap menjadi pilihan yang lebih langsung. Pengondisian konteks adalah fiturnya, dan Phonon tidak memiliki padanan. Preview juga memiliki tingkat poles yang berasal dari fine-tune yang dikurasi dan pemeran suara yang dikurasi, yang tidak direproduksi oleh checkpoint terbuka mana pun.

Jika produk membutuhkan ucapan di perangkat, di browser, secara offline, atau pada latensi yang tidak dapat ditandingi jaringan, Phonon adalah rilis yang lebih berguna. Phonon juga lebih mudah diperiksa: runtime-nya ada di GitHub, bobotnya berupa satu file 64 MB, dan lisensinya Apache 2.0 tanpa pembatasan akses.

Bagian yang tidak ditangani oleh model mana pun

Sesame Preview tidak memiliki API publik, yang berarti tim yang ingin menggunakan suaranya dalam sebuah produk tidak bisa sekadar memanggilnya. Demo hanyalah demonstrasi. Membangun di atas riset Sesame berarti menjalankan CSM-1B sendiri, dan itu memunculkan kembali soal GPU dan penyusunan konteks.

Phonon menangani sintesis dan tidak ada yang lain. Dalam asisten sungguhan, teks yang diucapkannya dihasilkan oleh model bahasa, dan status percakapan yang akan dikonsumsi model Sesame harus disusun di suatu tempat. OrcaRouter bukan penyedia layanan suara dan tidak menghosting salah satu model ini — Phonon berjalan secara lokal dan bobot Sesame berjalan di perangkat keras Anda. Yang dicakupnya adalah lapisan teks yang menjadi dependensi sistem tersebut: satu endpoint untuk lebih dari 200 model, harga daftar penyedia diteruskan dengan markup 0%, dan failover antarpenyedia sehingga satu gangguan tidak membisukan asisten. Suara dapat tetap berada di perangkat; pemrosesan pikiran tidak harus demikian.

Pertanyaan terbuka

Taruhan Sesame adalah bahwa konteks percakapan adalah yang membedakan ucapan sintetis dari suara yang Anda percayai. Taruhan Gradium adalah bahwa sebagian besar ucapan dalam perangkat lunak tidak memerlukan percakapan — ia memerlukan prompt, suara, dan tanpa perjalanan pulang-pergi — dan bahwa model yang cukup kecil untuk disematkan dapat memenangkan tempat-tempat yang tidak pernah dijangkau TTS cloud.

Kedua taruhan bisa saja benar. Ujian selama setahun ke depan adalah apakah model 31M dapat mempertahankan karakter multi-giliran tanpa pengondisian konteks, atau apakah tim akhirnya memasangkan model TTS kecil dengan lapisan status terpisah yang melakukan tugas yang memang dirancang untuk dilakukan CSM-1B secara internal. Gradium belum menerbitkan evaluasi multi-giliran. Sampai itu dilakukan, pembacaan yang aman adalah bahwa Phonon telah menutup kesenjangan dalam kualitas bahasa Inggris satu ujaran dan belum menunjukkan bahwa ia dapat mempertahankan percakapan.