Phonon vs Sesame Preview: 32× meno parametri, lo stesso codec, una scommessa diversa

Metti Phonon 31M e Sesame Preview fianco a fianco e la prima cosa che combacia è l'infrastruttura di base. Entrambi producono parlato mono a 24 kHz, entrambi lo codificano tramite il codec Mimi di Kyutai ed entrambi sono Apache 2.0. La seconda cosa che combacia è più strana: il checkpoint aperto dietro Sesame Preview, Sesame CSM-1B, porta circa un miliardo di parametri. Il modello di Gradium, Phonon 31M, rilasciato il 20 ottobre 2026, ne porta 31 milioni. Si tratta di un divario di 32 volte nelle dimensioni del modello per due sistemi che restituiscono la stessa frequenza di campionamento attraverso lo stesso decoder.

Il divario non è una storia in cui vince l’efficienza. È una storia su due scommesse diverse su ciò di cui ha bisogno il parlato conversazionale. Il modello di Sesame spende i suoi parametri nel contesto: è progettato per continuare un dialogo, leggendo i turni precedenti per mantenere una voce coerente e un tono appropriato. Phonon non spende quasi nulla nel contesto e tutto nel essere abbastanza piccolo da girare dentro una scheda del browser, un’app per telefono o un Raspberry Pi. Diciannove mesi separano le loro uscite, e in quel tempo la fascia bassa del mercato ha fatto molta strada.

Innanzitutto, a cosa si riferisce realmente "Sesame Preview"

Questo è importante perché la maggior parte dei confronti sbaglia. Sesame Preview è il prodotto consumer — le voci Maya e Miles su sesame.com, una dimostrazione di ciò che l'azienda chiama presenza vocale. I pesi aperti sono una cosa separata: Sesame CSM-1B, pubblicato il 13 marzo 2025 con licenza Apache 2.0, un modello generativo di base che Sesame afferma esplicitamente non essere stato messo a punto su alcuna voce specifica. Le voci dell'anteprima provengono da una variante messa a punto che non è mai stata rilasciata.

Quindi un ascoltatore che confronta la demo Preview con il checkpoint aperto di Phonon sta confrontando un prodotto curato con un modello grezzo. Non è una sfida ad armi pari, ed è la sfida che la maggior parte delle persone sta effettivamente affrontando. Il confronto equo è CSM-1B contro Phonon 31M: entrambi scaricabili, entrambi Apache 2.0, entrambi pensati innanzitutto per l'inglese, entrambi aperti all'ispezione.

C'è una seconda complicazione nella card di Sesame. Il modello è etichettato come 1B, ma i metadati di Hugging Face elencano 2B parametri in tensori F32. La card non spiega la discrepanza. In ogni caso, è un ordine di grandezza sopra Phonon.

Stesso codec, scommesse opposte

CSM genera codici audio RVQ da input testuali e audio utilizzando un backbone Llama e un decoder audio più piccolo che emette codici Mimi. L'architettura è un modello linguistico che, per così dire, parla: tratta i token audio come una sequenza da continuare, condizionata sulla conversazione fino a quel momento. Ecco perché la documentazione di Sesame insiste che il modello suona meglio quando gli viene fornito contesto, e perché l'uso consigliato passa segmenti precedenti del parlante anziché una singola riga di testo.

Phonon è un transformer di flow-matching che predice i latenti in frame da 80 millisecondi, decodificati da Mimi. Si basa su Pocket TTS. Non c'è stato di dialogo né finestra di contesto nel senso del prodotto: gli si fornisce testo e una voce, e parla. Il runtime è in Rust senza PyTorch in inferenza, con percorsi CPU, Core ML, QNN e WebAssembly.

• Parametri — 31M per Phonon 31M; 1B con brand per Sesame CSM-1B, con 2B indicato nei metadati di Hugging Face.

• Uscita — 24 kHz mono per entrambi.

• Codec — Mimi per entrambi.

• Contesto — nessuno per Phonon 31M; segmenti conversazionali precedenti consigliati per Sesame CSM-1B.

• Lingue — inglese per entrambe, con l'avvertimento di Sesame che le lingue diverse dall'inglese sono deboli.

• Licenza — Apache 2.0 per entrambi.

Cosa si ottiene con i parametri di Sesame

La presenza conversazionale non è una frase di marketing; corrisponde a una scelta tecnica precisa. Un modello che vede i turni precedenti può portare la prosodia oltre il confine di una frase, evitare di resettare a una lettura neutra a ogni enunciato e mantenere stabile la voce di un personaggio durante uno scambio lungo. CSM-1B è stato creato per farlo, e la demo che ha reso Sesame famosa nel marzo 2025 era convincente proprio perché le voci sembravano ascoltare.

Il costo è che serve il contesto per ottenere il vantaggio. Una sintesi di una singola riga tramite CSM-1B, senza segmenti precedenti, non è l'esperienza che la demo prometteva. È una lettura TTS competente ma poco memorabile. I team che scaricano il checkpoint aspettandosi la voce Maya della Preview lo scoprono presto: la voce non è nei pesi.

Phonon fa la scelta opposta. Non ha alcuna nozione di conversazione, quindi non può divergere né resettarsi: ogni enunciato è indipendente e deterministico. Per una notifica, un prompt di navigazione o una battuta di gioco, è esattamente giusto. Per un personaggio compagno che deve sembrare ricordare l'ultima frase, non basta, e nessuna quantità di velocità lo risolve.

Cosa hanno fruttato diciannove mesi

Il numero interessante non è 32×. È che un modello da 31M rilasciato nell'ottobre 2026 dichiara un'intelligibilità dell'inglese in una fascia simile a quella di sistemi due ordini di grandezza più grandi. La valutazione di Gradium di un precedente Phonon interno da ~100M riportava un WER dell'1,48% sul set Seed-TTS inglese nell'aprile 2026, migliorando all'1,00% entro maggio. Per il checkpoint da 31M rilasciato si dichiara lo 0,51% su Seed-TTS e l'1,5% su un set più difficile nella scheda del modello, con l'1,70% sul set difficile nel blog di rilascio.

Quelli sono numeri forniti dal fornitore, prodotti con whisper-large-v3 come trascrittore e WavLM per la similarità del parlante, e non sono stati riprodotti in modo indipendente. Sesame, dal canto suo, non ha mai pubblicato una tabella WER per CSM-1B. Il confronto che conta — stesso set di test, stesso trascrittore, entrambi i modelli — non esiste in pubblico. Chiunque ti dica che il modello 31M è più intelligibile del modello 1B sta estrapolando da due diversi sistemi di valutazione.

Ciò che si può dire è che il divario nei parametri non corrisponde più in modo netto alla qualità. Nel 2025, un modello da un miliardo di parametri era un minimo ragionevole per un TTS inglese naturale. Alla fine del 2026, un file da 64 MB con 31 milioni di parametri può credibilmente stare nella stessa conversazione. Questa è la vera notizia nel rilascio di Gradium, ed è più grande di qualsiasi singolo valore Elo.

Distribuzione: GPU rispetto a una scheda del browser

CSM-1B è un modello PyTorch. Gira comodamente su una GPU, lentamente su una CPU, e richiede memoria nell'ordine dei gigabyte anziché dei megabyte. Hugging Face Transformers ha aggiunto il supporto nativo a maggio 2025, con inferenza in batch e compilazione dei grafi CUDA, il che suggerisce il deployment previsto: un server che serve molte richieste.

Phonon 31M è quantizzato a 64,5 MB e viene eseguito tramite un runtime Rust con binding per Python, Swift, JavaScript e C. Si avvia in meno di 10 millisecondi su un core di un laptop Apple, circa 9 ms sul Neural Engine di un iPhone 16 Pro e 68 ms su un Raspberry Pi 5 secondo i dati del README — 38 ms nel blog di rilascio. Può essere eseguito in una scheda del browser tramite WebAssembly. Non può servire mille utenti simultanei da una singola GPU, perché non è questo il suo scopo.

Questo è il modo più semplice per scegliere tra i due. Se la voce risiede in un data center e serve molti utenti, l'architettura di CSM-1B è più adatta. Se la voce risiede nel dispositivo dell'utente e serve una sola persona, lo è quella di Phonon.

Identità vocale e consenso

Il modello aperto di Sesame produce una varietà di voci ma non è un sistema di clonazione pronto all'uso; la scheda lo presenta come modello di generazione di base e indica il contesto come il modo per mantenere una voce coerente. Gradium offre 37 voci inglesi integrate con Phonon 31M, un catalogo più ampio su gradium/phonon-voices e supporto per file vocali personalizzati in formato .safetensors.

Entrambi i fornitori pubblicano condizioni di uso accettabile che vietano l'imitazione e l'inganno. Nessuno dei due pubblica un meccanismo tecnico di provenienza — nessuna filigrana, nessun metadato firmato, nessuna API di rilevamento — nel materiale disponibile al 23 ottobre. Per chiunque implementi uno dei due modelli in un prodotto rivolto al cliente, si tratta di una questione di conformità aperta, non risolta.

Dove l'anteprima vince ancora

Se il prodotto è un compagno conversazionale — un personaggio che parla con un utente per molti turni e deve suonare come la stessa persona per tutta la durata — l'approccio di Sesame resta quello più adatto. Il condizionamento del contesto è la funzionalità, e Phonon non ha un equivalente. The Preview ha anche una rifinitura che deriva da un fine-tuning curato e da un cast vocale curato, che nessun checkpoint aperto riproduce.

Se il prodotto necessita di sintesi vocale su un dispositivo, in un browser, offline o a una latenza che una rete non può eguagliare, Phonon è la release più utile. È anche la più ispezionabile: il runtime è su GitHub, i pesi sono un singolo file da 64 MB e la licenza è Apache 2.0 senza alcun vincolo.

La parte che nessuno dei due modelli gestisce

Sesame Preview non ha un'API pubblica, il che significa che un team che vuole la sua voce in un prodotto non può semplicemente effettuare una chiamata. La demo è una dimostrazione. Costruire sulla ricerca di Sesame significa eseguire CSM-1B in prima persona, e questo riporta in gioco la GPU e l'assemblaggio del contesto.

Phonon gestisce la sintesi e nient'altro. In un assistente reale, il testo che pronuncia è prodotto da un modello linguistico, e lo stato della conversazione che il modello di Sesame consumerebbe deve essere assemblato da qualche parte. OrcaRouter non è un fornitore di sintesi vocale e non ospita nessuno di questi modelli — Phonon viene eseguito localmente e i pesi di Sesame girano sul tuo hardware. Ciò che copre è il livello testuale da cui quei sistemi dipendono: un unico endpoint per più di 200 modelli, prezzo di listino del fornitore trasferito con 0% di ricarico, e failover tra fornitori, così un singolo disservizio non mette a tacere l'assistente. La voce può restare sul dispositivo; il pensiero non deve per forza.

La questione aperta

La scommessa di Sesame era che il contesto conversazionale è ciò che distingue il parlato sintetico da una voce a cui credi. La scommessa di Gradium è che la maggior parte del parlato nel software non ha bisogno di una conversazione — ha bisogno di un prompt, di una voce e di nessun round trip — e che un modello abbastanza piccolo da essere incorporato può conquistare i contesti in cui il TTS cloud non è mai arrivato.

Entrambe le scommesse possono essere giuste. La prova nel corso del prossimo anno è se un modello da 31M riesca a mantenere un personaggio multi-turno senza condizionamento del contesto, oppure se i team finiscano per abbinare un piccolo modello TTS a uno strato di stato separato che svolge il lavoro che CSM-1B era progettato per fare internamente. Gradium non ha pubblicato una valutazione multi-turno. Finché non lo farà, l'interpretazione prudente è che Phonon abbia colmato il divario sulla qualità dell'inglese a singolo enunciato e non abbia ancora dimostrato di poter sostenere una conversazione.