Phonon vs Sesame Preview：パラメータ数は32分の1、同じコーデック、異なる賭け

以下を並べて見比べるとPhonon 31MとSesame Preview、最初に一致するのは基盤部分だ。どちらも24 kHzモノラルの音声を生成し、どちらもKyutaiのMimiコーデックで符号化し、どちらもApache 2.0である。次に一致する点はもっと奇妙だ。Sesame Previewの背後にあるオープンチェックポイントSesame CSM-1Bは、およそ10億のパラメータを抱えている。GradiumのPhonon 31Mは2026年10月20日に公開され、3,100万のパラメータを持つ。同じサンプルレートを同じデコーダ経由で出力する2つのシステムの間で、モデルサイズに32倍の差があるのだ。

この差は、効率が勝ったという物語ではない。会話音声に何が必要かについての、二つの異なる賭けの物語だ。Sesameのモデルはパラメータを文脈に費やす——対話を継続できるよう設計され、以前のやり取りを読んで声の一貫性と適切なトーンを保つ。Phononは文脈にはほとんど何も費やさず、ブラウザのタブ、スマートフォンアプリ、Raspberry Piの中で動かせるほど小さいことにすべてを費やす。両者のリリースは19か月離れており、その間に市場の小型モデル側は大きく前進した。

まず、「Sesame Preview」が実際に何を指しているのか

これが重要なのは、ほとんどの比較が間違っているからです。Sesame Preview は消費者向け製品であり、sesame.com の Maya と Miles の声で、同社が音声プレゼンスと呼ぶもののデモです。オープンウェイトは別物です：Sesame CSM-1Bは、2025年3月13日に Apache 2.0 の下で公開されたベース生成モデルであり、Sesame が明言しているとおり決して特定の声で微調整されていない。プレビューの声は、一度も公開されなかった微調整済みの変種に由来します。

つまり、リスナーが Preview デモと Phonon のオープンなチェックポイントを比較しているとき、それはキュレーションされた製品と未加工のモデルを比べていることになります。それは公平な勝負ではなく、しかも多くの人が実際にしている勝負です。公平な比較は CSM-1B 対 Phonon 31M です。どちらもダウンロード可能で、どちらも Apache 2.0、どちらも英語優先で、どちらも内部を検証できます。

Sesameのカードには2つ目の引っかかりがある。モデルは1Bと銘打たれているが、Hugging FaceのメタデータではF32テンソルで2Bパラメータと記載されている。カードにはこの不一致の説明がない。いずれにせよ、Phononより1桁大きい。

同じコーデック、正反対の賭け

CSMは、LlamaバックボーンとMimiコードを出力する小型の音声デコーダーを用いて、テキスト入力と音声入力からRVQ音声コードを生成します。このアーキテクチャは、たまたま話すことのできる言語モデルです。音声トークンを、それまでの会話を条件として継続されるべきシーケンスとして扱います。そのため、Sesameのドキュメントは、文脈が与えられたときにモデルが最もよく聞こえると強調しており、推奨される使用方法ではテキストを1行だけ渡すのではなく、先行する話者セグメントを渡すのです。

Phononは、80ミリ秒のフレームで潜在表現を予測し、MimiによってデコードされるフローマッチングTransformerです。Pocket TTSを基盤としています。製品的な意味での対話状態やコンテキストウィンドウはなく、テキストと声を与えれば話します。ランタイムはRustで、推論時にPyTorchを必要とせず、CPU、Core ML、QNN、WebAssemblyの経路を備えています。

• パラメータ — Phonon 31M は 31M、Sesame CSM-1B はブランド表記で 1B、Hugging Face のメタデータには 2B と記載されています。

• 出力 — 両方とも24 kHzモノラル。

• コーデック — 両方ともMimi。

• コンテキスト — Phonon 31M にはなし。Sesame CSM-1B には以前の会話セグメントを推奨。

• 言語 — 両方とも英語、Sesame は英語以外は弱いと警告。

• ライセンス — 両方とも Apache 2.0。

Sesameのパラメータで得られるもの

会話の存在感はマーケティング用語ではなく、特定の技術的選択に対応している。前のターンを認識できるモデルは、文の境界をまたいで韻律を引き継ぎ、発話ごとにニュートラルな読み方へリセットするのを避け、長いやり取りを通じてキャラクターの声を安定させることができる。CSM-1Bはそのために作られ、2025年3月にSesameを有名にしたデモが説得力を持ったのは、まさに声が聞き耳を立てているように聞こえたからだった。

代償は、その恩恵を受けるには文脈が必要だということです。事前のセグメントなしでCSM-1Bを通して単一行を合成しても、デモが売りにしていた体験にはなりません。それは、そつなくこなしているものの特筆すべき点のないTTSの読み上げです。PreviewのMaya音声を期待してチェックポイントをダウンロードするチームは、すぐにこれに気づきます。その声は重みの中にはないのです。

Phononは逆のトレードオフを取る。会話という概念がないため、逸脱したりリセットされたりすることはなく、すべての発話は独立しており決定論的だ。通知やナビゲーションのプロンプト、ゲームのセリフには、まさにうってつけだ。しかし、直前の文を覚えているように聞こえる必要があるコンパニオンキャラクターには不十分であり、どれだけ速度を上げても解決しない。

19か月がもたらしたもの

興味深い数字は32倍ではない。2026年10月に公開された31Mモデルが、2桁大きいシステムと同程度の英語明瞭度をうたっているという点だ。Gradium自身による、以前の約100Mの内部Phononの評価では、2026年4月の英語Seed-TTSセットでWER 1.48%を報告し、5月までに1.00%へ改善した。公開された31Mチェックポイントは、モデルカードではSeed-TTSで0.51%、より難しいセットで1.5%とうたわれ、リリースブログでは難しいセットで1.70%とされている。

これらはベンダーが実施した数値であり、文字起こしに whisper-large-v3、話者類似度に WavLM を使用して生成されたもので、独立に再現されたものではありません。Sesame については、CSM-1B の WER 表を公開していません。重要な比較——同じテストセット、同じ文字起こしモデル、両方のモデル——は公開されていません。31M モデルの方が 1B モデルより明瞭度が高いと言う人は、2 つの異なる評価環境から外挿しているにすぎません。

言えるのは、パラメータ数の差がもはや品質にきれいに対応するわけではないということだ。2025年には、自然な英語TTSにとって10億パラメータのモデルが妥当な最低ラインだった。2026年後半には、3100万パラメータの64 MBファイルが、同じ土俵で語られても説得力がある。これこそがGradiumのリリースにおける実際のニュースであり、単一のEloスコアよりも大きな意味を持つ。

デプロイ: GPU 対 ブラウザタブ

CSM-1BはPyTorchモデルです。GPUでは快適に動作し、CPUでは遅く、メモリはメガバイトではなくギガバイト単位を必要とします。Hugging Face Transformersは2025年5月にネイティブサポートを追加し、バッチ推論とCUDAグラフコンパイルに対応しました。これは想定されるデプロイ先を示しています。つまり、多くのリクエストを処理するサーバーです。

Phonon 31Mは64.5 MBに量子化され、Python、Swift、JavaScript、C向けのバインディングを備えたRustランタイムで動作します。Apple製ラップトップのコアでは一桁ミリ秒台で起動し、iPhone 16 ProのNeural Engineでは約9 ms、Raspberry Pi 5ではREADMEの数値で68 ms、リリースブログでは38 msです。WebAssemblyを通じてブラウザタブ内で実行できます。1台のGPUから同時に1,000人のユーザーにサービスを提供することはできません。それはその用途ではないからです。

これが両者を選び分ける最も明快な方法です。音声がデータセンターに存在し、多くのユーザーに提供されるなら、CSM-1Bのアーキテクチャの方が適しています。音声がユーザーのデバイス上に存在し、一人に提供されるなら、Phononのアーキテクチャの方が適しています。

声のアイデンティティと同意

Sesameのオープンモデルは多様な声を生成しますが、すぐに使える状態で声をクローニングするシステムではありません。カードではこれをベース生成モデルとして位置づけ、声の一貫性を保つ方法としてコンテキストを挙げています。GradiumはPhonon 31Mで37種類の組み込み英語音声を提供し、gradium/phonon-voicesでより大規模なカタログを提供するとともに、.safetensors形式のカスタム音声ファイルをサポートしています。

両ベンダーとも、なりすましや欺瞞を禁じる許容利用に関する文言を公開している。しかし、10月23日時点で入手可能な資料の中では、どちらも技術的な来歴の仕組み——ウォーターマーク、署名付きメタデータ、検出API——を公開していない。どちらかのモデルを顧客向け製品に導入する者にとって、それは未解決のコンプライアンス上の問題であり、解決済みの問題ではない。

Preview が依然として勝っている点

製品が会話型コンパニオン、つまりユーザーと何度もターンを重ねて話し、一貫して同じ人物のように聞こえる必要があるキャラクターであるなら、Sesameのアプローチがより直接的な適合策であり続ける。文脈条件付けこそがその特徴であり、Phononには同等のものがない。Previewにはまた、厳選されたファインチューンと厳選された声のキャストに由来する洗練があり、それはどのオープンチェックポイントにも再現できない。

製品がデバイス上、ブラウザ内、オフライン、あるいはネットワークでは到底実現できない低遅延で音声を必要とするなら、{{1}}Phonon{{/1}} のほうが有用なリリースです。また、より検証しやすいものでもあります。ランタイムは GitHub 上にあり、重みは単一の 64 MB ファイルで、ライセンスは Apache 2.0 でゲートはありません。

どちらのモデルも扱わない部分

Sesame Previewには公開APIがありません。つまり、自社製品にその声を組み込みたいチームは、単純に呼び出すわけにはいきません。デモはあくまでデモです。Sesameの研究を基に構築するには、CSM-1Bを自分で実行する必要があり、そうなるとGPUとコンテキストの組み立てが再び必要になります。

Phononは音声合成のみを担当し、それ以外は何もしません。実際のアシスタントでは、それが読み上げるテキストは言語モデルによって生成され、Sesameのモデルが消費する会話状態はどこかで組み立てる必要があります。OrcaRouterは音声プロバイダーではなく、これらのモデルのどちらもホストしていません。Phononはローカルで動作し、Sesameの重みはお使いのハードウェア上で動作します。OrcaRouterが担うのは、それらのシステムが依存するテキスト層です：200以上のモデルに対応する単一のエンドポイント、プロバイダーの定価を0%のマークアップでそのまま提供、そしてプロバイダー間のフェイルオーバーにより、単一の障害でアシスタントが沈黙しないようにします。音声はデバイス上に残せますが、思考はデバイス上に置く必要はありません。

未解決の問題

Sesameの賭けは、合成音声を「信じられる声」に変えるのは会話の文脈だというものだった。Gradiumの賭けは、ソフトウェアにおける音声の大半は会話を必要としているのではなく、プロンプトと声、そして往復通信のなさを必要としているというものであり、組み込み可能なほど小さなモデルなら、クラウドTTSが決して届かなかった領域で勝てるというものだ。

どちらの賭けも正しくなり得る。今後1年の試金石は、31Mモデルがコンテキスト条件付けなしでマルチターンのキャラクターを維持できるか、それともチームが小さなTTSモデルと、CSM-1Bが内部で担うように設計された役割を果たす別個の状態レイヤーを組み合わせることになるかだ。Gradiumはマルチターン評価を公表していない。公表するまでは、安全な解釈は、Phononが単一発話の英語品質における差を縮めた一方で、会話を維持できることはまだ示していない、というものだ。