Phonon vs Sesame Preview: 32× minder parameters, dezelfde codec, een andere weddenschap

Zet Phonon 31M en Sesame Preview naast elkaar en het eerste dat overeenkomt, is de technische basis. Beide produceren 24 kHz mono spraak, beide coderen die via de Mimi-codec van Kyutai, en beide zijn Apache 2.0. Het tweede dat overeenkomt, is vreemder: het open checkpoint achter Sesame Preview, Sesame CSM-1B, heeft ongeveer een miljard parameters. Gradium heeft de Phonon 31M op 20 oktober 2026 uitgebracht, met 31 miljoen parameters. Dat is een 32-voudig verschil in modelgrootte voor twee systemen die via dezelfde decoder dezelfde samplefrequentie produceren.

De kloof is geen verhaal over efficiëntie die wint. Het is een verhaal over twee verschillende weddenschappen op wat gesproken conversatie nodig heeft. Sesame's model steekt zijn parameters in context — het is ontworpen om een dialoog voort te zetten, eerdere beurten te lezen om een stem consistent en een toon gepast te houden. Phonon steekt bijna niets in context en alles in klein genoeg zijn om in een browsertabblad, een telefoonapp of een Raspberry Pi te draaien. Hun releases liggen negentien maanden uit elkaar, en in die tijd is het kleine segment van de markt een flink eind opgeschoven.

Ten eerste: waar verwijst "Sesame Preview" eigenlijk naar?

Dit is belangrijk omdat de meeste vergelijkingen het verkeerd hebben. Sesame Preview is het consumentenproduct — de stemmen Maya en Miles op sesame.com, een demonstratie van wat het bedrijf stemaanwezigheid noemt. De open gewichten zijn iets anders: Sesame CSM-1B, gepubliceerd op 13 maart 2025 onder Apache 2.0, een basisgeneratiemodel waarvan Sesame expliciet zegt dat het niet op een specifieke stem is afgestemd. De stemmen van de preview komen uit een afgestemde variant die nooit is uitgebracht.

Dus een luisteraar die de Preview-demo vergelijkt met Phonons open checkpoint, vergelijkt een samengesteld product met een onbewerkt model. Dat is geen eerlijke strijd, en toch is dat de strijd die de meeste mensen feitelijk aangaan. De eerlijke vergelijking is CSM-1B tegenover Phonon 31M: beide downloadbaar, beide Apache 2.0, beide Engelstalig voorop, beide open voor inspectie.

Er is een tweede complicatie in de Sesame-kaart. Het model heeft het label 1B, maar de Hugging Face-metadata vermeldt 2B parameters in F32-tensoren. De kaart verklaart de discrepantie niet. Hoe dan ook, het ligt een orde van grootte boven Phonon.

Dezelfde codec, tegenovergestelde inzetten.

CSM genereert RVQ-audiocodes uit tekst- en audio-invoer met behulp van een Llama-backbone en een kleinere audiodecoder die Mimi-codes uitstuurt. De architectuur is een taalmodel dat toevallig spreekt: het behandelt audiotokens als een reeks die moet worden voortgezet, geconditioneerd op het gesprek tot dusver. Daarom benadrukt de documentatie van Sesame dat het model het beste klinkt wanneer het context krijgt, en waarom het aanbevolen gebruik eerdere sprekersegmenten doorgeeft in plaats van één regel tekst.

Phonon is een flow-matching-transformer die latenten voorspelt in frames van 80 milliseconden, gedecodeerd door Mimi. Het bouwt voort op Pocket TTS. Er is geen dialoogstatus en geen contextvenster in de productzin — je geeft het tekst en een stem, en het spreekt. De runtime is Rust zonder PyTorch bij inferentie, met CPU-, Core ML-, QNN- en WebAssembly-paden.

• Parameters — 31M voor Phonon 31M; voor Sesame CSM-1B wordt 1B als merknaam gehanteerd, met 2B vermeld in de Hugging Face-metadata.

• Uitvoer — 24 kHz mono voor beide.

• Codec — Mimi voor beide.

• Context — geen voor Phonon 31M; eerdere gesprekssegmenten aanbevolen voor Sesame CSM-1B.

• Talen — Engels voor beide, met de waarschuwing van Sesame dat niet-Engels zwak is.

• Licentie — Apache 2.0 voor beide.

Wat de parameters van Sesame opleveren

Conversationele aanwezigheid is geen marketingterm; het komt overeen met een specifieke technische keuze. Een model dat de voorgaande beurten ziet, kan prosodie over een zinsgrens heen dragen, voorkomen dat het bij elke uiting terugvalt naar een neutrale lezing, en de stem van een personage stabiel houden gedurende een lang gesprek. CSM-1B is gebouwd om dat te doen, en de demo die Sesame in maart 2025 beroemd maakte, was juist overtuigend omdat de stemmen klonken alsof ze luisterden.

De keerzijde is dat je de context nodig hebt om het voordeel te krijgen. Een synthese van één regel via CSM-1B, zonder eerdere segmenten, is niet de ervaring die de demo verkocht. Het is een degelijke maar onopvallende TTS-weergave. Teams die de checkpoint downloaden in de verwachting de Maya-stem uit de Preview te krijgen, ontdekken dit snel: de stem zit niet in de weights.

Phonon maakt de tegenovergestelde afweging. Het heeft geen enkel begrip van een gesprek, dus het kan niet afdrijven of resetten — elke uiting is onafhankelijk en deterministisch. Voor een melding, een navigatie-instructie of een regel in een game is dat precies goed. Voor een metgezelpersonage dat moet klinken alsof het de vorige zin onthoudt, is dat niet genoeg, en geen enkele snelheid lost dat op.

Wat negentien maanden opleverden

Het interessante getal is niet 32×. Het is dat een 31M-model dat in oktober 2026 is uitgebracht, aanspraak maakt op Engelse verstaanbaarheid in dezelfde orde van grootte als systemen die twee ordes van grootte groter zijn. Gradium's eigen evaluatie van een eerdere interne Phonon van ~100M rapporteerde 1,48% WER op de Engelse Seed-TTS-set in april 2026, met een verbetering naar 1,00% in mei. Voor het uitgebrachte 31M-checkpoint wordt in de modelkaart 0,51% op Seed-TTS en 1,5% op een moeilijkere set geclaimd, met 1,70% op de moeilijke set in de releaseblog.

Dat zijn door leveranciers geproduceerde cijfers, verkregen met whisper-large-v3 als transcriber en WavLM voor sprekerovereenkomst, en ze zijn niet onafhankelijk gereproduceerd. Sesame heeft van zijn kant nooit een WER-tabel voor CSM-1B gepubliceerd. De vergelijking die ertoe doet — dezelfde testset, dezelfde transcriber, beide modellen — bestaat niet publiekelijk. Iedereen die je vertelt dat het 31M-model beter verstaanbaar is dan het 1B-model, extrapoleert vanuit twee verschillende meetopstellingen.

Wat wel gezegd kan worden, is dat het parameterverschil niet langer netjes samenvalt met kwaliteit. In 2025 was een model met een miljard parameters een redelijk minimum voor natuurlijke Engelse TTS. Eind 2026 doet een bestand van 64 MB met 31 miljoen parameters geloofwaardig mee in hetzelfde gesprek. Dat is het echte nieuws in de release van Gradium, en het is groter dan welk individueel Elo-cijfer dan ook.

Implementatie: GPU versus een browsertab

CSM-1B is een PyTorch-model. Het draait comfortabel op een GPU, langzaam op een CPU, en het wil geheugen in gigabytes in plaats van megabytes. Hugging Face Transformers voegde in mei 2025 native ondersteuning toe, met batched inference en CUDA-graphcompilatie, wat aangeeft wat de beoogde deployment is: een server die veel verzoeken bedient.

Phonon 31M is 64,5 MB gekwantiseerd en draait via een Rust-runtime met bindings voor Python, Swift, JavaScript en C. Het start in enkele milliseconden op een kern van een Apple-laptop, rond 9 ms op de Neural Engine van een iPhone 16 Pro, en volgens de cijfers in de README 68 ms op een Raspberry Pi 5 — 38 ms in de releaseblog. Het kan in een browsertab draaien via WebAssembly. Het kan geen duizend gelijktijdige gebruikers vanaf één GPU bedienen, want daar is het niet voor bedoeld.

Dit is de helderste manier om tussen beide te kiezen. Als de stem in een datacenter leeft en veel gebruikers bedient, past de architectuur van CSM-1B beter. Als de stem op het apparaat van de gebruiker leeft en één persoon bedient, past die van Phonon beter.

Stemidentiteit en toestemming

Sesame's open model produceert een verscheidenheid aan stemmen, maar is niet standaard een kloningssysteem; de kaart presenteert het als een basisgeneratiemodel en wijst naar context als de manier om een stem consistent te houden. Gradium levert 37 ingebouwde Engelse stemmen met Phonon 31M, een grotere catalogus op gradium/phonon-voices, en ondersteuning voor aangepaste stembestanden in .safetensors-formaat.

Beide leveranciers publiceren taal over acceptabel gebruik waarin impersonatie en misleiding verboden worden. Geen van beide publiceert een technisch herkomstmechanisme — geen watermerk, geen ondertekende metadata, geen detectie-API — in het materiaal dat op 23 oktober beschikbaar was. Voor iedereen die een van beide modellen in een klantgericht product inzet, is dat een openstaande compliancevraag, geen opgeloste.

Waar de Preview nog steeds wint

Als het product een conversationele metgezel is — een personage dat over vele beurten met een gebruiker praat en gedurende het hele gesprek als dezelfde persoon moet klinken — blijft de aanpak van Sesame de meer directe match. De contextconditionering is de functie, en Phonon heeft geen equivalent. De Preview heeft ook een afwerking die voortkomt uit een zorgvuldig samengestelde fine-tune en een zorgvuldig samengestelde stemcast, die geen enkel open checkpoint reproduceert.

Als het product spraak nodig heeft op een apparaat, in een browser, offline, of bij een latentie die een netwerk niet kan evenaren, dan is Phonon de nuttigere release. Het is ook de beter inspecteerbare: de runtime staat op GitHub, de gewichten zijn één bestand van 64 MB, en de licentie is Apache 2.0 zonder poortwachter.

Het deel dat geen van beide modellen aankan

Sesame Preview heeft geen openbare API, wat betekent dat een team dat zijn stem in een product wil, het niet eenvoudigweg kan aanroepen. De demo is een demonstratie. Voortbouwen op het onderzoek van Sesame betekent dat je CSM-1B zelf moet draaien, en daarmee zijn de GPU en het samenstellen van de context weer terug.

Phonon regelt de synthese en niets anders. In een echte assistent wordt de tekst die het uitspreekt geproduceerd door een taalmodel, en de gespreksstatus die het model van Sesame zou verwerken, moet ergens worden samengesteld. OrcaRouter is geen spraakaanbieder en host geen van beide modellen — Phonon draait lokaal en de weights van Sesame draaien op jouw hardware. Wat het wel dekt, is de tekstlaag waarop die systemen steunen: één endpoint voor meer dan 200 modellen, de lijstprijs van de aanbieder doorgegeven met 0% markup, en failover tussen aanbieders zodat één storing de assistent niet het zwijgen oplegt. De stem kan op het apparaat blijven; het denkwerk hoeft dat niet.

De open vraag

De gok van Sesame was dat conversationele context is wat synthetische spraak onderscheidt van een stem die je gelooft. De gok van Gradium is dat de meeste spraak in software geen gesprek nodig heeft — het heeft een prompt nodig, een stem en geen round trip — en dat een model dat klein genoeg is om in te bedden de plekken kan veroveren waar cloud-TTS nooit kwam.

Beide gokken kunnen juist zijn. De test het komende jaar is of een 31M-model een personage over meerdere beurten kan vasthouden zonder contextconditionering, of dat teams uiteindelijk een klein TTS-model koppelen aan een aparte toestandlaag die het werk doet waarvoor CSM-1B intern was ontworpen. Gradium heeft geen evaluatie over meerdere beurten gepubliceerd. Totdat dat gebeurt, is de veilige interpretatie dat Phonon de kloof op het gebied van Engelse kwaliteit bij één uiting heeft gedicht en nog niet heeft aangetoond een gesprek te kunnen voeren.