Phonon vs Sesame Preview: 32× mniej parametrów, ten sam kodek, inny zakład

Postaw Phonon 31M i Sesame Preview obok siebie, a pierwsza rzecz, która się zgadza, to zaplecze techniczne. Oba generują monofoniczną mowę 24 kHz, oba kodują ją przez kodek Mimi Kyutai i oba są udostępniane na licencji Apache 2.0. Druga rzecz, która się zgadza, jest dziwniejsza: otwarty checkpoint leżący u podstaw Sesame Preview, Sesame CSM-1B, ma około miliarda parametrów. Gradium ma Phonon 31M, który został wydany 20 października 2026 i ma 31 milionów. To 32-krotna różnica w rozmiarze modelu dla dwóch systemów, które generują tę samą częstotliwość próbkowania przez ten sam dekoder.

Ta różnica nie jest historią o zwycięstwie efektywności. To historia o dwóch różnych zakładach dotyczących tego, czego potrzebuje mowa konwersacyjna. Model Sesame przeznacza swoje parametry na kontekst — jest zaprojektowany do kontynuowania dialogu, odczytując wcześniejsze tury, aby zachować spójność głosu i odpowiedni ton. Phonon niemal nic nie przeznacza na kontekst, a wszystko na to, by być wystarczająco małym, aby działać w karcie przeglądarki, aplikacji telefonicznej lub na Raspberry Pi. Ich premiery dzieli dziewiętnaście miesięcy, a w tym czasie dolny segment rynku posunął się daleko naprzód.

Najpierw, do czego właściwie odnosi się „Sesame Preview”

To ma znaczenie, ponieważ większość porównań się myli. Sesame Preview to produkt konsumencki — głosy Maya i Miles na sesame.com, demonstracja tego, co firma nazywa obecnością głosu. Otwarte wagi to osobna sprawa: Sesame CSM-1B, opublikowany 13 marca 2025 r. na licencji Apache 2.0, bazowy model generatywny, o którym Sesame wyraźnie mówi, że nie został dostrojony do żadnego konkretnego głosu. Głosy w wersji preview pochodzą z dostrojonego wariantu, który nigdy nie został wydany.

Zatem słuchacz porównujący demo Preview z otwartym checkpointem Phonon porównuje dopracowany produkt z surowym modelem. To nie jest uczciwa walka, a właśnie tej walki większość ludzi faktycznie doświadcza. Uczciwym porównaniem jest CSM-1B z Phonon 31M: oba do pobrania, oba na licencji Apache 2.0, oba w pierwszej kolejności angielskie, oba otwarte na wgląd.

W karcie modelu Sesame jest jeszcze druga komplikacja. Model jest oznaczony jako 1B, ale metadane Hugging Face podają 2B parametrów w tensorach F32. Karta nie wyjaśnia tej rozbieżności. Tak czy inaczej, to o rząd wielkości więcej niż Phonon.

Ten sam kodek, przeciwne zakłady

CSM generuje kody audio RVQ z tekstu i danych wejściowych audio, wykorzystując szkielet Llama oraz mniejszy dekoder audio, który emituje kody Mimi. Architektura ta jest modelem językowym, który niejako mówi: traktuje tokeny audio jako sekwencję do kontynuowania, warunkowaną dotychczasową rozmową. Dlatego dokumentacja Sesame podkreśla, że model brzmi najlepiej, gdy otrzyma kontekst, i dlatego zalecany sposób użycia przekazuje wcześniejsze segmenty mówcy, a nie pojedynczą linię tekstu.

Phonon to transformer dopasowujący przepływ, który przewiduje latenty w 80-milisekundowych ramkach, dekodowane przez Mimi. Opiera się na Pocket TTS. Nie ma stanu dialogu ani okna kontekstu w sensie produktowym — podajesz tekst i głos, a on mówi. Środowisko wykonawcze jest napisane w Rust, bez PyTorcha podczas wnioskowania, ze ścieżkami CPU, Core ML, QNN i WebAssembly.

• Parametry — 31M dla Phonon 31M; oznaczony jako 1B dla Sesame CSM-1B, przy czym 2B podano w metadanych Hugging Face.

• Wyjście — 24 kHz mono w obu przypadkach.

• Kodek — Mimi w obu przypadkach.

• Kontekst — brak dla Phonon 31M; dla Sesame CSM-1B zalecane są wcześniejsze segmenty konwersacyjne.

• Języki — angielski w obu przypadkach, z ostrzeżeniem Sesame, że wersje nieangielskie są słabe.

• Licencja — Apache 2.0 dla obu.

Co dają parametry Sesame

Konwersacyjna obecność to nie hasło marketingowe; odpowiada ona konkretnemu wyborowi technicznemu. Model, który widzi poprzednie tury, potrafi przenosić prozodię przez granicę zdania, unikać resetowania do neutralnego odczytu przy każdej wypowiedzi i utrzymywać stabilny głos postaci podczas długiej wymiany zdań. CSM-1B został zbudowany właśnie po to, a demo, które w marcu 2025 roku uczyniło Sesame sławnym, było przekonujące dokładnie dlatego, że głosy brzmiały, jakby słuchały.

Cena jest taka, że potrzebujesz kontekstu, aby uzyskać korzyść. Synteza pojedynczej linii przez CSM-1B, bez wcześniejszych segmentów, nie jest doświadczeniem, które obiecywało demo. To poprawny, ale nijaki odczyt TTS. Zespoły, które pobierają checkpoint, oczekując głosu Mayi z Preview, szybko się o tym przekonują: tego głosu nie ma w wagach.

Phonon przyjmuje odwrotne założenie. Nie ma pojęcia konwersacji, więc nie może dryfować ani się resetować — każda wypowiedź jest niezależna i deterministyczna. W przypadku powiadomienia, komunikatu nawigacji czy kwestii w grze to jest dokładnie to, czego trzeba. W przypadku postaci towarzyszącej, która musi brzmieć, jakby pamiętała poprzednie zdanie, to nie wystarcza i żadna prędkość tego nie naprawi.

Co kupiło dziewiętnaście miesięcy

Ta interesująca liczba to nie 32×. Jest nią fakt, że model 31M wydany w październiku 2026 r. deklaruje zrozumiałość języka angielskiego na poziomie zbliżonym do systemów dwa rzędy wielkości większych. Własna ewaluacja Gradium wcześniejszego, wewnętrznego modelu Phonon o rozmiarze ~100M raportowała 1,48% WER na angielskim zbiorze Seed-TTS w kwietniu 2026 r., poprawiając się do 1,00% do maja. Wydany checkpoint 31M ma według deklaracji 0,51% na Seed-TTS i 1,5% na trudniejszym zbiorze w karcie modelu, a 1,70% na trudnym zbiorze w blogu wydania.

To liczby pochodzące od dostawcy, uzyskane przy użyciu whisper-large-v3 jako transkrybera i WavLM do oceny podobieństwa mówcy, i nie zostały niezależnie odtworzone. Sesame ze swojej strony nigdy nie opublikował tabeli WER dla CSM-1B. Porównanie, które ma znaczenie — ten sam zestaw testowy, ten sam transkryber, oba modele — nie istnieje publicznie. Każdy, kto twierdzi, że model 31M jest bardziej zrozumiały niż model 1B, ekstrapoluje z dwóch różnych środowisk testowych.

To, co można powiedzieć, to że różnica w liczbie parametrów nie przekłada się już w prosty sposób na jakość. W 2025 roku model z miliardem parametrów był rozsądnym minimum dla naturalnego TTS w języku angielskim. Pod koniec 2026 roku plik o rozmiarze 64 MB z 31 milionami parametrów można wiarygodnie stawiać w tym samym szeregu. To jest właściwa wiadomość w wydaniu Gradium i jest ona większa niż jakakolwiek pojedyncza liczba Elo.

Wdrożenie: GPU kontra karta przeglądarki

CSM-1B to model PyTorch. Działa komfortowo na GPU, wolno na CPU, a do działania potrzebuje pamięci liczonej w gigabajtach, a nie megabajtach. Hugging Face Transformers dodało natywne wsparcie w maju 2025 r., wraz z wnioskowaniem wsadowym i kompilacją grafów CUDA, co wskazuje na zamierzone wdrożenie: serwer obsługujący wiele żądań.

Phonon 31M po kwantyzacji zajmuje 64,5 MB i działa w środowisku uruchomieniowym Rust z bindingami do Pythona, Swifta, JavaScriptu i C. Uruchamia się w czasie jednocyfrowej liczby milisekund na rdzeniu laptopa Apple, około 9 ms na Neural Engine iPhone'a 16 Pro, a według danych z README — 68 ms na Raspberry Pi 5; w blogu wydawniczym podano 38 ms. Może działać w karcie przeglądarki dzięki WebAssembly. Nie jest w stanie obsłużyć tysiąca równoczesnych użytkowników z jednej GPU, ponieważ nie do tego służy.

To najczystszy sposób wyboru między nimi. Jeśli głos działa w centrum danych i obsługuje wielu użytkowników, lepszym rozwiązaniem jest architektura CSM-1B. Jeśli głos działa na urządzeniu użytkownika i obsługuje jedną osobę, lepsza jest architektura Phonon.

Tożsamość głosu i zgoda

Otwarty model Sesame generuje różnorodne głosy, ale domyślnie nie jest systemem klonowania; karta przedstawia go jako bazowy model generacyjny i wskazuje kontekst jako sposób utrzymania spójności głosu. Gradium dostarcza 37 wbudowanych głosów angielskich w Phonon 31M, większy katalog pod gradium/phonon-voices oraz obsługę niestandardowych plików głosowych w formacie .safetensors.

Obaj dostawcy publikują zapisy dotyczące dopuszczalnego użytkowania zakazujące podszywania się i wprowadzania w błąd. Żaden z nich nie publikuje technicznego mechanizmu ustalania pochodzenia — żadnego znaku wodnego, podpisanych metadanych ani API do wykrywania — w materiałach dostępnych na dzień 23 października. Dla każdego, kto wdraża którykolwiek z tych modeli w produkcie skierowanym do klientów, jest to otwarte pytanie dotyczące zgodności, a nie pytanie rozwiązane.

Gdzie Preview wciąż wygrywa

Jeśli produktem jest towarzysz konwersacyjny — postać, która rozmawia z użytkownikiem przez wiele tur i przez cały czas musi brzmieć jak ta sama osoba — podejście Sesame pozostaje bardziej bezpośrednim rozwiązaniem. Warunkowanie kontekstu jest tu główną cechą, a Phonon nie ma odpowiednika. Preview ma też dopracowanie, które wynika ze starannie dobranego fine-tuningu i starannie dobranej obsady głosowej, czego nie odtwarza żaden otwarty checkpoint.

Jeśli produkt potrzebuje mowy na urządzeniu, w przeglądarce, offline lub przy opóźnieniu, którego nie zapewni sieć, Phonon jest bardziej użytecznym wydaniem. Jest też łatwiejszy do inspekcji: środowisko uruchomieniowe jest na GitHubie, wagi to pojedynczy plik 64 MB, a licencja to Apache 2.0 bez ograniczeń dostępu.

Część, której nie obsługuje żaden z modeli

Sesame Preview nie ma publicznego API, co oznacza, że zespół, który chce umieścić jego głos w produkcie, nie może po prostu go wywołać. Demo to demonstracja. Budowanie na badaniach Sesame wymaga samodzielnego uruchomienia CSM-1B, a to znów sprowadza się do GPU i składania kontekstu.

Phonon zajmuje się syntezą i niczym więcej. W prawdziwym asystencie tekst, który wypowiada, jest generowany przez model językowy, a stan rozmowy, który wykorzystywałby model Sesame, musi być gdzieś złożony. OrcaRouter nie jest dostawcą usług mowy i nie hostuje żadnego z tych modeli — Phonon działa lokalnie, a wagi Sesame działają na Twoim sprzęcie. Obejmuje natomiast warstwę tekstową, od której te systemy zależą: jeden punkt końcowy dla ponad 200 modeli, cena katalogowa dostawcy przekazywana z 0% marży, a także przełączanie awaryjne między dostawcami, dzięki czemu pojedyncza awaria nie ucisza asystenta. Głos może pozostać na urządzeniu; myślenie nie musi.

Otwarte pytanie

Zakładem Sesame było to, że kontekst konwersacyjny jest tym, co odróżnia mowę syntetyczną od głosu, w który wierzysz. Zakład Gradium opiera się na tym, że większość mowy w oprogramowaniu nie potrzebuje rozmowy — potrzebuje promptu, głosu i braku rundy w obie strony — a model wystarczająco mały, by go osadzić, może wygrywać w miejscach, do których TTS w chmurze nigdy nie dotarł.

Oba założenia mogą być słuszne. Testem w nadchodzącym roku będzie to, czy model 31M potrafi utrzymać wieloturnową postać bez warunkowania kontekstem, czy też zespoły skończą na łączeniu małego modelu TTS z osobną warstwą stanu, która wykonuje pracę, do której CSM-1B został zaprojektowany wewnętrznie. Gradium nie opublikowało oceny wieloturnowej. Dopóki tego nie zrobi, bezpieczną interpretacją jest, że Phonon domknął lukę w jakości angielskiego w pojedynczych wypowiedziach, ale nie wykazał jeszcze, że potrafi prowadzić rozmowę.