Phonon vs. Sesame Preview: 32× menos parâmetros, o mesmo codec, uma aposta diferente

Coloque Phonon 31M e Sesame Preview lado a lado e a primeira coisa que coincide é a infraestrutura. Ambos produzem fala mono de 24 kHz, ambos a codificam pelo codec Mimi da Kyutai, e ambos são Apache 2.0. A segunda coisa que coincide é mais estranha: o checkpoint aberto por trás do Sesame Preview, Sesame CSM-1B, tem cerca de um bilhão de parâmetros. Da Gradium, o Phonon 31M, lançado em 20 de outubro de 2026, tem 31 milhões. Isso é uma diferença de 32 vezes no tamanho do modelo para dois sistemas que produzem a mesma taxa de amostragem pelo mesmo decodificador.

A diferença não é uma história sobre a eficiência vencendo. É uma história sobre duas apostas diferentes sobre do que a fala conversacional precisa. O modelo da Sesame gasta seus parâmetros em contexto — ele é projetado para continuar um diálogo, lendo turnos anteriores para manter uma voz consistente e um tom apropriado. A Phonon não gasta quase nada em contexto e gasta tudo em ser pequena o suficiente para rodar dentro de uma aba do navegador, de um aplicativo de celular ou de um Raspberry Pi. Dezenove meses separam seus lançamentos, e nesse período o segmento menor do mercado avançou muito.

Primeiro, ao que "Sesame Preview" realmente se refere

Isso importa porque a maioria das comparações erra. O Sesame Preview é o produto de consumo — as vozes Maya e Miles em sesame.com, uma demonstração do que a empresa chama de presença vocal. Os pesos abertos são outra coisa: Sesame CSM-1B, publicado em 13 de março de 2025 sob Apache 2.0, um modelo de geração base que a Sesame diz explicitamente que não foi ajustado para nenhuma voz específica. As vozes da prévia vêm de uma variante ajustada que nunca foi lançada.

Então, um ouvinte que compara a demo do Preview ao checkpoint aberto da Phonon está comparando um produto curado a um modelo bruto. Essa não é uma comparação justa, e é a comparação que a maioria das pessoas está de fato fazendo. A comparação justa é CSM-1B contra Phonon 31M: ambos baixáveis, ambos Apache 2.0, ambos com prioridade para o inglês, ambos abertos à inspeção.

Há uma segunda peculiaridade no card do Sesame. O modelo é anunciado como 1B, mas os metadados do Hugging Face listam 2B parâmetros em tensores F32. O card não explica a discrepância. De qualquer forma, está uma ordem de grandeza acima do Phonon.

Mesmo codec, apostas opostas

O CSM gera códigos de áudio RVQ a partir de entradas de texto e áudio usando um backbone Llama e um decodificador de áudio menor que emite códigos Mimi. A arquitetura é um modelo de linguagem que, por acaso, fala: ele trata os tokens de áudio como uma sequência a ser continuada, condicionada à conversa até o momento. É por isso que a documentação da Sesame insiste que o modelo soa melhor quando recebe contexto, e por que o uso recomendado passa segmentos anteriores do falante em vez de uma única linha de texto.

Phonon é um transformer de flow matching que prevê latentes em quadros de 80 milissegundos, decodificados pela Mimi. Ele se baseia no Pocket TTS. Não há estado de diálogo nem janela de contexto no sentido de produto — você fornece texto e uma voz, e ele fala. O runtime é em Rust, sem PyTorch na inferência, com caminhos para CPU, Core ML, QNN e WebAssembly.

• Parâmetros — 31M para Phonon 31M; 1B de marca para Sesame CSM-1B, com 2B listado nos metadados do Hugging Face.

• Saída — 24 kHz mono para ambos.

• Codec — Mimi para ambos.

• Contexto — nenhum para o Phonon 31M; segmentos conversacionais anteriores recomendados para o Sesame CSM-1B.

• Idiomas — inglês para ambos, com o Sesame alertando que o suporte a idiomas diferentes do inglês é fraco.

• Licença — Apache 2.0 para ambos.

O que os parâmetros do Sesame proporcionam

A presença conversacional não é uma frase de marketing; corresponde a uma escolha técnica específica. Um modelo que vê os turnos anteriores consegue carregar a prosódia através de uma fronteira de frase, evitar reiniciar para uma leitura neutra a cada enunciado e manter a voz de um personagem estável ao longo de uma longa conversa. O CSM-1B foi criado para fazer isso, e a demo que tornou a Sesame famosa em março de 2025 era convincente justamente porque as vozes soavam como se estivessem ouvindo.

O custo é que você precisa do contexto para obter o benefício. Uma síntese de uma única linha por meio do CSM-1B, sem segmentos anteriores, não é a experiência que a demonstração vendia. É uma leitura TTS competente, mas sem nada de especial. As equipes que baixam o checkpoint esperando a voz Maya do Preview descobrem isso rapidamente: a voz não está nos pesos.

O Phonon faz a escolha oposta. Ele não tem noção de conversa, então não pode sofrer deriva nem reiniciar — cada enunciado é independente e determinístico. Para uma notificação, um comando de navegação ou uma fala de jogo, isso é exatamente certo. Para um personagem companheiro que precisa soar como se lembrasse da última frase, não é suficiente, e nenhuma quantidade de velocidade resolve isso.

O que dezenove meses compraram

O número interessante não é 32×. É que um modelo de 31M lançado em outubro de 2026 afirma ter inteligibilidade em inglês em uma faixa semelhante à de sistemas duas ordens de magnitude maiores. A própria avaliação da Gradium de um Phonon interno anterior, de ~100M, relatou 1,48% de WER no conjunto Seed-TTS em inglês em abril de 2026, melhorando para 1,00% em maio. O checkpoint de 31M lançado é declarado com 0,51% no Seed-TTS e 1,5% em um conjunto mais difícil no model card, com 1,70% no conjunto difícil no blog de lançamento.

Esses são números produzidos pelo fornecedor, gerados com whisper-large-v3 como transcritor e WavLM para similaridade de falante, e não foram reproduzidos de forma independente. A Sesame, por sua vez, nunca publicou uma tabela de WER para o CSM-1B. A comparação que importa — mesmo conjunto de teste, mesmo transcritor, ambos os modelos — não existe publicamente. Qualquer pessoa que lhe diga que o modelo 31M é mais inteligível que o modelo 1B está extrapolando a partir de dois arcabouços de avaliação diferentes.

O que se pode dizer é que a diferença de parâmetros não corresponde mais de forma clara à qualidade. Em 2025, um modelo de um bilhão de parâmetros era um mínimo razoável para TTS natural em inglês. No final de 2026, um arquivo de 64 MB com 31 milhões de parâmetros está, de forma crível, na mesma conversa. Essa é a verdadeira notícia no lançamento da Gradium, e é maior do que qualquer número individual de Elo.

Implantação: GPU versus uma aba do navegador

O CSM-1B é um modelo PyTorch. Ele roda confortavelmente em uma GPU, lentamente em uma CPU, e exige memória na casa dos gigabytes, não dos megabytes. O Hugging Face Transformers adicionou suporte nativo em maio de 2025, com inferência em lote e compilação de grafos CUDA, o que revela a implantação pretendida: um servidor, atendendo muitas requisições.

Phonon 31M tem 64,5 MB quantizado e é executado por meio de um runtime Rust com bindings para Python, Swift, JavaScript e C. Ele inicia em milissegundos de um dígito em um núcleo de laptop Apple, cerca de 9 ms em uma Neural Engine de iPhone 16 Pro, e 68 ms em um Raspberry Pi 5 nos números do README — 38 ms no blog de lançamento. Pode ser executado em uma aba de navegador por meio de WebAssembly. Não consegue atender mil usuários simultâneos a partir de uma única GPU, porque não é para isso que serve.

Esta é a forma mais clara de escolher entre eles. Se a voz reside num centro de dados e serve muitos utilizadores, a arquitetura do CSM-1B é mais adequada. Se a voz reside no dispositivo do utilizador e serve uma pessoa, a do Phonon é.

Identidade e consentimento de voz

O modelo aberto da Sesame produz uma variedade de vozes, mas não é um sistema de clonagem pronto a usar; o cartão apresenta-o como um modelo base de geração e indica o contexto como a forma de manter uma voz consistente. A Gradium disponibiliza 37 vozes inglesas integradas com o Phonon 31M, um catálogo maior em gradium/phonon-voices e suporte para ficheiros de voz personalizados no formato .safetensors.

Ambos os fornecedores publicam termos de uso aceitável que proíbem personificação e engano. Nenhum deles publica um mecanismo técnico de proveniência — nenhuma marca-d'água, nenhum metadado assinado, nenhuma API de detecção — no material disponível em 23 de outubro. Para qualquer pessoa que implante qualquer um dos modelos em um produto voltado ao cliente, essa é uma questão de conformidade em aberto, não uma questão resolvida.

Where the Preview still wins → Onde a Preview ainda vence

Se o produto for um companheiro conversacional — um personagem que conversa com um usuário ao longo de muitos turnos e precisa soar como a mesma pessoa o tempo todo —, a abordagem da Sesame continua sendo a opção mais direta. O condicionamento de contexto é o diferencial, e a Phonon não tem equivalente. O Preview também tem um refinamento que vem de um ajuste fino curado e de um elenco de vozes curado, que nenhum checkpoint aberto reproduz.

Se o produto precisa de fala em um dispositivo, em um navegador, offline ou com uma latência que uma rede não consegue igualar, o Phonon é a versão mais útil. Também é a mais fácil de inspecionar: o runtime está no GitHub, os pesos são um único arquivo de 64 MB, e a licença é Apache 2.0 sem barreiras.

A parte que nenhum dos dois modelos trata

O Sesame Preview não tem API pública, o que significa que uma equipe que queira usar sua voz em um produto não pode simplesmente chamá-lo. A demo é uma demonstração. Para construir sobre a pesquisa da Sesame, é preciso executar o CSM-1B por conta própria, e isso traz de volta a GPU e a montagem do contexto.

O Phonon cuida da síntese e de nada mais. Em um assistente real, o texto que ele fala é produzido por um modelo de linguagem, e o estado da conversa que o modelo da Sesame consumiria precisa ser montado em algum lugar. O OrcaRouter não é um provedor de fala e não hospeda nenhum desses modelos — o Phonon roda localmente e os pesos da Sesame rodam no seu hardware. O que ele cobre é a camada de texto da qual esses sistemas dependem: um endpoint para mais de 200 modelos, preço de tabela do provedor repassado com 0% de margem, e failover entre provedores para que uma única indisponibilidade não silencie o assistente. A voz pode ficar no dispositivo; o raciocínio não precisa.

A questão em aberto

A aposta da Sesame era que o contexto conversacional é o que separa a fala sintética de uma voz em que você acredita. A aposta da Gradium é que a maior parte da fala em software não precisa de uma conversa — precisa de um prompt, de uma voz e de nenhuma ida e volta — e que um modelo pequeno o suficiente para ser embutido pode conquistar os lugares aonde o TTS na nuvem nunca chegou.

As duas apostas podem estar certas. O teste ao longo do próximo ano é se um modelo de 31M consegue sustentar um personagem em múltiplos turnos sem condicionamento de contexto, ou se as equipes acabam combinando um pequeno modelo de TTS com uma camada de estado separada que faz o trabalho que o CSM-1B foi projetado para fazer internamente. A Gradium não publicou uma avaliação de múltiplos turnos. Até que publique, a leitura segura é que a Phonon fechou a lacuna na qualidade do inglês em enunciados únicos e ainda não demonstrou que consegue conduzir uma conversa.