Phonon против Sesame Preview: в 32 раза меньше параметров, тот же кодек, другая ставка

Поставьте Phonon 31M и Sesame Preview бок о бок, и первое, что совпадает, — это техническая основа. Оба генерируют монозвук с частотой 24 кГц, оба кодируют его с помощью кодека Mimi от Kyutai, и оба распространяются под Apache 2.0. Второе совпадение ещё страннее: открытый чекпойнт, лежащий в основе Sesame Preview, Sesame CSM-1B, содержит примерно миллиард параметров. У Gradium модель Phonon 31M, выпущенная 20 октября 2026 года, содержит 31 миллион параметров. Это 32-кратный разрыв в размере модели у двух систем, которые выдают одну и ту же частоту дискретизации через один и тот же декодер.

Этот разрыв — не история о победе эффективности. Это история о двух разных ставках на то, что нужно разговорной речи. Модель Sesame тратит свои параметры на контекст — она предназначена для продолжения диалога: читает предыдущие реплики, чтобы сохранять последовательность голоса и подходящий тон. Phonon почти ничего не тратит на контекст и всё — на то, чтобы быть достаточно маленьким для запуска внутри вкладки браузера, мобильного приложения или Raspberry Pi. Их релизы разделяют девятнадцать месяцев, и за это время малый сегмент рынка ушёл далеко вперёд.

Во-первых, что на самом деле означает «Sesame Preview»

Это важно, потому что большинство сравнений ошибаются. Sesame Preview — это потребительский продукт: голоса Maya и Miles на sesame.com, демонстрация того, что компания называет voice presence. Открытые веса — это отдельная история: Sesame CSM-1B, опубликованная 13 марта 2025 года под лицензией Apache 2.0, — это базовая генеративная модель, которая, как прямо указывает Sesame, не была дообучена под какой-либо конкретный голос. Голоса из превью взяты из дообученного варианта, который так и не был выпущен.

Итак, слушатель, сравнивающий демо Preview с открытым чекпоинтом Phonon, сравнивает курируемый продукт с сырой моделью. Это нечестное сравнение, и именно его на самом деле проводит большинство людей. Честное сравнение — это CSM-1B против Phonon 31M: обе модели можно скачать, обе распространяются под Apache 2.0, обе ориентированы в первую очередь на английский, обе открыты для проверки.

В карточке Sesame есть вторая загвоздка. Модель обозначена как 1B, но метаданные Hugging Face указывают 2B параметров в тензорах F32. Карточка не объясняет это расхождение. В любом случае это на порядок больше, чем у Phonon.

Тот же кодек, противоположные ставки

CSM генерирует аудиокоды RVQ из текстовых и аудиовходов, используя основу Llama и более компактный аудиодекодер, который выдаёт коды Mimi. Эта архитектура представляет собой языковую модель, которая, так уж вышло, умеет говорить: она рассматривает аудиотокены как последовательность, которую нужно продолжить, с учётом уже состоявшегося разговора. Именно поэтому документация Sesame настаивает, что модель звучит лучше всего, когда ей дают контекст, и поэтому в рекомендуемом варианте использования передаются предыдущие сегменты речи говорящего, а не одна строка текста.

Phonon — это flow-matching трансформер, предсказывающий латенты в кадрах длительностью 80 миллисекунд, которые декодирует Mimi. Он построен на основе Pocket TTS. Здесь нет ни состояния диалога, ни контекстного окна в продуктовом смысле — вы даёте ему текст и голос, и он говорит. Рантайм написан на Rust и не использует PyTorch при инференсе, с путями для CPU, Core ML, QNN и WebAssembly.

• Параметры — 31M для Phonon 31M; заявленный 1B для Sesame CSM-1B, при этом в метаданных Hugging Face указано 2B.

• Выход — 24 кГц моно для обоих.

• Кодек — Mimi для обоих.

• Контекст — отсутствует для Phonon 31M; для Sesame CSM-1B рекомендуются предыдущие сегменты разговора.

• Языки — английский для обоих, с предупреждением Sesame о том, что неанглийские языки слабы.

• Лицензия — Apache 2.0 для обоих.

Что дают параметры Sesame

Разговорное присутствие — не маркетинговый лозунг, а конкретный технический выбор. Модель, которая видит предыдущие реплики, может переносить просодию через границу предложения, не сбрасываться на нейтральное чтение при каждой реплике и сохранять стабильный голос персонажа на протяжении долгого диалога. CSM-1B создавался именно для этого, и демо, прославившее Sesame в марте 2025 года, было убедительным именно потому, что голоса звучали так, будто они слушают.

Цена этого — необходимость контекста, чтобы получить преимущество. Синтез одной строки через CSM-1B без предшествующих сегментов — это не тот опыт, который обещало демо. Это компетентное, но заурядное озвучивание TTS. Команды, которые скачивают чекпойнт в ожидании голоса Maya из Preview, быстро это обнаруживают: голоса нет в весах.

Phonon делает противоположный выбор. У него нет понятия разговора, поэтому он не может дрейфовать или сбрасываться — каждое высказывание независимо и детерминировано. Для уведомления, навигационной подсказки или реплики в игре это именно то, что нужно. Для персонажа-компаньона, который должен звучать так, будто помнит предыдущую фразу, этого недостаточно, и никакая скорость это не исправит.

Что было куплено за девятнадцать месяцев

Интересное число — не 32×. Интересно то, что модель на 31M, выпущенная в октябре 2026 года, заявляет разборчивость английской речи примерно на том же уровне, что и системы на два порядка крупнее. В собственной оценке Gradium более ранней внутренней модели Phonon размером ~100M сообщалось о 1,48% WER на английском наборе Seed-TTS в апреле 2026 года; к маю показатель улучшился до 1,00%. Для выпущенного 31M-чекпоинта в карточке модели заявлены 0,51% на Seed-TTS и 1,5% на более сложном наборе, а в блоге о выпуске — 1,70% на сложном наборе.

Это цифры от производителя, полученные с использованием whisper-large-v3 в качестве модели транскрипции и WavLM для оценки сходства голоса, и они не были независимо воспроизведены. Sesame, со своей стороны, так и не опубликовала таблицу WER для CSM-1B. Сравнения, которое имеет значение — один и тот же тестовый набор, одна и та же модель транскрипции, обе модели — в открытом доступе не существует. Любой, кто говорит вам, что модель 31M более разборчива, чем модель 1B, экстраполирует результаты двух разных схем оценки.

Можно сказать, что разрыв в параметрах больше не соответствует качеству напрямую. В 2025 году модель с миллиардом параметров была разумным минимумом для естественного английского TTS. В конце 2026 года файл размером 64 МБ с 31 миллионом параметров вполне правдоподобно оказывается в той же категории. Вот это и есть настоящая новость в релизе Gradium, и она важнее любой отдельной цифры Elo.

Развёртывание: GPU или вкладка браузера

{{1}}CSM-1B — это модель PyTorch. Она комфортно работает на GPU, медленно — на CPU, и ей требуется память в гигабайтах, а не в мегабайтах. Hugging Face Transformers добавила нативную поддержку в мае 2025 года, с пакетным выводом и компиляцией CUDA-графов, что говорит о предполагаемом развертывании: сервер, обслуживающий множество запросов.{{/1}}

Phonon 31M имеет квантованную версию размером 64,5 МБ и работает через среду выполнения Rust с привязками для Python, Swift, JavaScript и C. Он запускается за единицы миллисекунд на ядре ноутбука Apple, примерно за 9 мс на Neural Engine iPhone 16 Pro и за 68 мс на Raspberry Pi 5 согласно цифрам в README — 38 мс в блоге о релизе. Он может работать во вкладке браузера через WebAssembly. Он не может обслуживать тысячу одновременных пользователей с одного GPU, потому что он не для этого предназначен.

Это самый простой способ выбрать между ними. Если голос размещён в дата-центре и обслуживает многих пользователей, архитектура CSM-1B подходит лучше. Если голос размещён на устройстве пользователя и обслуживает одного человека, лучше подходит архитектура Phonon.

Голосовая идентичность и согласие

Открытая модель Sesame создаёт разнообразные голоса, но из коробки не является системой клонирования; в карточке она представлена как базовая генеративная модель, а контекст указан как способ сохранять голос неизменным. Gradium поставляется с 37 встроенными английскими голосами в Phonon 31M, более крупным каталогом по адресу gradium/phonon-voices и поддержкой пользовательских файлов голосов в формате .safetensors.

Оба поставщика публикуют формулировки о допустимом использовании, запрещающие выдачу себя за другое лицо и введение в заблуждение. Ни один из них не публикует технический механизм подтверждения происхождения — ни водяного знака, ни подписанных метаданных, ни API для обнаружения — в материалах, доступных по состоянию на 23 октября. Для всех, кто развертывает любую из этих моделей в продукте, ориентированном на клиентов, это открытый вопрос соблюдения требований, а не решённый.

Где Preview всё ещё выигрывает

Если продукт — это собеседник для разговора, персонаж, который общается с пользователем на протяжении многих ходов и должен звучать как один и тот же человек на всём протяжении, подход Sesame остаётся более прямым решением. Контекстное обусловливание — это и есть ключевая особенность, и у Phonon нет аналога. У Preview также есть отточенность, которая происходит от тщательно подобранного файнтюна и тщательно подобранного состава голосов, чего не воспроизводит ни один открытый чекпоинт.

Если продукту нужны речевые возможности на устройстве, в браузере, офлайн или с задержкой, которую сеть не может обеспечить, Phonon — более полезный релиз. Он также более прозрачен для проверки: среда выполнения опубликована на GitHub, веса — это один файл размером 64 МБ, а лицензия — Apache 2.0 без ограничения доступа.

Та часть, с которой не справляется ни одна из моделей

У Sesame Preview нет публичного API, а значит, команда, которая хочет использовать его голос в продукте, не может просто вызвать его. Демо — это демонстрация. Опираться на исследования Sesame означает самостоятельно запускать CSM-1B, а это снова приводит к GPU и сборке контекста.

Phonon занимается синтезом и ничем больше. В настоящем ассистенте текст, который он произносит, создаётся языковой моделью, а состояние диалога, которое потребляла бы модель Sesame, нужно где-то собирать. OrcaRouter — не поставщик речи и не размещает ни одну из этих моделей: Phonon работает локально, а веса Sesame — на вашем оборудовании. А покрывает он текстовый слой, от которого зависят эти системы: один эндпоинт для более чем 200 моделей, цена по прайс-листу провайдера без наценки — 0%, и переключение между провайдерами при сбоях, чтобы единичный сбой не лишал ассистента голоса. Голос может оставаться на устройстве; а мышление — не обязательно.

Открытый вопрос

Ставка Sesame была на то, что именно разговорный контекст отличает синтетическую речь от голоса, которому веришь. Ставка Gradium — на то, что большинству речевых функций в ПО не нужен разговор: им нужны промпт, голос и отсутствие сетевого обмена — и что модель, достаточно компактная для встраивания, может победить там, куда облачный TTS так и не добрался.

Обе ставки могут оказаться верными. Проверка в течение следующего года состоит в том, сможет ли модель на 31M удерживать образ персонажа в многоходовом диалоге без обусловливания контекстом — или же команды в итоге начнут объединять небольшую TTS-модель с отдельным слоем состояния, который выполняет ту работу, для которой CSM-1B была задумана выполнять её внутри себя. Gradium не опубликовала оценку для многоходовых диалогов. Пока этого не произойдёт, осторожная трактовка такова: Phonon сократила разрыв в качестве английской речи на уровне отдельных высказываний, но пока не показала, что способна вести разговор.