Phonon vs Sesame Preview: 32× färre parametrar, samma codec, en annan satsning

Ställ Phonon 31M och Sesame Preview sida vid sida och det första som stämmer överens är den underliggande infrastrukturen. Båda producerar 24 kHz mono tal, båda kodar det genom Kyutais Mimi-codec och båda är Apache 2.0. Det andra som stämmer överens är märkligare: den öppna checkpointen bakom Sesame Preview, Sesame CSM-1B, har ungefär en miljard parametrar. Gradiums Phonon 31M, som släpptes den 20 oktober 2026, har 31 miljoner. Det är en 32-faldig skillnad i modellstorlek för två system som producerar samma samplingsfrekvens genom samma avkodare.

Gapet är inte en berättelse om att effektivitet vinner. Det är en berättelse om två olika satsningar på vad konversationellt tal behöver. Sesames modell lägger sina parametrar på kontext – den är utformad för att fortsätta en dialog och läsa tidigare turer för att hålla rösten konsekvent och tonen lämplig. Phonon lägger nästan ingenting på kontext och allt på att vara tillräckligt liten för att kunna köras i en webbläsarflik, en telefonapp eller en Raspberry Pi. Nitton månader skiljer deras lanseringar åt, och under den tiden tog den lilla änden av marknaden stora kliv framåt.

Först, vad "Sesame Preview" egentligen syftar på

Det här spelar roll eftersom de flesta jämförelser får det fel. Sesame Preview är konsumentprodukten – Maya- och Miles-rösterna på sesame.com, en demonstration av det företaget kallar röstnärvaro. De öppna vikterna är en separat sak: Sesame CSM-1B, publicerad 13 mars 2025 under Apache 2.0, en basgenereringsmodell som Sesame uttryckligen säger har inte finjusterats på någon specifik röst. Förhandsvisningens röster kommer från en finjusterad variant som aldrig släpptes.

Så en lyssnare som jämför Preview-demon med Phonons öppna checkpoint jämför en kurerad produkt med en rå modell. Det är inte en rättvis kamp, och det är den kamp de flesta faktiskt har. Den rättvisa jämförelsen är CSM-1B mot Phonon 31M: båda nedladdningsbara, båda Apache 2.0, båda engelskspråkiga i första hand, båda öppna för granskning.

Det finns ytterligare en komplikation i Sesame-kortet. Modellen marknadsförs som 1B, men Hugging Face-metadatan listar 2B parametrar i F32-tensorer. Kortet förklarar inte avvikelsen. Hur som helst ligger den en storleksordning över Phonon.

Samma codec, motsatta satsningar

CSM genererar RVQ-ljudkoder från text- och ljudindata med en Llama-ryggrad och en mindre ljudavkodare som avger Mimi-koder. Arkitekturen är en språkmodell som råkar tala: den behandlar ljudtokenar som en sekvens som ska fortsättas, betingad på samtalet hittills. Det är därför Sesames dokumentation insisterar på att modellen låter bäst när den får kontext, och varför den rekommenderade användningen skickar tidigare talarsegment i stället för en enda textrad.

Phonon är en flow-matching-transformer som förutsäger latenter i 80 millisekunders ramar, avkodade av Mimi. Den bygger på Pocket TTS. Det finns inget dialogtillstånd och inget kontextfönster i produktbemärkelse – du ger den text och en röst, och den talar. Körtiden är i Rust utan PyTorch vid inferens, med CPU-, Core ML-, QNN- och WebAssembly-vägar.

• Parametrar — 31M för Phonon 31M; marknadsförd som 1B för Sesame CSM-1B, med 2B angivet i Hugging Face-metadata.

• Utgång — 24 kHz mono för båda.

• Codec — Mimi för båda.

• Kontext — ingen för Phonon 31M; tidigare konversationssegment rekommenderas för Sesame CSM-1B.

• Språk — engelska för båda, med en varning från Sesame om att andra språk än engelska är svaga.

• Licens — Apache 2.0 för båda.

Vad Sesames parametrar ger

Konversationell närvaro är inte en marknadsföringsfras; det motsvarar ett specifikt tekniskt val. En modell som ser de tidigare turerna kan bära prosodi över en meningsgräns, undvika att återställas till en neutral uppläsning vid varje yttrande och hålla en karaktärsröst stabil genom ett långt utbyte. CSM-1B byggdes för att göra det, och demon som gjorde Sesame känt i mars 2025 var övertygande just för att rösterna lät som om de lyssnade.

Kostnaden är att du behöver kontexten för att få nyttan. En enradssyntes via CSM-1B, utan tidigare segment, är inte den upplevelse som demon sålde. Det är en kompetent men intetsägande TTS-uppläsning. Team som laddar ner checkpointen med förväntan om Preview-versionens Maya-röst upptäcker detta snabbt: rösten finns inte i vikterna.

Phonon gör den motsatta avvägningen. Det har ingen uppfattning om vad ett samtal är, så det kan varken glida iväg eller återställas – varje yttrande är oberoende och deterministiskt. För en avisering, en navigationsuppmaning eller en spelreplik är det precis rätt. För en följeslagarkaraktär som behöver låta som om den kommer ihåg den senaste meningen räcker det inte, och hur snabb den än är löser det inte saken.

Vad nitton månader köpte

Det intressanta talet är inte 32×. Det är att en 31M-modell som släpptes i oktober 2026 uppges ha engelsk förståelighet i ungefär samma klass som system som är två storleksordningar större. Gradiums egen utvärdering av en tidigare intern Phonon på cirka 100M rapporterade 1,48 % WER på den engelska Seed-TTS-uppsättningen i april 2026, och förbättrades till 1,00 % i maj. Den släppta 31M-checkpointen uppges ligga på 0,51 % på Seed-TTS och 1,5 % på en svårare uppsättning i modellkortet, med 1,70 % på den svåra uppsättningen i releasebloggen.

Det är siffror som leverantören tagit fram, producerade med whisper-large-v3 som transkriberare och WavLM för talarlikhet, och de har inte oberoende reproducerats. Sesame har i sin tur aldrig publicerat en WER-tabell för CSM-1B. Den jämförelse som spelar roll – samma testuppsättning, samma transkriberare, båda modellerna – finns inte offentligt. Den som säger att 31M-modellen är mer begriplig än 1B-modellen extrapolerar från två olika utvärderingsramverk.

Det som kan sägas är att parametergapet inte längre motsvarar kvalitet på ett entydigt sätt. Under 2025 var en modell med en miljard parametrar ett rimligt minimum för naturlig engelsk TTS. I slutet av 2026 är en fil på 64 MB med 31 miljoner parametrar trovärdigt i samma diskussion. Det är den egentliga nyheten i Gradiums lansering, och den är större än någon enskild Elo-siffra.

Driftsättning: GPU kontra en webbläsarflik

CSM-1B är en PyTorch-modell. Den körs bekvämt på en GPU, långsamt på en CPU och vill ha minne i gigabyte snarare än megabyte. Hugging Face Transformers lade till inbyggt stöd i maj 2025, med batchad inferens och CUDA-grafkompilering, vilket antyder den avsedda driftsättningen: en server som betjänar många förfrågningar.

Phonon 31M är kvantiserad till 64,5 MB och körs via en Rust-runtime med bindningar för Python, Swift, JavaScript och C. Den startar på ensiffriga millisekunder på en kärna i en Apple-laptop, cirka 9 ms på en Neural Engine i iPhone 16 Pro och 68 ms på en Raspberry Pi 5 enligt siffrorna i README — 38 ms i releasebloggen. Den kan köras i en webbläsarflik via WebAssembly. Den kan inte betjäna tusen samtidiga användare från en GPU, eftersom det inte är vad den är till för.

Det här är det renaste sättet att välja mellan dem. Om rösten finns i ett datacenter och betjänar många användare passar CSM-1B:s arkitektur bättre. Om rösten finns på användarens enhet och betjänar en person passar Phonons bättre.

Röstidentitet och samtycke

Sesames öppna modell producerar en mängd olika röster men är inte ett kloningssystem direkt ur lådan; kortet beskriver den som en basgenereringsmodell och hänvisar till kontext som sättet att hålla en röst konsekvent. Gradium levererar 37 inbyggda engelska röster med Phonon 31M, en större katalog på gradium/phonon-voices och stöd för anpassade röstfiler i .safetensors-format.

Båda leverantörerna publicerar formuleringar om acceptabel användning som förbjuder identitetsimitation och bedrägeri. Ingen av dem publicerar en teknisk proveniensmekanism – ingen vattenstämpel, inga signerade metadata, inget detektions-API – i det material som finns tillgängligt per den 23 oktober. För alla som driftsätter någon av modellerna i en kundvänd produkt är det en öppen efterlevnadsfråga, inte en löst sådan.

Där förhandsvisningen fortfarande vinner

Om produkten är en samtalspartner – en karaktär som pratar med en användare över många turer och behöver låta som samma person hela tiden – är Sesames angreppssätt fortfarande den mer direkta passformen. Kontextbetingningen är själva funktionen, och Phonon har ingen motsvarighet. Preview har också en polerad finish som kommer från en kurerad finjustering och en kurerad röstbesättning, vilket ingen öppen checkpoint återskapar.

Om produkten behöver tal på en enhet, i en webbläsare, offline eller vid en latens som ett nätverk inte kan matcha, är Phonon den mer användbara utgåvan. Den är också den mer granskningsbara: körtiden finns på GitHub, vikterna är en enda fil på 64 MB och licensen är Apache 2.0 utan någon spärr.

Den del som ingen av modellerna hanterar

Sesame Preview har inget publikt API, vilket innebär att ett team som vill ha dess röst i en produkt inte bara kan anropa det. Demon är en demonstration. Att bygga vidare på Sesames forskning innebär att köra CSM-1B själv, och det för tillbaka GPU:n och kontextsammansättningen.

Phonon hanterar syntes och inget annat. I en riktig assistent produceras texten som den talar av en språkmodell, och konversationstillståndet som Sesames modell skulle konsumera måste sättas samman någonstans. OrcaRouter är inte en talprovider och har inte någon av dessa modeller — Phonon körs lokalt och Sesames vikter körs på din hårdvara. Det den täcker är textlagret som dessa system är beroende av: en slutpunkt för fler än 200 modeller, leverantörernas listpris vidarebefordrat med 0 % påslag, och failover mellan leverantörer så att ett enskilt avbrott inte tystar assistenten. Rösten kan stanna på enheten; tänkandet behöver inte.

Den öppna frågan

Sesames satsning var att samtalskontext är det som skiljer syntetiskt tal från en röst du tror på. Gradiums satsning är att det mesta av talet i programvara inte behöver ett samtal – det behöver en prompt, en röst och ingen tur och retur – och att en modell som är tillräckligt liten för att bäddas in kan vinna platserna där moln-TTS aldrig nådde.

Båda satsningarna kan stämma. Testet under det kommande året är om en 31M-modell kan behålla en karaktär över flera turer utan kontextkonditionering, eller om team till slut parar ihop en liten TTS-modell med ett separat tillståndslager som gör jobbet som CSM-1B var designad att göra internt. Gradium har inte publicerat någon utvärdering över flera turer. Fram till dess är den säkra tolkningen att Phonon har stängt gapet när det gäller engelsk kvalitet för enskilda yttranden och ännu inte har visat att den kan föra en konversation.