Phonon vs Sesame Preview: พารามิเตอร์น้อยลง 32 เท่า โคเดกเดียวกัน แต่เป็นการเดิมพันที่ต่างออกไป

วางPhonon 31M และ Sesame Preview ไว้เคียงกัน สิ่งแรกที่ตรงกันคือโครงสร้างพื้นฐาน ทั้งสองผลิตเสียงพูดโมโน 24 kHz ทั้งคู่เข้ารหัสผ่านโคเดก Mimi ของ Kyutai และทั้งคู่เป็น Apache 2.0 สิ่งที่สองที่ตรงกันนั้นแปลกกว่า: เช็กพอยต์แบบเปิดที่อยู่เบื้องหลัง Sesame Preview, Sesame CSM-1B มีพารามิเตอร์ประมาณหนึ่งพันล้านตัว ส่วน Phonon 31M ของ Gradium ซึ่งเปิดตัวเมื่อวันที่ 20 ตุลาคม 2026 มี 31 ล้านตัว นั่นคือช่องว่าง 32 เท่าในขนาดโมเดลสำหรับสองระบบที่ส่งออกอัตราการสุ่มตัวอย่างเดียวกันผ่านตัวถอดรหัสเดียวกัน

ช่องว่างนี้ไม่ใช่เรื่องราวของประสิทธิภาพที่เป็นผู้ชนะ แต่เป็นเรื่องราวของการเดิมพันสองแบบที่แตกต่างกันเกี่ยวกับสิ่งที่เสียงสนทนาต้องการ โมเดลของ Sesame ทุ่มพารามิเตอร์ไปกับบริบท — มันถูกออกแบบมาเพื่อสนทนาต่อ โดยอ่านเทิร์นก่อนหน้าเพื่อรักษาความสม่ำเสมอของเสียงและน้ำเสียงที่เหมาะสม ส่วน Phonon แทบไม่ใช้พารามิเตอร์กับบริบทเลย และใช้ทั้งหมดไปกับการมีขนาดเล็กพอที่จะรันในแท็บเบราว์เซอร์ แอปบนมือถือ หรือ Raspberry Pi การเปิดตัวของทั้งสองห่างกันสิบเก้าเดือน และในช่วงเวลานั้น ปลายล่างของตลาดได้เคลื่อนไปไกลมาก

ก่อนอื่น "Sesame Preview" จริง ๆ หมายถึงอะไร

เรื่องนี้สำคัญเพราะการเปรียบเทียบส่วนใหญ่เข้าใจผิด Sesame Preview เป็นผลิตภัณฑ์สำหรับผู้บริโภค — เสียง Maya และ Miles ที่ sesame.com ซึ่งเป็นการสาธิตสิ่งที่บริษัทเรียกว่า voice presence ส่วนเวตแบบเปิดเป็นอีกเรื่องหนึ่ง: Sesame CSM-1B เผยแพร่เมื่อวันที่ 13 มีนาคม 2025 ภายใต้ Apache 2.0 เป็นโมเดลการสร้างพื้นฐานที่ Sesame ระบุอย่างชัดเจนว่า ไม่ได้รับการปรับแต่งสำหรับเสียงใดเสียงหนึ่งโดยเฉพาะ เสียงของพรีวิวมาจากตัวแปรที่ผ่านการปรับแต่งซึ่งไม่เคยเปิดตัว

ดังนั้นผู้ฟังที่เปรียบเทียบเดโม Preview กับเช็กพอยต์แบบเปิดของ Phonon กำลังเปรียบเทียบผลิตภัณฑ์ที่ผ่านการคัดสรรกับโมเดลดิบ นั่นไม่ใช่การเปรียบเทียบที่ยุติธรรม และเป็นการเปรียบเทียบที่คนส่วนใหญ่กำลังทำจริง ๆ การเปรียบเทียบที่ยุติธรรมคือ CSM-1B กับ Phonon 31M: ทั้งคู่ดาวน์โหลดได้ ทั้งคู่ใช้ Apache 2.0 ทั้งคู่เน้นภาษาอังกฤษเป็นหลัก และทั้งคู่เปิดให้ตรวจสอบได้

มีการ์ดของ Sesame มีจุดที่น่าสงสัยเพิ่มเติมอีกจุดหนึ่ง โมเดลนี้ถูกระบุว่าเป็น 1B แต่เมทาดาทาของ Hugging Face ระบุว่ามีพารามิเตอร์ 2B ในเทนเซอร์ F32 การ์ดไม่ได้อธิบายความคลาดเคลื่อนนี้ ไม่ว่าจะกรณีใดก็ตาม มันมีขนาดสูงกว่า Phonon ราวหนึ่งลำดับขนาด

codec เดียวกัน แต่เดิมพันตรงกันข้าม

CSM สร้างรหัสเสียง RVQ จากอินพุตข้อความและเสียง โดยใช้แกนหลัก Llama และตัวถอดรหัสเสียงขนาดเล็กที่ส่งออกรหัส Mimi สถาปัตยกรรมนี้เป็นโมเดลภาษาที่บังเอิญพูดได้: มันมองโทเคนเสียงเป็นลำดับที่ต้องทำให้ต่อเนื่อง โดยมีเงื่อนไขจากบทสนทนาที่ผ่านมาจนถึงตอนนี้ นั่นคือเหตุผลที่เอกสารของ Sesame ยืนยันว่าโมเดลให้เสียงที่ดีที่สุดเมื่อได้รับบริบท และเป็นเหตุผลที่การใช้งานที่แนะนำส่งช่วงของผู้พูดก่อนหน้าแทนที่จะเป็นข้อความเพียงบรรทัดเดียว

Phonon เป็น transformer แบบ flow-matching ที่ทำนาย latents ในเฟรมละ 80 มิลลิวินาที ซึ่งถูกถอดรหัสโดย Mimi โดยต่อยอดจาก Pocket TTS ไม่มีสถานะบทสนทนาและไม่มี context window ในความหมายระดับผลิตภัณฑ์ — คุณเพียงให้ข้อความและเสียงกับมัน แล้วมันก็พูดออกมา รันไทม์เป็น Rust โดยไม่ใช้ PyTorch ในการ inference พร้อมเส้นทาง CPU, Core ML, QNN และ WebAssembly

• พารามิเตอร์ — 31M สำหรับ Phonon 31M; แบรนด์ 1B สำหรับ Sesame CSM-1B โดยมี 2B ระบุอยู่ในข้อมูลเมตาของ Hugging Face

• เอาต์พุต — 24 kHz โมโนสำหรับทั้งสอง

• โคเดก — Mimi สำหรับทั้งสอง

• บริบท — ไม่มีสำหรับ Phonon 31M; แนะนำให้ใช้ช่วงบทสนทนาก่อนหน้าสำหรับ Sesame CSM-1B

• ภาษา — ใช้ภาษาอังกฤษสำหรับทั้งสองรายการ โดย Sesame เตือนว่าภาษาที่ไม่ใช่ภาษาอังกฤษนั้นอ่อนแอ

• สัญญาอนุญาต — Apache 2.0 สำหรับทั้งสอง

พารามิเตอร์ของ Sesame ให้อะไรได้บ้าง

ความเป็นตัวตนในการสนทนาไม่ใช่วลีทางการตลาด แต่สอดคล้องกับการเลือกทางเทคนิคที่เฉพาะเจาะจง โมเดลที่มองเห็นรอบการสนทนาก่อนหน้าสามารถส่งต่อทำนองเสียงข้ามขอบเขตประโยค หลีกเลี่ยงการรีเซ็ตกลับไปอ่านแบบเป็นกลางในทุกข้อความ และรักษาเสียงของตัวละครให้คงที่ตลอดการสนทนายาว CSM-1B ถูกสร้างขึ้นเพื่อทำสิ่งนั้น และเดโมที่ทำให้ Sesame โด่งดังในเดือนมีนาคม 2025 ก็สร้างความน่าเชื่อถือได้อย่างแม่นยำ เพราะเสียงเหล่านั้นฟังดูราวกับกำลังตั้งใจฟัง

ข้อเสียคือคุณต้องมีบริบทจึงจะได้รับประโยชน์ การสังเคราะห์เสียงเพียงบรรทัดเดียวผ่าน CSM-1B โดยไม่มีเซกเมนต์ก่อนหน้า ไม่ใช่ประสบการณ์ที่เดโมขายไว้ เป็นการอ่านด้วย TTS ที่ทำได้ดีแต่ไม่โดดเด่น ทีมที่ดาวน์โหลดเช็กพอยต์โดยคาดหวังเสียง Maya ของ Preview จะค้นพบสิ่งนี้อย่างรวดเร็ว: เสียงนั้นไม่ได้อยู่ในเวตต์

Phonon แลกเปลี่ยนในทางตรงกันข้าม มันไม่มีความคิดเรื่องบทสนทนาเลย จึงไม่สามารถเลื่อนไหลหรือรีเซ็ตได้ — ทุกถ้อยคำเป็นอิสระและแน่นอนตายตัว สำหรับการแจ้งเตือน พรอมต์นำทาง หรือบทพูดในเกม นั่นคือสิ่งที่ถูกต้องอย่างยิ่ง แต่สำหรับตัวละครคู่หูที่ต้องฟังดูเหมือนจดจำประโยคก่อนหน้าได้ มันยังไม่พอ และความเร็วไม่ว่าจะมากแค่ไหนก็แก้ไขไม่ได้

สิ่งที่สิบเก้าเดือนแลกมา

ตัวเลขที่น่าสนใจไม่ใช่ 32× แต่คือโมเดลขนาด 31M ที่เผยแพร่ในเดือนตุลาคม 2026 อ้างว่ามีความชัดเจนในการฟังภาษาอังกฤษอยู่ในระดับใกล้เคียงกับระบบที่มีขนาดใหญ่กว่าสองลำดับขนาด การประเมินของ Gradium เองต่อ Phonon ภายในรุ่นก่อนหน้าซึ่งมีขนาด ~100M รายงาน WER 1.48% บนชุด Seed-TTS ภาษาอังกฤษในเดือนเมษายน 2026 และดีขึ้นเป็น 1.00% ภายในเดือนพฤษภาคม เช็กพอยต์ 31M ที่เผยแพร่แล้วถูกอ้างว่าอยู่ที่ 0.51% บน Seed-TTS และ 1.5% บนชุดที่ยากกว่าในการ์ดโมเดล โดยในบล็อกประกาศเผยแพร่ระบุ 1.70% บนชุดที่ยาก

ตัวเลขเหล่านี้เป็นตัวเลขที่ผู้จำหน่ายรันเอง โดยใช้ whisper-large-v3 เป็นตัวถอดเสียงและ WavLM สำหรับความคล้ายของผู้พูด และยังไม่มีการทำซ้ำอย่างอิสระ ในส่วนของ Sesame นั้นไม่เคยเผยแพร่ตาราง WER สำหรับ CSM-1B การเปรียบเทียบที่สำคัญ — ชุดทดสอบเดียวกัน ตัวถอดเสียงเดียวกัน ทั้งสองโมเดล — ไม่มีอยู่ต่อสาธารณะ ใครก็ตามที่บอกคุณว่าโมเดล 31M ฟังเข้าใจได้ดีกว่าโมเดล 1B กำลังอนุมานจากฮาร์เนสสองชุดที่แตกต่างกัน

สิ่งที่กล่าวได้คือ ช่องว่างของจำนวนพารามิเตอร์ไม่ได้สะท้อนคุณภาพได้อย่างตรงไปตรงมาอีกต่อไป ในปี 2025 โมเดลที่มีหนึ่งพันล้านพารามิเตอร์ถือเป็นขั้นต่ำที่สมเหตุสมผลสำหรับ TTS ภาษาอังกฤษที่เป็นธรรมชาติ ในปลายปี 2026 ไฟล์ขนาด 64 MB ที่มี 31 ล้านพารามิเตอร์ถือได้อย่างน่าเชื่อถือว่าอยู่ในวงสนทนาเดียวกัน นั่นคือข่าวจริงจากการเปิดตัวของ Gradium และมันยิ่งใหญ่กว่าตัวเลข Elo ใด ๆ เพียงตัวเดียว

การติดตั้งใช้งาน: GPU กับแท็บเบราว์เซอร์

CSM-1B เป็นโมเดล PyTorch ที่ทำงานบน GPU ได้อย่างสบาย ๆ แต่ทำงานบน CPU ได้ช้า และต้องใช้หน่วยความจำระดับหลายกิกะไบต์แทนที่จะเป็นระดับหลายเมกะไบต์ Hugging Face Transformers เพิ่มการรองรับแบบเนทีฟในเดือนพฤษภาคม 2025 พร้อมการอนุมานแบบแบตช์และการคอมไพล์กราฟ CUDA ซึ่งบ่งบอกถึงการนำไปใช้งานที่ตั้งใจไว้: เซิร์ฟเวอร์ที่ให้บริการคำขอจำนวนมาก

Phonon 31M มีขนาด 64.5 MB เมื่อควอนไทซ์ และทำงานผ่าน Rust runtime ที่มี binding สำหรับ Python, Swift, JavaScript และ C โดยเริ่มทำงานภายในเวลาไม่ถึง 10 มิลลิวินาทีบนคอร์ของแล็ปท็อป Apple ประมาณ 9 ms บน Neural Engine ของ iPhone 16 Pro และ 68 ms บน Raspberry Pi 5 ตามตัวเลขใน README — 38 ms ในบล็อกเปิดตัว สามารถทำงานในแท็บเบราว์เซอร์ผ่าน WebAssembly แต่ไม่สามารถให้บริการผู้ใช้พร้อมกันหนึ่งพันคนจาก GPU ตัวเดียวได้ เพราะนั่นไม่ใช่จุดประสงค์ของมัน

นี่คือวิธีที่ชัดเจนที่สุดในการเลือกระหว่างทั้งสอง หากเสียงนั้นอยู่ในศูนย์ข้อมูลและให้บริการผู้ใช้จำนวนมาก สถาปัตยกรรมของ CSM-1B จะเหมาะสมกว่า หากเสียงนั้นอยู่ในอุปกรณ์ของผู้ใช้และให้บริการเพียงคนเดียว สถาปัตยกรรมของ Phonon จะเหมาะสมกว่า

อัตลักษณ์เสียงและการยินยอม

โมเดลโอเพนของ Sesame สร้างเสียงได้หลากหลาย แต่ไม่ใช่ระบบโคลนเสียงที่ใช้ได้ทันทีโดยไม่ต้องตั้งค่า; การ์ดนำเสนอโมเดลนี้ในฐานะโมเดลสำหรับสร้างเสียงพื้นฐาน และชี้ว่าบริบทเป็นวิธีที่ใช้รักษาความสม่ำเสมอของเสียง Gradium มาพร้อมเสียงภาษาอังกฤษในตัว 37 เสียงกับ Phonon 31M แคตตาล็อกที่ใหญ่กว่าที่ gradium/phonon-voices และรองรับไฟล์เสียงกำหนดเองในรูปแบบ .safetensors

ผู้จำหน่ายทั้งสองรายเผยแพร่ถ้อยคำการใช้งานที่ยอมรับได้ซึ่งห้ามการแอบอ้างตนและการหลอกลวง ทั้งสองรายไม่เผยแพร่กลไกทางเทคนิคสำหรับพิสูจน์ที่มา — ไม่มีลายน้ำ ไม่มีเมทาดาทาที่ลงนามแล้ว ไม่มี API สำหรับตรวจจับ — ในเอกสารที่มีเผยแพร่ ณ วันที่ 23 ตุลาคม สำหรับผู้ใดก็ตามที่นำโมเดลใดโมเดลหนึ่งไปใช้งานในผลิตภัณฑ์ที่ติดต่อกับลูกค้า นั่นเป็นคำถามด้านการปฏิบัติตามข้อกำหนดที่ยังเปิดอยู่ ไม่ใช่เรื่องที่แก้ไขแล้ว

จุดที่ Preview ยังชนะอยู่

หากผลิตภัณฑ์เป็นเพื่อนคู่สนทนา — ตัวละครที่พูดคุยกับผู้ใช้หลายรอบและต้องดูเหมือนเป็นคนเดิมตลอดทั้งบทสนทนา — แนวทางของ Sesame ยังคงเป็นตัวเลือกที่ตรงกว่า การปรับสภาพตามบริบทคือจุดเด่น และ Phonon ไม่มีสิ่งใดเทียบเท่าได้ ส่วน Preview ยังมีความเรียบเนียนที่มาจากการฟินจูนที่คัดสรรและทีมนักพากย์ที่คัดสรร ซึ่งไม่มีเช็กพอยต์แบบโอเพนซอร์สใดจำลองออกมาได้

หากผลิตภัณฑ์ต้องการระบบเสียงพูดบนอุปกรณ์ ในเบราว์เซอร์ แบบออฟไลน์ หรือที่ความหน่วงซึ่งเครือข่ายเทียบไม่ได้ Phonon คือรีลีสที่มีประโยชน์กว่า นอกจากนี้ยังเป็นรุ่นที่ตรวจสอบได้มากกว่า: รันไทม์อยู่บน GitHub เวตเป็นไฟล์เดียวขนาด 64 MB และสัญญาอนุญาตคือ Apache 2.0 โดยไม่มีข้อจำกัดใด ๆ

ส่วนที่ทั้งสองโมเดลไม่ได้จัดการ

Sesame Preview ไม่มี API สาธารณะ ซึ่งหมายความว่าทีมที่ต้องการนำเสียงของมันไปใช้ในผลิตภัณฑ์ไม่สามารถเรียกใช้งานได้ง่าย ๆ เดโมเป็นเพียงการสาธิต การต่อยอดจากงานวิจัยของ Sesame หมายถึงการรัน CSM-1B ด้วยตัวเอง และนั่นทำให้ต้องกลับมาดูแล GPU และการประกอบบริบทอีกครั้ง

Phonon จัดการเฉพาะการสังเคราะห์เสียงเท่านั้น ในผู้ช่วยจริง ข้อความที่มันพูดถูกสร้างโดยโมเดลภาษา และสถานะบทสนทนาที่โมเดลของ Sesame จะนำไปใช้ต้องถูกประกอบขึ้นที่ใดที่หนึ่ง OrcaRouter ไม่ใช่ผู้ให้บริการเสียงพูดและไม่ได้โฮสต์โมเดลทั้งสองนี้ — Phonon ทำงานในเครื่องและน้ำหนักของ Sesame ทำงานบนฮาร์ดแวร์ของคุณ สิ่งที่มันครอบคลุมคือเลเยอร์ข้อความที่ระบบเหล่านั้นพึ่งพา: ปลายทางเดียวสำหรับโมเดลมากกว่า 200 โมเดล ราคาตามรายการของผู้ให้บริการส่งผ่านโดยคิดส่วนเพิ่ม 0% และการสลับไปยังผู้ให้บริการอื่นเมื่อเกิดข้อขัดข้อง เพื่อให้การล่มเพียงครั้งเดียวไม่ทำให้ผู้ช่วยเงียบ เสียงสามารถคงอยู่ในอุปกรณ์ได้ ส่วนการคิดไม่จำเป็นต้องเป็นเช่นนั้น

คำถามที่เปิดอยู่

เดิมพันของ Sesame คือบริบทของการสนทนาคือสิ่งที่แยกเสียงสังเคราะห์ออกจากเสียงที่คุณเชื่อจริง ส่วนเดิมพันของ Gradium คือเสียงพูดส่วนใหญ่ในซอฟต์แวร์ไม่จำเป็นต้องมีการสนทนา — สิ่งที่มันต้องการคือพรอมต์ เสียงหนึ่งเสียง และไม่ต้องส่งข้อมูลไปกลับ — และโมเดลที่เล็กพอจะฝังไว้ได้ก็สามารถครองพื้นที่ที่ TTS บนคลาวด์ไม่เคยเข้าไปถึง

เดิมพันทั้งสองอาจถูกต้องก็ได้ การทดสอบในปีหน้าคือว่าโมเดล 31M จะรักษาคาแรกเตอร์แบบหลายเทิร์นได้โดยไม่ต้องมี context conditioning หรือทีมจะลงเอยด้วยการจับคู่โมเดล TTS ขนาดเล็กกับชั้นสถานะแยกต่างหากที่ทำหน้าที่ซึ่ง CSM-1B ถูกออกแบบมาให้ทำภายในหรือไม่ Gradium ยังไม่ได้เผยแพร่การประเมินแบบหลายเทิร์น จนกว่าจะเผยแพร่ การตีความที่ปลอดภัยคือ Phonon ได้ปิดช่องว่างด้านคุณภาพภาษาอังกฤษในระดับ utterance เดียวแล้ว แต่ยังไม่ได้แสดงให้เห็นว่าสามารถสนทนาต่อเนื่องได้