Phonon vs Sesame Preview: Số tham số ít hơn 32 lần, cùng một codec, một canh bạc khác

Đặt Phonon 31M và Sesame Preview cạnh nhau, và điều đầu tiên trùng khớp là phần hạ tầng. Cả hai đều tạo ra giọng nói mono 24 kHz, đều mã hóa nó qua codec Mimi của Kyutai, và cả hai đều theo Apache 2.0. Điều thứ hai trùng khớp còn kỳ lạ hơn: checkpoint mở đằng sau Sesame Preview, Sesame CSM-1B, mang khoảng một tỷ tham số. Bên Gradium có Phonon 31M, phát hành ngày 20 tháng 10 năm 2026, mang 31 triệu tham số. Đó là khoảng cách gấp 32 lần về kích thước mô hình giữa hai hệ thống cùng xuất ra cùng tần số lấy mẫu thông qua cùng một bộ giải mã.

Khoảng cách này không phải là câu chuyện về việc tối ưu hiệu quả giành chiến thắng. Đó là câu chuyện về hai đặt cược khác nhau vào điều mà lời nói hội thoại cần. Mô hình của Sesame dành tham số của mình cho ngữ cảnh — nó được thiết kế để tiếp tục một cuộc đối thoại, đọc các lượt trước để giữ giọng nói nhất quán và giọng điệu phù hợp. Phonon gần như không dành gì cho ngữ cảnh mà dồn tất cả vào việc đủ nhỏ để chạy bên trong một tab trình duyệt, một ứng dụng điện thoại hay một Raspberry Pi. Hai bản phát hành của họ cách nhau mười chín tháng, và trong thời gian đó, phân khúc nhỏ của thị trường đã tiến rất xa.

Đầu tiên, "Sesame Preview" thực sự ám chỉ điều gì

Điều này quan trọng vì hầu hết các so sánh đều hiểu sai. Sesame Preview là sản phẩm dành cho người tiêu dùng — các giọng Maya và Miles tại sesame.com, một minh chứng cho thứ mà công ty gọi là sự hiện diện giọng nói. Các trọng số mở là một thứ riêng: Sesame CSM-1B, được công bố vào ngày 13 tháng 3 năm 2025 theo Apache 2.0, một mô hình sinh cơ sở mà Sesame nói rõ là không được tinh chỉnh trên bất kỳ giọng nói cụ thể nào. Các giọng của bản xem trước đến từ một biến thể đã được tinh chỉnh nhưng chưa bao giờ được phát hành.

Vậy nên, một người nghe so sánh bản demo Preview với checkpoint mở của Phonon là đang so sánh một sản phẩm đã được chăm chút với một mô hình thô. Đó không phải là một cuộc đối đầu công bằng, và đó lại chính là cuộc đối đầu mà hầu hết mọi người đang thực sự tiến hành. Cuộc so sánh công bằng là CSM-1B với Phonon 31M: cả hai đều có thể tải xuống, đều theo Apache 2.0, đều ưu tiên tiếng Anh, đều mở để kiểm tra.

Có một điểm phức tạp thứ hai trong thẻ Sesame. Mô hình được gắn nhãn 1B, nhưng siêu dữ liệu của Hugging Face liệt kê 2B tham số trong các tensor F32. Thẻ không giải thích sự khác biệt này. Dù thế nào, nó vẫn cao hơn Phonon một bậc độ lớn.

Cùng codec, những canh bạc trái ngược

CSM tạo mã âm thanh RVQ từ đầu vào văn bản và âm thanh bằng cách sử dụng xương sống Llama và một bộ giải mã âm thanh nhỏ hơn phát ra các mã Mimi. Kiến trúc này là một mô hình ngôn ngữ mà tình cờ biết nói: nó coi các token âm thanh như một chuỗi cần được tiếp tục, dựa trên cuộc hội thoại tính đến thời điểm đó. Đó là lý do tài liệu của Sesame nhấn mạnh rằng mô hình nghe hay nhất khi được cung cấp ngữ cảnh, và lý do cách sử dụng được khuyến nghị truyền các phân đoạn lời nói trước đó của người nói thay vì một dòng văn bản duy nhất.

Phonon là một transformer khớp luồng, dự đoán các latent trong các khung 80 mili giây, được Mimi giải mã. Nó được xây dựng dựa trên Pocket TTS. Không có trạng thái hội thoại và không có cửa sổ ngữ cảnh theo nghĩa sản phẩm — bạn đưa cho nó văn bản và một giọng nói, và nó sẽ nói. Môi trường chạy là Rust, không có PyTorch khi suy luận, với các nhánh CPU, Core ML, QNN và WebAssembly.

• Số tham số — 31M đối với Phonon 31M; được ghi nhãn 1B đối với Sesame CSM-1B, với 2B được liệt kê trong siêu dữ liệu Hugging Face.

• Đầu ra — mono 24 kHz cho cả hai.

• Codec — Mimi cho cả hai.

• Ngữ cảnh — không có cho Phonon 31M; nên dùng các đoạn hội thoại trước đó cho Sesame CSM-1B.

• Ngôn ngữ — Tiếng Anh cho cả hai, với cảnh báo từ Sesame rằng các ngôn ngữ không phải tiếng Anh còn yếu.

• Giấy phép — Apache 2.0 cho cả hai.

Các tham số của Sesame mang lại những gì

Sự hiện diện trong hội thoại không phải là một cụm từ tiếp thị; nó tương ứng với một lựa chọn kỹ thuật cụ thể. Một mô hình nhìn thấy các lượt trước đó có thể duy trì ngữ điệu xuyên qua ranh giới câu, tránh việc đặt lại về cách đọc trung tính ở mỗi phát ngôn, và giữ giọng nhân vật ổn định qua một cuộc trao đổi dài. CSM-1B được xây dựng để làm điều đó, và bản demo đã khiến Sesame nổi tiếng vào tháng 3 năm 2025 thuyết phục chính xác vì các giọng nói nghe như thể chúng đang lắng nghe.

Cái giá phải trả là bạn cần có ngữ cảnh để nhận được lợi ích. Một bản tổng hợp chỉ một dòng qua CSM-1B, không có các phân đoạn trước đó, không phải trải nghiệm mà bản demo đã quảng bá. Đó là một giọng đọc TTS làm được việc nhưng không có gì nổi bật. Các nhóm tải checkpoint về với kỳ vọng có được giọng Maya của Preview sẽ nhanh chóng phát hiện ra điều này: giọng nói không nằm trong trọng số.

Phonon đánh đổi theo hướng ngược lại. Nó không có khái niệm về cuộc hội thoại, nên nó không thể trôi dạt hay thiết lập lại — mỗi phát ngôn đều độc lập và mang tính tất định. Đối với một thông báo, lời nhắc dẫn đường hoặc câu thoại trong trò chơi, điều đó hoàn toàn đúng. Đối với một nhân vật đồng hành cần nghe như thể nhớ được câu trước đó, như vậy là chưa đủ, và không mức tốc độ nào có thể khắc phục được điều đó.

Mười chín tháng đã mang lại những gì

Con số thú vị không phải là 32×. Mà là việc một mô hình 31M phát hành vào tháng 10 năm 2026 tuyên bố có độ dễ hiểu tiếng Anh ngang tầm với các hệ thống lớn hơn hai bậc độ lớn. Đánh giá của chính Gradium về một Phonon nội bộ trước đó, khoảng 100M, báo cáo WER 1,48% trên bộ Seed-TTS tiếng Anh vào tháng 4 năm 2026, cải thiện còn 1,00% vào tháng 5. Checkpoint 31M được phát hành được tuyên bố đạt 0,51% trên Seed-TTS và 1,5% trên một bộ khó hơn trong thẻ mô hình, với 1,70% trên bộ khó trong blog công bố.

Đó là những con số do nhà cung cấp tự chạy, được tạo ra với whisper-large-v3 làm bộ phiên âm và WavLM để đo độ tương đồng giọng nói, và chúng chưa được tái lập một cách độc lập. Về phần mình, Sesame chưa từng công bố bảng WER nào cho CSM-1B. Phép so sánh thực sự quan trọng — cùng bộ kiểm thử, cùng bộ phiên âm, cả hai mô hình — không hề tồn tại công khai. Bất kỳ ai nói với bạn rằng mô hình 31M dễ hiểu hơn mô hình 1B đều đang suy diễn từ hai bộ khung đánh giá khác nhau.

Có thể nói rằng khoảng cách về tham số không còn tương ứng rõ ràng với chất lượng nữa. Vào năm 2025, một mô hình một tỷ tham số là mức tối thiểu hợp lý cho TTS tiếng Anh tự nhiên. Đến cuối năm 2026, một tệp 64 MB với 31 triệu tham số có thể được xem là đang ở cùng đẳng cấp một cách đáng tin cậy. Đó mới là thông tin thực sự trong bản phát hành của Gradium, và nó lớn hơn bất kỳ con số Elo đơn lẻ nào.

Triển khai: GPU so với một tab trình duyệt

CSM-1B là một mô hình PyTorch. Nó chạy thoải mái trên GPU, chậm trên CPU, và cần bộ nhớ hàng gigabyte chứ không phải hàng megabyte. Hugging Face Transformers đã bổ sung hỗ trợ gốc vào tháng 5 năm 2025, với suy luận theo lô và biên dịch đồ thị CUDA, điều này cho thấy triển khai dự kiến: một máy chủ, phục vụ nhiều yêu cầu.

Phonon 31M có kích thước 64,5 MB sau lượng tử hóa và chạy qua runtime Rust với các binding cho Python, Swift, JavaScript và C. Nó khởi động trong vài mili giây trên một lõi laptop Apple, khoảng 9 ms trên Neural Engine của iPhone 16 Pro và 68 ms trên Raspberry Pi 5 theo số liệu trong README — 38 ms trong blog phát hành. Nó có thể chạy trong một tab trình duyệt thông qua WebAssembly. Nó không thể phục vụ một nghìn người dùng đồng thời từ một GPU, vì đó không phải mục đích của nó.

Đây là cách rõ ràng nhất để lựa chọn giữa chúng. Nếu giọng nói nằm trong trung tâm dữ liệu và phục vụ nhiều người dùng, kiến trúc của CSM-1B phù hợp hơn. Nếu giọng nói nằm trong thiết bị của người dùng và phục vụ một người, kiến trúc của Phonon phù hợp hơn.

Danh tính giọng nói và sự đồng ý

Mô hình mở của Sesame tạo ra nhiều giọng nói khác nhau nhưng không phải là hệ thống nhân bản ngay từ đầu; thẻ mô hình mô tả nó như một mô hình tạo giọng nền tảng và chỉ ra ngữ cảnh là cách để giữ giọng nói nhất quán. Gradium cung cấp 37 giọng tiếng Anh tích hợp với Phonon 31M, một danh mục lớn hơn tại gradium/phonon-voices, và hỗ trợ các tệp giọng nói tùy chỉnh ở định dạng .safetensors.

Cả hai nhà cung cấp đều công bố ngôn từ về sử dụng được chấp nhận nhằm cấm mạo danh và lừa dối. Không bên nào công bố cơ chế xác minh nguồn gốc kỹ thuật — không hình mờ, không siêu dữ liệu được ký, không API phát hiện — trong tài liệu có sẵn tính đến ngày 23 tháng 10. Đối với bất kỳ ai triển khai một trong hai mô hình trong sản phẩm hướng tới khách hàng, đó là một câu hỏi tuân thủ còn bỏ ngỏ, chưa được giải quyết.

Nơi bản Xem trước vẫn chiếm ưu thế

Nếu sản phẩm là một người bạn đồng hành trò chuyện — một nhân vật nói chuyện với người dùng qua nhiều lượt và cần nghe như cùng một người xuyên suốt — thì cách tiếp cận của Sesame vẫn là lựa chọn phù hợp trực tiếp hơn. Điều kiện hóa ngữ cảnh chính là tính năng, và Phonon không có thứ tương đương. Bản Preview cũng có độ hoàn thiện đến từ một quá trình tinh chỉnh được tuyển chọn kỹ và một dàn giọng nói được tuyển chọn kỹ, điều mà không checkpoint mở nào tái tạo được.

Nếu sản phẩm cần giọng nói trên thiết bị, trong trình duyệt, ngoại tuyến hoặc ở mức độ trễ mà mạng không thể đáp ứng, Phonon là bản phát hành hữu ích hơn. Đây cũng là bản dễ kiểm tra hơn: runtime nằm trên GitHub, trọng số là một tệp 64 MB duy nhất, và giấy phép là Apache 2.0 không có cổng hạn chế.

Phần mà không mô hình nào xử lý được

Sesame Preview không có API công khai, nghĩa là một nhóm muốn đưa giọng nói của nó vào sản phẩm thì không thể chỉ gọi nó đơn giản được. Bản demo chỉ là một buổi trình diễn. Để xây dựng dựa trên nghiên cứu của Sesame, bạn phải tự chạy CSM-1B, và điều đó lại kéo theo GPU cùng việc lắp ghép ngữ cảnh.

Phonon chỉ xử lý tổng hợp giọng nói và không làm gì khác. Trong một trợ lý thực thụ, văn bản mà nó đọc được tạo ra bởi một mô hình ngôn ngữ, và trạng thái hội thoại mà mô hình của Sesame sẽ tiêu thụ phải được tập hợp ở đâu đó. OrcaRouter không phải nhà cung cấp dịch vụ giọng nói và không lưu trữ cả hai mô hình này — Phonon chạy cục bộ và trọng số của Sesame chạy trên phần cứng của bạn. Điều nó bao phủ là lớp văn bản mà các hệ thống đó phụ thuộc vào: một điểm cuối cho hơn 200 mô hình, giá niêm yết của nhà cung cấp được chuyển nguyên với mức chênh lệch 0%, và chuyển đổi dự phòng giữa các nhà cung cấp để một sự cố đơn lẻ không làm trợ lý im lặng. Giọng nói có thể ở lại trên thiết bị; phần suy nghĩ thì không nhất thiết phải vậy.

Câu hỏi còn bỏ ngỏ

Sesame đặt cược rằng chính ngữ cảnh hội thoại là thứ phân biệt giọng nói tổng hợp với một giọng nói mà bạn tin. Gradium đặt cược rằng phần lớn giọng nói trong phần mềm không cần một cuộc hội thoại — nó cần một lời nhắc, một giọng đọc và không cần vòng khứ hồi nào — và rằng một mô hình đủ nhỏ để nhúng có thể giành chiến thắng ở những nơi mà TTS đám mây chưa từng vươn tới.

Cả hai đặt cược đều có thể đúng. Phép thử trong năm tới là liệu một mô hình 31M có thể giữ được nhân vật qua nhiều lượt mà không cần điều kiện hóa ngữ cảnh hay không, hay các nhóm rốt cuộc sẽ phải ghép một mô hình TTS nhỏ với một lớp trạng thái riêng đảm nhận công việc mà CSM-1B được thiết kế để làm bên trong. Gradium chưa công bố đánh giá đa lượt. Cho đến khi họ làm vậy, cách hiểu an toàn là Phonon đã thu hẹp khoảng cách về chất lượng tiếng Anh ở cấp một phát ngôn và chưa chứng minh được rằng nó có thể duy trì một cuộc hội thoại.