Phonon 与 Sesame Preview：参数量仅为 1/32，相同的编解码器，不同的押注

将 Phonon 31M 和 Sesame Preview并排放在一起，首先吻合的是底层管线。两者都生成 24 kHz 单声道语音，都通过 Kyutai 的 Mimi 编解码器进行编码，而且都是 Apache 2.0。第二个吻合之处更奇怪：Sesame Preview 背后的开放检查点，Sesame CSM-1B，拥有约十亿参数。Gradium 的 Phonon 31M于 2026 年 10 月 20 日发布，拥有 3100 万参数。对于两个通过同一解码器输出相同采样率的系统来说，这是模型规模上 32 倍的差距。

这一差距并不是一个关于效率取胜的故事，而是一个关于对话式语音究竟需要什么的两套不同押注的故事。Sesame 的模型把参数花在上下文上——它被设计用来延续对话，读取先前的轮次以保持音色一致、语气得当。Phonon 几乎不在上下文上花费，而是把所有资源都用在足够小上，小到能在一个浏览器标签页、一个手机应用或一台 Raspberry Pi 中运行。两者的发布相隔十九个月，而在这段时间里，市场的小型化一端已经走出了很远。

首先，“Sesame Preview”实际上指的是什么

这一点很重要，因为大多数对比都弄错了。Sesame Preview 是消费级产品——sesame.com 上的 Maya 和 Miles 声音，是对该公司所称“声音临场感”的演示。开放权重则是另一回事：Sesame CSM-1B，于 2025 年 3 月 13 日以 Apache 2.0 许可发布，是一个基础生成模型，Sesame 明确表示它并未针对任何特定声音进行微调。预览版的声音来自一个从未发布的微调变体。

因此，听众把 Preview 演示与 Phonon 的开源检查点相比，等于拿一个经过精挑细选的产品去比一个原始模型。这不是一场公平的较量，而这恰恰是大多数人实际在进行的那种比较。公平的比较应该是 CSM-1B 对 Phonon 31M：两者都可下载，都采用 Apache 2.0 许可，都以英语为优先，也都开放供人查验。

Sesame 的模型卡中还有第二个疑点。该模型标称为 1B，但 Hugging Face 元数据在 F32 张量中列出了 2B 参数。模型卡并未解释这一差异。无论哪种情况，它都比 Phonon 高出一个数量级。

相同的编解码器，截然相反的押注

CSM 使用 Llama 主干网络和一个更小的、会输出 Mimi 码的音频解码器，从文本和音频输入生成 RVQ 音频码。其架构是一个恰好会说话的语言模型：它把音频 token 视为一个待续写的序列，并以截至当前的对话为条件。这就是为什么 Sesame 的文档坚持认为，在提供上下文时模型听起来效果最好，也是为什么推荐用法会传入先前的说话人片段，而不是单行文本。

Phonon 是一个流匹配 Transformer，以 80 毫秒帧预测潜变量，并由 Mimi 解码。它基于 Pocket TTS 构建。产品意义上不存在对话状态，也没有上下文窗口——你给它文本和声音，它就会说话。运行时使用 Rust，推理时不依赖 PyTorch，并提供 CPU、Core ML、QNN 和 WebAssembly 路径。

• 参数量 — Phonon 31M 为 31M；Sesame CSM-1B 标称为 1B，而 Hugging Face 元数据中列为 2B。

• 输出 — 两者均为 24 kHz 单声道。

• 编解码器 — 两者均使用 Mimi。

• 上下文 — Phonon 31M 无；Sesame CSM-1B 建议使用先前的对话片段。

• 语言 — 两者均为英语，Sesame 警告称非英语表现较弱。

• 许可证 — 两者均为 Apache 2.0。

Sesame 的参数换来了什么

对话临场感不是营销话术，而对应着一项具体的技术选择。一个能看到前几轮对话的模型，可以把韵律延续到句子边界之外，避免每说一句都重置为中性朗读，并在长时间交流中保持角色音色稳定。CSM-1B 正是为此而构建，而让 Sesame 在 2025 年 3 月广为人知的那个演示之所以有说服力，恰恰是因为那些声音听起来像是在倾听。

代价是，你需要上下文才能获得收益。通过 CSM-1B 进行单行合成、且没有任何先前片段时，这并不是演示所宣传的体验。它只是一次合格但平淡无奇的 TTS 朗读。下载检查点、期待获得 Preview 中 Maya 声音的团队很快就会意识到：声音并不在权重里。

Phonon 做出了相反的取舍。它没有对话的概念，因此不会漂移或重置——每一句话都是独立且确定性的。对于通知、导航提示或游戏台词来说，这完全正确。但对于一个需要听起来像记得上一句话的陪伴角色来说，这还不够，再快的速度也无法弥补。

十九个月换来了什么

有意思的数字不是 32×。而是：一个 2026 年 10 月发布的 31M 模型声称，其英语可懂度与规模大两个数量级的系统处于同一水平。Gradium 对更早的约 100M 内部 Phonon 所做的自家评估报告称，2026 年 4 月在英语 Seed-TTS 集上的 WER 为 1.48%，到 5 月改善至 1.00%。已发布的 31M 检查点在模型卡中声称在 Seed-TTS 上为 0.51%，在更难的数据集上为 1.5%，而发布博客中称在难集上为 1.70%。

这些是厂商自行运行得出的数字，使用 whisper-large-v3 作为转写器、WavLM 用于说话人相似度，并且尚未被独立复现。Sesame 方面则从未发布过 CSM-1B 的 WER 表。真正重要的比较——相同测试集、相同转写器、两个模型——在公开领域并不存在。任何告诉你 31M 模型比 1B 模型可懂度更高的人，都是在根据两套不同的评测框架进行外推。

可以说的是，参数规模差距不再能清晰地对应质量差异。2025年，十亿参数模型是自然英语 TTS 的合理最低门槛。到2026年底，一个64 MB、3100万参数的文件已可信地处于同一讨论范畴。这才是 Gradium 发布中的真正新闻，而且它比任何单个 Elo 数值都更重要。

部署方式：GPU 与浏览器标签页对比

CSM-1B 是一个 PyTorch 模型。它能在 GPU 上流畅运行，在 CPU 上则运行缓慢，并且它需要的是以 GB 计的内存，而非以 MB 计。Hugging Face Transformers 于 2025 年 5 月添加了原生支持，包括批量推理和 CUDA 图编译，这说明了其预期的部署方式：一台服务器，服务大量请求。

Phonon 31M 量化后为 64.5 MB，通过 Rust 运行时运行，并提供 Python、Swift、JavaScript 和 C 的绑定。在 Apple 笔记本电脑的一个核心上，它的启动时间为个位数毫秒；在 iPhone 16 Pro 神经引擎上约为 9 毫秒；在 Raspberry Pi 5 上，README 中的数据为 68 毫秒，发布博客中为 38 毫秒。它可以通过 WebAssembly 在浏览器标签页中运行。它无法用一块 GPU 服务一千个并发用户，因为它的用途并非如此。

这是二者之间做选择的最简洁方式。如果语音位于数据中心、服务于众多用户，那么 CSM-1B 的架构更合适；如果语音位于用户设备上、只服务于一个人，那么 Phonon 的架构更合适。

语音身份与同意

Sesame 的开源模型能生成多种声音，但并非开箱即用的克隆系统；其模型卡将其定位为基础生成模型，并指出可通过上下文来保持声音一致。Gradium 随 Phonon 31M 提供 37 个内置英语声音，在 gradium/phonon-voices 提供更大的目录，并支持 .safetensors 格式的自定义声音文件。

两家供应商都发布了禁止冒充与欺骗的可接受使用条款。但在截至10月23日可获取的材料中，二者均未公布任何技术溯源机制——没有水印，没有签名元数据，也没有检测API。对于任何要将其中任一模型部署到面向客户的产品中的人来说，这仍是一个悬而未决的合规问题，而非已经解决的问题。

Preview 仍然胜出的地方

如果产品是一个对话式陪伴——一个能跨多轮与用户交谈、并且需要始终听起来像同一个人的角色——那么 Sesame 的方法仍然是更直接的选择。上下文条件化正是它的特性，而 Phonon 没有对应能力。Preview 还具有一种来自精心微调和精心挑选的配音阵容的精致感，这是任何开放检查点都无法复现的。

如果产品需要在设备上、浏览器中、离线状态下，或是以网络无法匹敌的延迟提供语音，那么 Phonon 是更有用的发布版本。它也是更便于审查的版本：运行时在 GitHub 上，权重是单个 64 MB 文件，许可证是 Apache 2.0，且没有准入门槛。

两个模型都处理不了的部分

Sesame Preview 没有公开的 API，这意味着想要把它的语音集成到产品中的团队无法直接调用它。这个 demo 只是一个演示。要基于 Sesame 的研究进行构建，就意味着你需要自己运行 CSM-1B，而这又会重新带来 GPU 和上下文组装的问题。

Phonon 只负责合成，别的什么都不做。在真实的助手系统中，它说出的文本由语言模型生成，而 Sesame 模型要使用的对话状态必须在某个地方组装起来。OrcaRouter 不是语音提供商，也不托管这两个模型中的任何一个——Phonon 在本地运行，Sesame 的权重在你的硬件上运行。它真正覆盖的是这些系统所依赖的文本层：一个端点支持 200 多个模型，按提供商标价透传，0% 加价，并支持跨提供商故障转移，因此单次服务中断不会让助手沉默。语音可以留在设备上；思考则不必如此。

悬而未决的问题

Sesame 押注的是：对话上下文才是合成语音与你愿意相信的声音之间的分水岭。Gradium 押注的则是：软件中的大多数语音并不需要一场对话——它需要的是一条提示词、一个音色，以及无需往返请求——而一个小到足以嵌入的模型，就能在云端 TTS 从未触及的场景中取胜。

两种押注都可能成立。未来一年的考验是：一个 31M 模型能否在不依赖上下文条件化的情况下保持多轮角色一致性，还是团队最终会把一个小型 TTS 模型与一个独立状态层配对，由后者承担 CSM-1B 原本设计在内部完成的工作。Gradium 尚未发布多轮评估。在此之前，稳妥的解读是：Phonon 已在单句英语质量上缩小了差距，但尚未证明它能支撑对话。