Phonon 與 Sesame Preview 對比：參數少 32 倍、相同的 Codec，不同的賭注

將Phonon 31M與Sesame Preview並排放在一起，首先吻合的是底層管線。兩者都產生 24 kHz 單聲道語音，都透過 Kyutai 的 Mimi 編解碼器進行編碼，且兩者都是 Apache 2.0。第二個吻合之處更奇怪：Sesame Preview 背後的開放檢查點，Sesame CSM-1B，擁有約十億個參數。Gradium 的 Phonon 31M，於 2026 年 10 月 20 日發布，擁有 3,100 萬個參數。對於兩個透過相同解碼器輸出相同取樣率的系統而言，這是模型大小上 32 倍的差距。

這個落差並不是一個關於效率勝出的故事，而是一個關於兩種不同押注的故事——押注對話語音究竟需要什麼。Sesame 的模型把參數花在上下文上——它的設計宗旨在於延續對話，透過讀取先前的輪次來維持聲音的一致與語調的合宜。Phonon 幾乎不把資源花在上下文上，而是把一切投注在「小到足以在瀏覽器分頁、手機應用程式或 Raspberry Pi 裡運行」。兩者的發布相隔十九個月，而在这段時間裡，市場的小型端已經走了很長一段路。

首先，「Sesame Preview」實際上指的是什麼

這件事很重要，因為大多數比較都搞錯了。Sesame Preview 是消費級產品——也就是 sesame.com 上的 Maya 和 Miles 聲音，用來展示該公司所謂的語音臨場感。開放權重則是另一回事：Sesame CSM-1B，於 2025 年 3 月 13 日以 Apache 2.0 授權發布，是一個基礎生成模型，Sesame 明確表示它並未針對任何特定聲音進行微調。預覽版中的聲音來自一個從未發布的微調變體。

因此，聽眾若把 Preview 示範拿來和 Phonon 的開放檢查點相比，就是在把一個經過精選的產品拿來和原始模型相比。這不是一場公平的較量，而這正是大多數人實際上在進行的較量。公平的比較應該是 CSM-1B 對上 Phonon 31M：兩者都可下載、都採用 Apache 2.0、都以英文為優先，且都可供檢視。

Sesame 的模型卡還有第二個蹊蹺。該模型標示為 1B，但 Hugging Face 的中繼資料卻列出 F32 張量中有 2B 個參數。模型卡並未解釋這項落差。無論如何，它仍比 Phonon 高出一個數量級。

同樣的編解碼器，截然相反的押注

CSM 使用 Llama 主幹與較小的音訊解碼器，從文字和音訊輸入生成 RVQ 音訊碼，而該解碼器會輸出 Mimi 碼。此架構是一個恰好能說話的語言模型：它將音訊 token 視為一段待續的序列，並以截至目前為止的對話作為條件。這就是為什麼 Sesame 的文件強調，模型在獲得上下文時聽起來最好，也是為什麼建議用法會傳入先前的說話者片段，而非單一行文字。

Phonon 是一個流匹配 Transformer，以 80 毫秒幀預測潛在表徵，並由 Mimi 解碼。它建立在 Pocket TTS 之上。產品意義上沒有對話狀態，也沒有上下文視窗——你給它文字和聲音，它就說話。執行環境是 Rust，推論時不使用 PyTorch，並具備 CPU、Core ML、QNN 與 WebAssembly 路徑。

• 參數 — Phonon 31M 為 31M；Sesame CSM-1B 對外標示為 1B，而 Hugging Face 中繼資料則列為 2B。

• 輸出 — 兩者皆為 24 kHz 單聲道。

• 編解碼器 — 兩者皆採用 Mimi。

• 上下文 — Phonon 31M 無需上下文；Sesame CSM-1B 建議使用先前的對話片段。

• 語言 — 兩者皆為英文，並由 Sesame 警告非英文的表現較弱。

• 授權 — 兩者皆為 Apache 2.0。

Sesame 的參數換來了什麼

對話臨場感並非行銷用語，而是對應到一項具體的技術選擇。一個能看見先前輪次的模型，可以讓韻律跨越句子邊界延續，避免在每次發話時重置為中性朗讀，並在長時間交流中維持角色聲音的穩定。CSM-1B 正是為此而打造，而讓 Sesame 在 2025 年 3 月聲名大噪的示範之所以有說服力，正是因為那些聲音聽起來像是在聆聽。

{{1}}代價是，你需要上下文才能獲得效益。{{/1}} {{2}}透過 CSM-1B 進行單行合成、沒有先前的語段，並不是這個示範所推銷的體驗。{{/2}} {{3}}這是一段稱職但平庸的 TTS 朗讀。{{/3}} {{4}}下載檢查點、期待得到 Preview 的 Maya 聲音的團隊很快就會發現：聲音並不在權重裡。{{/4}}

Phonon 則做出相反的取捨。它沒有對話的概念，因此不會漂移或重置——每一句話都是獨立且確定性的。對於通知、導航提示或遊戲對白來說，這正是恰到好處。對於需要聽起來像記得上一句話的陪伴型角色來說，這就不夠了，而且再快的速度也無法彌補。

十九個月換來了什麼

有趣的數字不是 32×。而是：一款於 2026 年 10 月發布的 31M 模型，宣稱其英文可懂度與大上兩個數量級的系統處於同一水平。Gradium 自己對較早一款約 100M 的內部 Phonon 的評估顯示，2026 年 4 月在英文 Seed-TTS 集上的 WER 為 1.48%，到 5 月改善至 1.00%。已發布的 31M checkpoint 在模型卡中宣稱於 Seed-TTS 上為 0.51%、在更難的集合上為 1.5%，而發布部落格中則稱在該難集上為 1.70%。

那些是廠商自行跑出的數字，是以 whisper-large-v3 作為轉錄器、WavLM 用於說話者相似度所產生，且尚未被獨立重現。Sesame 方面則從未公布 CSM-1B 的 WER 表。真正重要的比較——相同測試集、相同轉錄器、兩個模型——在公開資料中並不存在。任何告訴你 31M 模型比 1B 模型更易理解的人，都是在從兩套不同的測試框架外推。

可以說的是，參數規模的差距已不再與品質形成清晰的對應關係。2025 年時，十億參數模型是自然英語 TTS 的合理最低門檻。到了 2026 年底，一個 64 MB、具 3,100 萬參數的檔案，確實有資格被拿來相提並論。這才是 Gradium 此次發布的真正重點，而其意義大於任何單一 Elo 分數。

部署：GPU 與瀏覽器分頁之比較

CSM-1B 是一個 PyTorch 模型。它在 GPU 上執行起來相當順暢，在 CPU 上則很慢，而且它需要的記憶體是以 GB 為單位，而非 MB。Hugging Face Transformers 於 2025 年 5 月加入原生支援，包含批次推論與 CUDA 圖編譯，這說明了它預設的部署方式：一台伺服器，服務大量請求。

Phonon 31M 量化後為 64.5 MB，透過 Rust 執行環境運行，並提供 Python、Swift、JavaScript 與 C 的繫結。在 Apple 筆電核心上，它以個位數毫秒啟動；在 iPhone 16 Pro 神經引擎上約 9 ms；在 Raspberry Pi 5 上，README 的數據為 68 ms，發布部落格則為 38 ms。它可透過 WebAssembly 在瀏覽器分頁中運行。它無法用單一 GPU 服務上千名同時使用者，因為那並非它的用途。

這是從中抉擇最乾淨俐落的方式。如果語音位於資料中心並服務眾多使用者，CSM-1B 的架構更合適。如果語音位於使用者裝置上並只服務一個人，那麼 Phonon 的架構更合適。

語音身分與同意

Sesame 的開放模型能產生多種聲音，但本身並非開箱即用的聲音複製系統；其模型卡將其定位為基礎生成模型，並指出可透過上下文來保持聲音一致。Gradium 隨 Phonon 31M 提供 37 種內建英語聲音，在 gradium/phonon-voices 設有更大的目錄，並支援 .safetensors 格式的自訂聲音檔案。

兩家供應商都發布了可接受使用條款，禁止冒充與欺騙行為。但截至 10 月 23 日可取得的資料中，雙方都未公布任何技術性的來源證明機制——沒有浮水印、沒有簽署的中繼資料、沒有偵測 API。對任何要在面向客戶的產品中部署其中任一模型的人來說，這是一個尚未解決的合規問題，而不是已經解決的問題。

預覽仍勝出的地方

如果產品是對話夥伴——一個會與使用者進行多輪對話、且全程需要聽起來像同一個人的角色——那麼 Sesame 的做法仍是更貼合的選擇。上下文條件化正是其特色，而 Phonon 沒有對應功能。Preview 也具備一種精緻度，這種精緻度來自精心策劃的微調與精選的配音陣容，這是任何開放檢查點都無法重現的。

如果產品需要在裝置上、瀏覽器中、離線環境，或是在網路無法匹敵的延遲下提供語音功能，Phonon 是更有用的版本。它也是更容易檢視的版本：執行環境在 GitHub 上，權重是單一 64 MB 檔案，授權是 Apache 2.0，沒有使用門檻。

兩個模型都無法處理的部分

Sesame Preview 沒有公開 API，這意味著想把它的語音放進產品裡的團隊無法直接呼叫它。這個 demo 只是示範。要延續 Sesame 的研究，就得自行執行 CSM-1B，而這又回到了 GPU 與上下文組裝的問題。

Phonon 只負責語音合成，不處理其他事情。在真實的助理中，它說出的文字是由語言模型產生的，而 Sesame 模型會取用的對話狀態必須在某處組裝起來。OrcaRouter 不是語音供應商，也不託管這兩個模型——Phonon 在本機執行，Sesame 的權重則在你的硬體上執行。它涵蓋的是這些系統所依賴的文字層：單一端點支援超過 200 個模型，供應商牌價以 0% 加價原樣提供，並能跨供應商容錯切換，因此單一服務中斷不會讓助理噤聲。語音可以留在裝置上；思考則不必如此。

未解決的問題

Sesame 押注的是：對話脈絡才是區分合成語音與「你會信以為真」的嗓音的關鍵。Gradium 押注的是：軟體中大多數語音並不需要一場對話——它需要的是一段提示、一個聲音，而且不必往返雲端——而一個小到足以嵌入的模型，能夠贏下雲端 TTS 始終觸及不到的那些場景。

兩種押注都可能是對的。未來一年的考驗是：31M 模型能否在沒有上下文條件化的情況下維持多輪角色，或者團隊最終是否會把小型的 TTS 模型與一個獨立的狀態層搭配，來執行 CSM-1B 原本設計要在內部完成的工作。Gradium 尚未發布多輪評估。在它發布之前，穩妥的解讀是：Phonon 已在單句英語品質上縮小差距，但尚未證明它能支撐一段對話。