LFM3-Audio-2B مقابل Sesame Preview: التحميل والتطبيق ليسا الخيار نفسه

Sesame Preview هو الصوت الذي يصفه الناس بأنه بشري. LFM3-Audio-2B هو نقطة تحقق بسعة 2B يمكنك تنزيلها وتشغيلها على حاسوب محمول. ضعهما في الجملة نفسها وسيحدث شيء مفيد: تتوقف المقارنة عن كونها حول أيّهما يبدو أفضل، وتصبح سؤالين منفصلين — هل يمكنك إطلاقه، وهل يمكنك قياسه؟ يفشل Sesame Preview في الأول. ويفشل LFM3-Audio-2B، الذي أطلقته Liquid AI في 27 أكتوبر 2026 ضمن عائلة LFM3 المكوّنة من ستة نماذج، في الثاني. لا يُعد أي من الفشلين فضيحة. إنهما نوعان مختلفان من المنتجات، ومعظم الفرق تكتشف أيّهما تحتاج فقط بعد أن تبدأ البناء.

التباين جدير بالذكر بوضوح قبل التفاصيل. فصوت Sesame الإنتاجي لا يملك API ولا معرّف نموذج ولا فئة مخصصة للمؤسسات؛ بل يعيش داخل تطبيق iOS وAndroid يضم أربعة وكلاء مسمّين، وذاكرة، وموصلات، ومنذ أكتوبر، القدرة على تنسيق وكلاء آخرين. أما LFM3-Audio-2B فلا يملك تطبيقًا على الإطلاق. لديه أوزان، وبطاقة نموذج، وطلب سحب مدمج لـ llama.cpp، وبناء Ollama بحجم 2.1 غيغابايت. أحدهما مكان تقضي فيه فترة بعد الظهر، والآخر ملف يمكنك إدراجه في منتج.

السؤال الأول: هل يمكنك شحنه؟

بالنسبة إلى LFM3-Audio-2B، الجواب نعم، مع تحفظات. تسمح رخصة LFM Open License v1.0 بالاستخدام التجاري عند إيرادات سنوية أقل من $10M وتتطلب ترخيصًا مدفوعًا فوق ذلك. الأوزان متاحة على Hugging Face؛ وTransformers 5.20.2 أو أحدث مع trust_remote_code هو مسار Python؛ ودُمج دعم llama.cpp في PR #31257؛ ويغطي MLX 4-bit معالجات Apple silicon؛ ويغطي ONNX Runtime قابلية النقل. المدخل نص أو صوت بمعدل 16 kHz، والمخرج نص، أو كلام بمعدل 24 kHz، أو نص وكلام متداخلان. السياق 32K رمزًا ويغطي الاتجاهين — وليس رقم 256K الذي يخص نموذج النص — ويسرد النموذج 18 لغة عبر 19 إعدادًا محليًا، مع ASR مباشر باللغة الإنجليزية فقط.

بالنسبة لـ Sesame Preview، الإجابة هي لا، والسبب بنيوي لا تجاري. لا توجد نقطة نهاية للصوت الإنتاجي. لا يوجد سعر، لأنه لا يوجد شيء لشرائه. التطبيق مجاني، والمكالمات محددة بحد أقصى 30 دقيقة ينخفض إلى خمس دقائق عند تسجيل الخروج، والوكلاء الأربعة هم المنتج. إذا أردت سلوكًا على شكل Sesame في تطبيقك الخاص، فلا يمكنك الحصول عليه.

ما أصدرته Sesame هو CSM-1B، نقطة تحقق بحثية بترخيص Apache-2.0. إنه مكوّن لتوليف الصوت، وليس مساعدًا: يتنبأ العمود الفقري Llama بأول كتاب شيفرات في Mimi، ويتنبأ مفكك ترميز أصغر بالباقي، ويُقدَّم ذلك عبر مرمّز Mimi بتردد 24 كيلوهرتز. وهو مخصص للغة الإنجليزية فقط، ويستنسخ صوتًا من مقطع مرجعي مدته 10 إلى 15 ثانية، ولا يمكنه توليد نص — بل تقرنه بنموذج لغوي. وتصرّح بطاقته على Hugging Face بالجزء الذي يُترك عادةً دون قول: إن نسخة مُضبوطة بدقة من CSM تشغّل العرض التفاعلي، وتلك النسخة ليست نقطة التحقق التي يمكنك تنزيلها. سجّلت البطاقة نحو 130,000 عملية تنزيل في الشهر الماضي ونحو 2,500 إعجاب، ما يدل على أن الناس يجرّبونه. لكنها لا تخبرك بأنهم يحصلون على الصوت من التطبيق.

السؤال الثاني: هل يمكنك قياسه؟

تنشر LFM3-Audio-2B جدولاً من ستة صفوف خاصاً بالمورّد، وجميعها مقارنةً بـ LFM2.5-Audio-1.5B، دون تسمية مجموعة اختبار أو أداة تقييم. الصفوف المهمة هنا هي UTMOSv2 للتحويل النصي إلى الكلام بالإنجليزية عند 3.83 مقابل 3.22، وVoiceBench عند 73.13 مقابل 55.17، وفهم الصوت MMAR عند 50.60 مقابل 25.85، ومعدل خطأ الكلمات (WER) في التعرف التلقائي على الكلام الإنجليزي عند 6.23 مقابل 6.13، وWER/CER متعدد اللغات عند 6.03، وتقييم داخلي لاستدعاء الأدوات عند 58.50. تحرّك UTMOS كبير — 0.6 نقطة على مقياس يُعامَل فيه 4.0 عادةً كقريب من البشر — وصف ASR ثابت، وهو أكثر ما يبعث على الثقة في الجدول: فالمورّد الذي يبلغ عن عدم تحسّن في محور واحد لا يقوم، على الأقل، بتجميل الجدول لخدمة سردية.

لا يوجد أي شاهد مستقل على أي من ذلك. لم نتمكن من العثور على أي إعادة إنتاج من طرف ثالث لأي صف، كما أن الأرقام تقارن نموذجًا بسابقه، لا ببقية النماذج في المجال. وبالمقارنة مع الإدخالات الأخرى في جدول Liquid نفسه، فإن LFM3-Audio-2B نموذج صغير جيد وليس رائدًا: يسجّل Voxtral Mini 3B معدل خطأ كلمات (WER) قدره 5.51 ويسجّل NVIDIA Audex 2B نسبة 5.99، ويحقق Qwen2.5-Omni 3B نتيجة 54.41 في فهم الصوت، ويحقق Gemma 4 E4B نتيجة 72.40 في استدعاء الأدوات.

لا يمتلك Sesame Preview أي رقم قابل للمقارنة على الإطلاق. ادعاء الجودة لديه هو انطباع بالاستماع — انطباع قوي بما يكفي ليصبح النقطة المرجعية للصوت الحواري في 2026، وانطباع لم يقيّمه طرف ثالث قط بالنسبة للنموذج الإنتاجي. هذا ليس دليلًا على أن الصوت سيئ. بل دليل على أن الشيء الذي يمدحه الجميع هو الشيء الوحيد في هذه المواجهة الذي لا يستطيع أحد قياسه.

هذا الانقلاب هو الجزء النادر. عادةً يكون المنتج المغلق هو صاحب السجل الحافل، ونقطة التحقق المفتوحة هي التي لم يقيّمها أحد. هنا، النموذج المفتوح هو الوحيد الذي يمكنك تقييمه، والمنتج المغلق هو الوحيد الذي لديه قاعدة مستخدمين حقيقية. كلتا العبارتين صحيحتان في الوقت نفسه، ولا أيٌّ منهما يحسم ما إذا كان الصوت جيدًا.

ترميزان، رهانان تصميميان

إن الفرق الأكثر تقنية بين هذه الأنظمة هو أيضًا الأكثر إثارة للاهتمام، لأن كلتا الشركتين راهنتا على كوديك، والرهانات تشير في اتجاهين متعاكسين.

يحزم LiquidCodec 80 ms من الكلام في 12 رمزًا منفصلًا، ويفك ترميزه عائدًا إلى 24 kHz مع دعم البث. وتقيسه Liquid بنحو 87× الزمن الحقيقي على خيط CPU واحد من M4 Max، والمشفّر الصوتي السببي هو ما يتيح التعبئة المسبقة بينما لا يزال الشخص يتحدث — وهو مصدر الادعاء بزمن الوصول إلى أول رمز «قد يصل إلى 50 ms». هذان الرقمان قياسان من الشركة المصنّعة على عتاد Apple مسمّى، دون أداة اختبار ودون مئين إحصائي. وهما يصفان أفضل حالة. لن تحققهما هاتف أو Raspberry Pi أو جهاز افتراضي x86 مشترك، ولا يذكر أي شيء في الإصدار ما ستحققه بدلًا منهما.

يستخدم CSM الخاص بـ Sesame مُرمِّز Mimi من Kyutai بتردد 24 كيلوهرتز، مع عمود فقري Llama يتنبأ بدفتر الشيفرة الأول ومفكك ترميز عمق أصغر يتنبأ بالباقي. هدف التصميم هو تركيب تعبيري من مقطع مرجعي قصير، وتشير سمعة التطبيق إلى أنه ينجح في ذلك. الفجوة بين CSM-1B وصوت الإنتاج هي جوهر الحجة: البنية معروفة علنًا، أما الضبط الدقيق الذي يجعله يبدو مثل Sesame فليس كذلك.

ما يعنيه ذلك لمن يبني تطبيقًا بسيط: يمنحك Liquid خط الأنابيب كاملًا وترخيصًا، بينما توفّر أنت التقييم. أما Sesame فيمنحك نتاجًا بحثيًا وعرضًا تجريبيًا، وتوفّر أنت المنتج، ولا يمكنك إدراج العرض التجريبي داخله.

حيث يتداخل الاثنان فعليًا

هناك تداخل واحد فقط، وهو إخراج الصوت. كلاهما يستطيع التحدث. الفروق داخل هذا التداخل عملية:

• اللغات — يدّعي LFM3-Audio-2B دعمه لـ18 لغة عبر 19 نسخة لغوية، مع كون الترجمة أقوى ما تكون من الإنجليزية أو إليها. أما Sesame Preview فهو رسميًا بالإنجليزية فقط؛ فيما تُدرج إرشادات التطبيق نفسه الفرنسية والإيطالية والألمانية والإسبانية والصينية واليابانية والكورية ضمن خانة "المبكرة". أما CSM-1B فهو بالإنجليزية فقط.

• التحكم الصوتي — LFM3-Audio-2B: صوت يُختار عبر التوجيه النصي، ولا توجد أي عملية منشورة لاستنساخ الصوت في بطاقة المنتج. CSM-1B: الاستنساخ من مقطع مرجعي مدته 10 إلى 15 ثانية، وهو ميزته الأساسية.

• المحادثة — LFM3-Audio-2B: طلب واستجابة مع البث؛ لا ادعاء بالمقاطعة. Sesame Preview: مبنية حول التردد والمقاطعة وتبادل الأدوار، وهي الجودة التي صنعت سمعتها.

• ما يمكنك تشغيله — LFM3-Audio-2B: 2.1 GB، يعمل على CPU، دون اتصال. Sesame: تطبيق، عبر الإنترنت، مع حد أقصى للمكالمات.

إذا كان منتجك يحتاج إلى صوت يمكن مقاطعته، فليست هذه مقارنة متكافئة: فـ Sesame يمتلك هذا السلوك، بينما لا تدّعي Liquid ذلك. وإذا كان منتجك يحتاج إلى صوت باللغة السويدية أو الهولندية، أو يحتاج إلى العمل دون شبكة، فلا يمكن لـ Sesame المساعدة، بينما يستطيع LFM3-Audio-2B ذلك.

ما يمكن أن يفعله جهاز التوجيه وما لا يمكنه فعله هنا

لا يوجد أي من النموذجين على OrcaRouter، ويجدر بنا أن نكون دقيقين بشأن سبب عدم وصول عرض التوجيه المعتاد إلى طبقة الكلام. فـ LFM3-Audio-2B نقطة تحقق تشغّلها بنفسك، أما Sesame Preview فهو تطبيق. ولا توجد نقطة نهاية صوتية مستضافة لأي منهما يمكن التبديل إليها عند الفشل.

الطبقة التي تعلوهما هي حيث يثبت التوجيه قيمته. لا يزال المنتج الصوتي المبني على أي من النموذجين يعهد بالعمل إلى نماذج نصية — تلخيص مكالمة، واستخراج حجز، وتحديد السؤال التالي — وهذا التفويض هو حيث يكمن تفاوت التكلفة وانقطاعات المزوّدين. ويقدّم OrcaRouter أكثر من 200 نموذج نصي ومتعدد الوسائط خلف مفتاح واحد بسعر قائمة المزوّد دون إضافة أي هامش، مع تجاوز فشل تلقائي ولغة DSL للتوجيه يمكنها تركيب عدة نماذج في استدعاء واحد. ويتيح لك أيضًا تشغيل دمج النماذج عندما لا يكون حكم نموذج واحد كافيًا. وبالنسبة لفريق يبني نموذجًا أوليًا لحلقة صوتية، يعني ذلك أنه يمكن تبديل النصف النصي ومقارنته دون المساس بتكامل الصوت.

القرار

إذا كنت تُعاير الذوق — أي تحدد مقدار الدفء الذي ينبغي أن يتمتع به منتجك، وطول التوقف المريح، والسرعة التي ينبغي أن يتخلى بها الوكيل عن الكلمة — فإن Sesame Preview مجاني، وممتاز حقًا، وهو المكان المناسب لتقضي فيه بعد ظهرك. استخدمه كمرجع. لكن لا تخطط لبناء عملية دمج حوله، لأنه لا يوجد ما يمكن الدمج معه.

إذا كنت تستعد لطرحه للاستخدام الفعلي، فإن LFM3-Audio-2B مرشّح حقيقي مع تحفّظات حقيقية: أرقام من المورّد فقط، وتعرّف آلي مباشر على الكلام بالإنكليزية فقط، وسياق 32K، وعتبة ترخيص يجب مراقبتها. اختبره على تسجيلاتك الخاصة قبل أن تصدّق مكسب UTMOS، واختبر إخراج الكلام باللغات التي تحتاجها فعليًا بدلًا من الوثوق بعدد اللغات المدرَجة.

ما من شأنه أن يغيّر هذه الصورة هو أمر محدّد. فواجهة Sesame API للصوت الإنتاجي ستجعله أقوى مرشّح في الفئة بين عشية وضحاها. واختبار UTMOS مستقل أو اختبار تفضيل لـ LFM3-Audio-2B سيخبرك ما إذا كانت 3.83 خطوة حقيقية نحو كلام طبيعي أم رقمًا جرى قياسه مقابل سلف ضعيف. وإلى أن يتحقق أحد هذين الأمرين، فالخلاصة الصحيحة هي أن أحد هذين منتج يمكنك أن تُعجب به، والآخر نموذج يمكنك أن تمتلكه — وواحد فقط منهما قرار يمكنك أن تتصرّف بناءً عليه هذا الأسبوع.