LFM3-Audio-2B vs. Sesame Preview: Ein Download und eine App sind nicht dasselbe

Sesame Preview ist die Stimme, die Menschen als menschlich beschreiben. LFM3-Audio-2B ist ein 2B-Checkpoint, den man herunterladen und auf einem Laptop ausführen kann. Setzt man beide in denselben Satz, passiert etwas Nützliches: Der Vergleich dreht sich nicht mehr darum, welche besser klingt, sondern wird zu zwei getrennten Fragen – kann man es ausliefern, und kann man es messen? Sesame Preview scheitert an der ersten. LFM3-Audio-2B, das Liquid AI am 27. Oktober 2026 innerhalb der aus sechs Modellen bestehenden LFM3-Familie veröffentlichte, scheitert an der zweiten. Keiner der beiden Fehlschläge ist ein Skandal. Es sind unterschiedliche Produktarten, und die meisten Teams finden erst, nachdem sie mit der Entwicklung begonnen haben, heraus, welches sie brauchen.

Es lohnt sich, die Asymmetrie vor den Details klar zu benennen. Sesames Produktionsstimme hat keine API, keine Modell-ID und keine Enterprise-Ebene; sie steckt in einer iOS- und Android-App mit vier benannten Agenten, Gedächtnis, Konnektoren und seit Oktober der Fähigkeit, andere Agenten zu orchestrieren. LFM3-Audio-2B hat überhaupt keine App. Es hat Gewichte, eine Modellkarte, einen gemergten llama.cpp-Pull-Request und einen 2,1 GB großen Ollama-Build. Das eine ist ein Ort, an dem man einen Nachmittag verbringen kann. Das andere ist eine Datei, die man in ein Produkt einbauen kann.

Frage eins: Können Sie es versenden?

Für LFM3-Audio-2B lautet die Antwort ja, mit Einschränkungen. Die LFM Open License v1.0 erlaubt die kommerzielle Nutzung unter 10 Mio. USD Jahresumsatz und erfordert darüber eine kostenpflichtige Lizenz. Die Gewichte sind auf Hugging Face verfügbar; Transformers 5.20.2 oder neuer mit trust_remote_code ist der Python-Weg; llama.cpp hat die Unterstützung in PR #31257 zusammengeführt; MLX 4-Bit deckt Apple Silicon ab; ONNX Runtime deckt die Portabilität ab. Die Eingabe ist Text oder 16-kHz-Audio, die Ausgabe ist Text, 24-kHz-Sprachausgabe oder verschachtelter Text und Sprache. Der Kontext umfasst 32K Token in beide Richtungen – nicht die 256K, die zum Textmodell gehört – und das Modell listet 18 Sprachen über 19 Locales hinweg, wobei Live-ASR nur Englisch unterstützt.

Für Sesame Preview lautet die Antwort nein, und der Grund ist struktureller und nicht kommerzieller Natur. Es gibt keinen Endpoint für die Produktionsstimme. Es gibt keinen Preis, weil es nichts zu kaufen gibt. Die App ist kostenlos, Anrufe haben eine Obergrenze von 30 Minuten, die beim Abmelden auf fünf Minuten sinkt, und die vier Agenten sind das Produkt. Wenn Sie Sesame-artiges Verhalten in Ihrer eigenen Anwendung wünschen, können Sie es nicht bekommen.

Was Sesame veröffentlicht hat, ist CSM-1B, ein Forschungs-Checkpoint unter Apache-2.0. Es ist ein Syntheseblock, kein Assistent: Ein Llama-Backbone sagt das erste Mimi-Codebook voraus, ein kleinerer Decoder sagt den Rest voraus, ausgegeben über den Mimi-Codec bei 24 kHz. Es ist ausschließlich englischsprachig, klont eine Stimme anhand eines 10 bis 15 Sekunden langen Referenzclips und kann keinen Text generieren – man kombiniert es mit einem Sprachmodell. Die Hugging-Face-Karte benennt den heiklen Punkt direkt: Eine feinabgestimmte Variante von CSM betreibt die interaktive Demo, und diese Variante ist nicht der Checkpoint, den man herunterladen kann. Die Karte hat im letzten Monat rund 130.000 Downloads und etwa 2.500 Likes, was zeigt, dass Leute damit experimentieren. Sie verrät aber nicht, dass sie die Stimme aus der App beziehen.

Frage zwei: Können Sie es messen?

LFM3-Audio-2B veröffentlicht eine sechszeilige Anbietertabelle, alle im Vergleich zu LFM2.5-Audio-1.5B, ohne benanntes Testset oder Harness. Die hier relevanten Zeilen sind Englisch-TTS-UTMOSv2 mit 3,83 gegenüber 3,22, VoiceBench mit 73,13 gegenüber 55,17, Audioverständnis-MMAR mit 50,60 gegenüber 25,85, Englisch-ASR-WER mit 6,23 gegenüber 6,13, mehrsprachige WER/CER mit 6,03 und eine interne Tool-Calling-Eval mit 58,50. Die UTMOS-Veränderung ist groß – 0,6 Punkte auf einer Skala, auf der 4,0 üblicherweise als nahezu menschlich gilt –, und die ASR-Zeile ist unverändert, was das Glaubwürdigste in der Tabelle ist: Ein Anbieter, der auf einer Achse keine Verbesserung meldet, optimiert die Tabelle zumindest nicht auf eine Geschichte hin.

Nichts davon hat einen unabhängigen Zeugen. Wir konnten keine Nachbildung einer einzigen Zeile durch Dritte finden, und die Zahlen vergleichen ein Modell mit seinem eigenen Vorgänger, nicht mit dem Feld. Gegenüber den anderen Einträgen in Liquids eigener Tabelle ist LFM3-Audio-2B ein gutes kleines Modell statt eines Spitzenreiters: Voxtral Mini 3B erzielt 5,51 WER und NVIDIA Audex 2B erzielt 5,99, Qwen2.5-Omni 3B erreicht beim Audioverständnis 54,41, und Gemma 4 E4B erreicht beim Tool Calling 72,40.

Sesame Preview hat überhaupt keine vergleichbare Zahl. Sein Qualitätsanspruch ist ein Höreindruck – einer, der stark genug war, um im Jahr 2026 zum Referenzpunkt für konversationelle Stimme zu werden, und einer, den kein Dritter jemals für das Produktionsmodell bewertet hat. Das ist kein Beleg dafür, dass die Stimme schlecht ist. Es ist ein Beleg dafür, dass das, was alle loben, das Einzige in diesem Vergleich ist, das niemand messen kann.

Diese Umkehrung ist das Seltene daran. Normalerweise ist das geschlossene Produkt dasjenige mit der Erfolgsbilanz, und der offene Checkpoint ist derjenige, den niemand evaluiert hat. Hier ist das offene Modell das einzige, das man evaluieren kann, und das geschlossene Produkt das einzige mit einer echten Nutzerbasis. Beide Aussagen sind gleichzeitig wahr, und keine von beiden entscheidet, ob die Stimme gut ist.

Zwei Codecs, zwei Design-Wetten

Der technischste Unterschied zwischen diesen Systemen ist zugleich der interessanteste, denn beide Unternehmen setzen auf einen Codec – und die Wetten weisen in entgegengesetzte Richtungen.

LiquidCodec packt 80 ms Sprache in 12 diskrete Tokens und dekodiert mit Streaming-Unterstützung zurück auf 24 kHz. Liquid misst dafür etwa 87× Echtzeit auf einem einzelnen CPU-Thread eines M4 Max, und der kausale Audio-Encoder ist es, der Prefill ermöglicht, während eine Person noch spricht — die Quelle der Behauptung „bereits nach 50 ms“ Time-to-First-Token. Diese beiden Werte sind Herstellermessungen auf benannter Apple-Hardware ohne Harness und ohne Perzentilangabe. Sie beschreiben einen Bestfall. Ein Telefon, ein Raspberry Pi oder eine geteilte x86-VM werden sie nicht erreichen, und nichts in der Veröffentlichung sagt, was sie stattdessen erreichen werden.

Sesames CSM verwendet Kyutais Mimi-Codec bei 24 kHz, mit einem Llama-Backbone, der das erste Codebook vorhersagt, und einem kleineren Depth-Decoder, der den Rest vorhersagt. Das Designziel ist eine ausdrucksstarke Synthese aus einem kurzen Referenzclip, und der Ruf der App legt nahe, dass das funktioniert. Die Kluft zwischen CSM-1B und der Produktionsstimme ist das ganze Argument: Die Architektur ist öffentlich, das Fine-Tuning, das sie wie Sesame klingen lässt, nicht.

Was das für einen Builder bedeutet, ist einfach. Liquid gibt dir die gesamte Pipeline und eine Lizenz; die Evaluation lieferst du. Sesame gibt dir ein Forschungsartefakt und eine Demo; das Produkt lieferst du, und du kannst die Demo nicht darin unterbringen.

Wo sich die beiden tatsächlich überschneiden

Es gibt genau eine Überschneidung, und zwar die Sprachausgabe. Beide können sprechen. Die Unterschiede innerhalb dieser Überschneidung sind praktischer Natur:

• Sprachen — LFM3-Audio-2B beansprucht 18 Sprachen in 19 Locales, wobei die Übersetzung von und nach Englisch am stärksten ist. Sesame Preview ist offiziell nur auf Englisch verfügbar; die app-eigene Anleitung führt Französisch, Italienisch, Deutsch, Spanisch, Chinesisch, Japanisch und Koreanisch als „früh“ auf. CSM-1B ist nur auf Englisch verfügbar.

• Sprachsteuerung — LFM3-Audio-2B: per Prompt ausgewählte Stimme, kein veröffentlichter Cloning-Workflow in der Karte. CSM-1B: Cloning anhand eines 10- bis 15-Sekunden-Referenzclips, was seine Hauptfunktion ist.

• Konversation — LFM3-Audio-2B: Anfrage und Antwort mit Streaming; kein Barge-in-Anspruch. Sesame Preview: auf Zögern, Unterbrechung und Sprecherwechsel ausgerichtet – genau die Eigenschaft, die seinen Ruf begründet hat.

• Was du ausführen kannst — LFM3-Audio-2B: 2,1 GB, CPU-fähig, offline. Sesame: eine App, online, mit einem Aufruflimit.

Wenn Ihr Produkt eine Stimme benötigt, die unterbrochen werden kann, ist dies kein knapper Vergleich: Sesame bietet dieses Verhalten, und Liquid beansprucht es nicht. Wenn Ihr Produkt eine Stimme auf Schwedisch oder Niederländisch benötigt oder ohne Netzwerk laufen muss, kann Sesame nicht helfen, und LFM3-Audio-2B kann es.

Was ein Router hier kann und was nicht.

Keines der beiden Modelle ist auf OrcaRouter, und es lohnt sich, genau klarzustellen, warum das übliche Routing-Argument die Sprachschicht nicht erreicht. LFM3-Audio-2B ist ein Checkpoint, den man selbst ausführt; Sesame Preview ist eine App. Es gibt keinen gehosteten Audio-Endpunkt von einem der beiden, zwischen dem ein Failover stattfinden könnte.

Die Ebene darüber ist der Bereich, in dem Routing seinen Wert beweist. Ein Sprachprodukt, das auf einem der beiden Modelle aufbaut, gibt Arbeit dennoch an Textmodelle weiter – einen Anruf zusammenfassen, eine Buchung extrahieren, die nächste Frage entscheiden –, und genau diese Delegation ist der Ort, an dem Kostenschwankungen und Anbieterausfälle auftreten. OrcaRouter stellt mehr als 200 Text- und Multimodalmodelle hinter einem einzigen Schlüssel zum Listenpreis des Anbieters ohne Aufschlag bereit, mit automatischem Failover und einer Routing-DSL, die mehrere Modelle zu einem einzigen Aufruf zusammenfassen kann. Außerdem können Sie Modellfusion nutzen, wenn das Urteilsvermögen eines einzelnen Modells nicht ausreicht. Für ein Team, das eine Sprachschleife prototypisch entwickelt, bedeutet das, dass die TextHälfte ausgetauscht und verglichen werden kann, ohne die Audio-Integration anzufassen.

Die Entscheidung

Wenn Sie den Geschmack kalibrieren – entscheiden, wie viel Wärme Ihr Produkt ausstrahlen soll, wie lang eine angenehme Pause ist, wie schnell ein Agent das Wort abgeben sollte –, dann ist Sesame Preview kostenlos, wirklich hervorragend und genau der richtige Ort, um einen Nachmittag zu verbringen. Nutzen Sie es als Referenz. Planen Sie keine Integration darum herum, denn es gibt nichts, womit man sich integrieren könnte.

Wenn Sie in Produktion gehen, ist {{1}}LFM3-Audio-2B{{/1}} ein echter Kandidat mit echten Einschränkungen: Zahlen nur vom Hersteller, Live-ASR nur auf Englisch, ein 32K-Kontext und eine Lizenzschwelle, die Sie im Auge behalten sollten. Testen Sie es mit Ihren eigenen Aufnahmen, bevor Sie den UTMOS-Gewinn glauben, und testen Sie die Sprachausgabe in den Sprachen, die Sie tatsächlich benötigen, statt sich auf die Anzahl der Locales zu verlassen.

Was dieses Bild ändern würde, ist konkret. Eine Sesame-API für die Produktionsstimme würde diese über Nacht zum stärksten Kandidaten in der Kategorie machen. Ein unabhängiger UTMOS- oder Präferenztest für LFM3-Audio-2B würde Ihnen zeigen, ob 3,83 ein echter Schritt in Richtung natürlicher Sprache ist oder eine Zahl, die gegen einen schwachen Vorgänger gemessen wurde. Bis eines davon vorliegt, lautet die korrekte Zusammenfassung, dass eines davon ein Produkt ist, das man bewundern kann, und das andere ein Modell, das man besitzen kann — und nur eines davon ist eine Entscheidung, die Sie diese Woche umsetzen können.