Ming-3.0-audio-flash vs Sesame Preview: Der eine hört alles, der andere muss nur wie ein Mensch klingen

Diese beiden sind keine Rivalen. Ming-3.0-audio-flash ist ein Audio-Sprach-Mixture-of-Experts mit 126 Milliarden Parametern unter MIT-Lizenz, dessen fünf angegebene Aufgaben Spracherkennung, das Verstehen langer Audiodateien, die Wahrnehmung von Nicht-Sprachklängen und Musik, Audio-Reasoning und – als optionale fünfte – das Zurücksprechen sind. Sesame Preview ist ein Verbraucher-Sprachassistent mit vier Persönlichkeiten, einer iOS- und Android-App und überhaupt keiner API. Der zweite muss nicht wissen, wie eine zuschlagende Tür klingt. Der erste wurde genau dafür gebaut. Sie nebeneinanderzustellen ist nur deshalb nützlich, weil es die Frage erzwingt, die die meisten Audio-Modell-Vergleiche überspringen: Kauft man ein Ohr oder einen Mund? Die dokumentierten KI-Pannen und Agenten-Vorfälle hinter Veröffentlichungen wie dieser sind gesammelt in the OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seinen Konfidenzgrad und seine Kennzeichnung als umstritten trägt.

Der Zeitpunkt macht die Diskrepanz noch deutlicher. Ming-3.0-audio-flash erschien am 3. September 2026 auf Hugging Face ohne Ankündigung und blieb dort sechs Wochen lang, bevor der Serving-Code, die Beispiele und die überarbeitete Modellkarte zwischen dem 15. und 19. Oktober online gingen — das GitHub-Repository wurde am 15. erstellt, und die Modellkarte wurde am 19. noch bearbeitet. Der Eintrag zeigt 22 Downloads. Sesame Preview ist seit dem Frühjahr öffentlich verfügbar, und sein herunterladbares Forschungsartefakt CSM-1B ist seit März 2025 auf Hugging Face, mit rund 130.000 Downloads im letzten Monat und etwa 2.500 Likes. Das eine hat eine Nutzerbasis und kein Repository. Das andere hat ein Repository und noch keine Nutzer.

Woraus jedes einzelne besteht

Ming-3.0-audio-flash kombiniert einen Audio-Encoder und einen Projektor mit einem Language-Backbone auf Mixture-of-Experts-Basis sowie einem optionalen Talker-Modul, das die Textausgabe des Modells in Sprache umwandelt. Die Gesamtzahl der Parameter beträgt 126 Milliarden, wobei pro Inferenzschritt 6,5 Milliarden aktiviert werden — die Seitenleiste von Hugging Face gibt 128B an, eine Diskrepanz, die die Modellkarte nicht auflöst. Eingaben sind Audio plus eine Textanweisung. Ausgaben sind Text oder Text mit synthetisierter Sprache. Es unterstützt Chinesisch und Englisch, wobei Akzente und Dialekte ausdrücklich genannt werden.

Sesame Preview wird nirgends öffentlich in diesem Detailgrad beschrieben. Öffentlich ist die App: eine Sprachschnittstelle mit vier benannten Persönlichkeiten, Gedächtnis, Konnektoren und seit Oktober 2026 der Fähigkeit, andere Agenten zu orchestrieren. Öffentlich ist auch CSM-1B, Sesams Apache-2.0-Forschungscheckpoint – ein Llama-Backbone, der das erste Audiocodebuch vorhersagt, und ein kleinerer Tiefendecoder, der den Rest vorhersagt, decodiert über Kyutais Mimi-Codec bei 24 kHz, ausschließlich Englisch. Die Modellkarte nennt es „ein Basismodell zur Generierung“, und Sesame hat ausdrücklich klargestellt, dass ein feinabgestimmtes Derivat davon die interaktive Demo antreibt und nicht der Checkpoint selbst die Demo ist.

• Was du herunterladen kannst — Ming: der vollständige 126B-Checkpoint, Processor, Tokenizer, Talker-Assets. Sesame: CSM-1B, ein Basismodell mit 1 Milliarde Parametern, das nicht die Stimme in der App ist.

• Was Sie aufrufen können — Ming: ein OpenAI-kompatibler Endpoint auf vLLM-Omni oder SGLang, sobald Sie ihn hosten. Sesame: eine App. Kein Endpoint, keine Modell-ID für die Produktionsstimme.

• Worauf es hört – Ming: Sprache, Dialekte, Störgeräusche, mehrere Sprecher, nichtsprachliche Geräusche, akustische Szenen, Musik. Sesame: deine Stimme, in einem Gespräch.

• Was es sagt — Ming: Text, optional Sprache über integrierte oder per Referenz geklonte Stimmen. Sesame: Sprache, die auf Atem, Zögern und Unterbrechungen ausgelegt ist.

• Sprachen — Ming: Chinesisch und Englisch. Sesame: offiziell Englisch; die Anleitung der App selbst führt Französisch, Italienisch, Deutsch, Spanisch, Chinesisch, Japanisch und Koreanisch als „früh“ auf.

• Lizenz — Ming: MIT. Sesame: App-Nutzungsbedingungen; Apache-2.0 nur für den Forschungs-Checkpoint.

Die Bewertungsasymmetrie ist absolut.

Mit Ming-3.0-audio-flash kannst du denselben Satz hundertmal generieren und ihn dir anhören. Du kannst ihm dieselbe verrauschte Besprechung als Eingabe geben und das Transkript prüfen. Du kannst deine eigene Fehlerrate auf deinem eigenen Audiomaterial ermitteln, und diese Fehlerrate ist eine Zahl, die dir gehört.

Mit Sesame Preview kannst du nichts generieren. Es gibt keinen Endpoint, keinen Checkpoint für die Produktionsstimme, keinen veröffentlichten Benchmark dafür. Du kannst dir die App anhören und dir eine Meinung bilden, und diese Meinung ist deine gesamte Beweislage. Der Forschungs-Checkpoint CSM-1B ist testbar – du kannst ihn ausführen, feinabstimmen, messen –, aber er ist ausdrücklich nicht das Modell hinter der Stimme, die Sesame berühmt gemacht hat.

Dies ist die seltene Konstellation, in der das offene Modell das einzige ist, das man evaluieren kann, obwohl das geschlossene das einzige mit einer echten Nutzerbasis ist. Diese Umkehrung verdient es, dass man sich mit ihr auseinandersetzt, denn das übliche Argument läuft andersherum: Geschlossene Produkte sollen diejenigen mit Erfolgsbilanz sein.

Wo sich die beiden tatsächlich berühren

Es gibt genau eine Überschneidung, und das ist der Talker. Ming-3.0-audio-flash kann Sprachausgabe erzeugen, und sein Stimmenkonzept lässt sich flexibler konfigurieren als eine App mit vier Stimmen: Der vLLM-Omni-Pfad bringt integrierte IP-Stimmen mit, das Modellverzeichnis enthält voreingestellte Referenzstimmen mit passenden Transkripten, und man kann jede beliebige Referenz-WAV-Datei samt exaktem Transkript zum Klonen übergeben. Für Streaming-Sprachausgabe mit Latenzmetriken gibt es ein funktionierendes Beispiel. Der SGLang-Pfad unterstützt überhaupt keine Sprachausgabe – er ist reiner Text –, was man wissen sollte, bevor man einen Serving-Stack auswählt.

Konfigurierbarkeit ist jedoch nicht dasselbe wie Qualität, und das Ming-Repository veröffentlicht überhaupt keine Bewertung der Sprachqualität. Seine drei Benchmark-Panels decken Spracherkennung, Audio-Intelligenz und Text ab. Es gibt keinen MOS-Wert, keinen Präferenztest, keinen Prosodievergleich. Die ehrliche Position zu „Ming klingt besser als Sesame“ ist also, dass niemand es gemessen hat und dass die Personen, die am besten geeignet wären, sich eine Meinung zu bilden – Sesames Nutzer – Ming nie gehört haben.

Was Ming's Talker Ihnen bietet, was Sesame nicht kann, ist Eigentum an der Stimme. Ein Referenzclip und sein Transkript, und das Modell spricht mit dieser Stimme, auf Ihrer Hardware, unter MIT, ohne dass ein Dritter beteiligt ist. Wenn die Stimme Ihres Produkts ein Markenwert ist, ist das kein Funktionsvergleich. Es ist eine andere Kategorie.

Hardware – und warum sie das meiste davon entscheidet

Das Referenz-Serving-Profil von Ming-3.0-audio-flash für den vollständigen 128K-Kontext mit Sprachausgabe ist Tensor-Parallelität über acht 80-GB-H800-GPUs. Vier GPUs liefern ein validiertes SGLang-Profil, aber nur für Text. Das Repository merkt an, dass das Vollaudio-Profil dem Talker ein eigenes Speicherbudget auf GPU 7 zuweist.

Sesame Preview hat keine Hardwareanforderungen, weil es kein Deployment gibt. Das ist kein Witz auf seine Kosten; es ist das eigentliche Wertversprechen. Ein Team, das eine ausdrucksstarke Stimme in einer mobilen App möchte und nicht über GPUs nachdenken will, kann Sesame-förmiges Verhalten über einen Anbieter ausliefern und wird nie eine YAML-Datei zu Gesicht bekommen.

Der folgende Kostenvergleich ist alles andere als knapp. Acht H800s sind eine Investitionsentscheidung mit Abschreibungsplan. Eine App ist ein Download. Der einzige Grund, sie zu vergleichen, ist, dass beide sprechen können, und die Kosten des Sprechens sind nicht die interessante Variable – die Kosten des Hörens sind es, und Sesame verkauft diese nicht.

Worin jedes Einzelne wirklich besser ist

Ming-3.0-audio-flash ist in allem besser, bei dem es um das Verstehen von Audio geht und nicht um dessen Erzeugung. Lange Aufnahmen, mehrere Sprecher, Hintergrundgeräusche, Musik, akustische Szenen, Fragen dazu, was gesagt wurde und wie es gesagt wurde. Die eigene Produktkarte beansprucht komplexe Erkennung über Dialekte und Akzente hinweg; die Benchmark-Übersichten stammen vom Anbieter und sind nicht unabhängig geprüft, aber es gibt sie – und das ist mehr, als die Konkurrenz in diesem Vergleich bietet.

Sesame Preview ist besser darin, ein Produkt zu sein. Es hat Gedächtnis, Konnektoren zu Mail, Kalender und Drive, eine eigene Browsen- und Aktionsoberfläche, MCP-Unterstützung über OAuth und seit Oktober die Fähigkeit, andere Agenten zu orchestrieren. Nichts davon ist eine Funktion eines Sprachmodells; es ist ein Assistent, und Sprache ist die Schnittstelle. Ming hat nichts davon und behauptet es auch nicht.

Es gibt außerdem ein Latenzargument, das niemand geklärt hat. Ein konversationeller Assistent steht und fällt mit dem Turn-Taking – Sesame baute seinen Ruf auf Zögern und Unterbrechungs-Timing auf, das überzeugend genug war, dass frühe Zuhörer annahmen, eine Person sei in der Leitung. Die Schnittstelle von Ming-3.0-audio-flash ist Request-and-Response: Audio plus eine Anweisung hinein, Text oder Sprache heraus. Streaming-Beispiele existieren, aber eine Antwort zu streamen ist nicht dasselbe wie Barge-in zu handhaben, und das Repository erhebt keinen Duplex-Anspruch.

Wenn du tatsächlich wählst

Wahrscheinlich entscheiden Sie nicht zwischen diesen beiden, und es lohnt sich, das klar zu sagen. Die realistischen Entscheidungen lauten „Ming-3.0-audio-flash versus eine gehostete API für Audioverständnis“ und „Sesame Preview versus die Stimme, die Ihre App bereits verwendet“. Diese Paarung existiert, weil es sich bei beiden um Audiomodelle mit aktuellen Meldungen handelt, nicht weil ein Käufer sie jemals gegeneinander abwägen würde.

Allerdings ist die damit zusammenhängende Frage – ob man überhaupt ein offenes Audiomodell selbst hosten sollte – diejenige, die beide Produkte aufwerfen. Ming plädiert für Eigenbetrieb: MIT, inspizierbar, modifizierbar, kein Anbieter im Anfragepfad. Sesame argumentiert gegen den Eigenbau: eine funktionierende App mit Fähigkeiten, für deren Nachbau Ihr Team ein Jahr bräuchte. Die meisten Teams sollten die gehostete Version nutzen, bis diese sie auf eine Weise im Stich lässt, die sie benennen können.

Die Rolle von OrcaRouter bei dieser Entscheidung ist eng begrenzt und es lohnt sich, sie präzise zu benennen. Wir hosten Ming-3.0-audio-flash nicht, und wir hosten auch Sesame Preview nicht – das eine ist ein Checkpoint, den Sie selbst betreiben, das andere ist eine App. Was eine Routing-Schicht Ihnen bietet, ist der Vergleichsrahmen: mehr als 200 Modelle hinter einem einzigen Schlüssel zum Listenpreis des Anbieters, ohne Aufschlag, sodass die gehosteten Audiomodelle, die Sie tatsächlich gegen ein selbst gehostetes Ming abwägen, mit demselben Traffic im A/B-Vergleich getestet werden können – mit automatischem Failover, falls ein Pfad schlechter wird. So finden Sie heraus, ob sich die Wette auf acht GPUs lohnt, ohne die Wette vorher eingehen zu müssen.

Die offene Frage

Ming-3.0-audio-flash ist seit vier Tagen lauffähig und hat 22 Downloads. Seine Modellkarte wurde am Tag der Erstellung dieses Textes bearbeitet. Seine Benchmark-Zahlen liegen als Bilder vor, seine Sprachqualität ist nicht bewertet, und sein Serving-Profil setzt ein Rack voraus, das die meisten Teams nicht besitzen. Nichts davon schließt es aus – so sieht die erste Woche eines leisen Releases aus, und frühe Was-wir-wissen-Beiträge sind die richtige Reaktion darauf.

Sesame Preview bringt unterdessen weiterhin Funktionen in ein Produkt ein, hinter dem kein veröffentlichtes Modell steht. Die Kluft zwischen dem, was man hören kann, und dem, was man prüfen kann, ist die ganze Geschichte dieses Unternehmens, und sie hat sich seit einem Jahr nicht verändert.

Worauf es zu achten gilt, ist kein Benchmark. Es ist die Frage, ob eine der beiden Seiten ihre Lücke schließt: ob Ming einen Operator und eine Latenzzahl bekommt oder Sesame einen Checkpoint veröffentlicht, der tatsächlich die Stimme in der App ist. Was zuerst passiert, verrät, welcher der beiden Ansätze gewinnt.