LFM3-Audio-2B vs Sesame Preview: una descarga y una aplicación no son la misma elección

Sesame Preview es la voz que la gente describe como humana. LFM3-Audio-2B es un checkpoint de 2B que puedes descargar y ejecutar en un portátil. Ponlos en la misma frase y ocurre algo útil: la comparación deja de tratar sobre cuál suena mejor y pasa a ser dos preguntas separadas: ¿puedes lanzarlo al mercado? ¿Y puedes medirlo? Sesame Preview falla en la primera. LFM3-Audio-2B, que Liquid AI lanzó el 27 de octubre de 2026 dentro de la familia LFM3 de seis modelos, falla en la segunda. Ninguno de los dos fallos es un escándalo. Son tipos de producto diferentes, y la mayoría de los equipos solo descubre cuál de los dos necesita después de haber empezado a construir.

La asimetría merece decirse sin rodeos antes de los detalles. La voz de producción de Sesame no tiene API, ni ID de modelo, ni nivel empresarial; vive dentro de una app para iOS y Android con cuatro agentes con nombre, memoria, conectores y, desde octubre, la capacidad de orquestar otros agentes. LFM3-Audio-2B no tiene ninguna app. Tiene pesos, una model card, un pull request fusionado en llama.cpp y una compilación de Ollama de 2,1 GB. Uno es un lugar donde pasar una tarde. El otro es un archivo que puedes incorporar a un producto.

Pregunta uno: ¿puedes enviarlo?

Para LFM3-Audio-2B la respuesta es sí, con matices. La LFM Open License v1.0 permite el uso comercial por debajo de 10 millones de dólares de ingresos anuales y exige una licencia de pago por encima de esa cifra. Los pesos están en Hugging Face; Transformers 5.20.2 o posterior con trust_remote_code es la vía de Python; llama.cpp incorporó compatibilidad en el PR #31257; MLX 4-bit cubre Apple silicon; ONNX Runtime cubre la portabilidad. La entrada es texto o audio de 16 kHz, la salida es texto, voz de 24 kHz, o texto y voz intercalados. El contexto es de 32K tokens y abarca ambas direcciones —no la cifra de 256K, que corresponde al modelo de texto— y el modelo enumera 18 idiomas en 19 configuraciones regionales, con ASR en vivo solo en inglés.

Para Sesame Preview, la respuesta es no, y la razón es estructural, no comercial. No hay endpoint para la voz de producción. No hay precio, porque no hay nada que comprar. La app es gratuita, las llamadas tienen un límite de 30 minutos que baja a cinco cuando se cierra sesión, y los cuatro agentes son el producto. Si quieres un comportamiento al estilo Sesame en tu propia aplicación, no puedes tenerlo.

Lo que Sesame ha publicado es CSM-1B, un checkpoint de investigación con licencia Apache-2.0. Es un bloque de síntesis, no un asistente: un backbone Llama predice el primer codebook de Mimi y un decodificador más pequeño predice el resto, renderizado mediante el códec Mimi a 24 kHz. Solo funciona en inglés, clona una voz a partir de un clip de referencia de 10 a 15 segundos y no puede generar texto — se combina con un modelo de lenguaje. Su tarjeta de Hugging Face dice directamente la parte incómoda: una variante de CSM con ajuste fino impulsa la demo interactiva, y esa variante no es el checkpoint que puedes descargar. La tarjeta tiene aproximadamente 130.000 descargas en el último mes y unos 2.500 me gusta, lo que indica que la gente está experimentando con él. No indica que estén obteniendo la voz desde la app.

Pregunta dos: ¿puedes medirlo?

LFM3-Audio-2B publica una tabla de proveedor de seis filas, todas frente a LFM2.5-Audio-1.5B, sin especificar el conjunto de pruebas ni el marco de evaluación. Las filas que importan aquí son UTMOSv2 de TTS en inglés, con 3.83 frente a 3.22; VoiceBench, con 73.13 frente a 55.17; comprensión de audio MMAR, con 50.60 frente a 25.85; WER de ASR en inglés, con 6.23 frente a 6.13; WER/CER multilingüe, con 6.03; y una evaluación interna de invocación de herramientas, con 58.50. El cambio en UTMOS es grande —0.6 puntos en una escala en la que 4.0 suele considerarse casi humano—, y la fila de ASR se mantiene plana, que es lo más creíble de la tabla: un proveedor que no informa de ninguna mejora en uno de los ejes al menos no está optimizando la tabla para contar una historia.

Ninguno de esos datos tiene un testigo independiente. No pudimos encontrar ninguna reproducción por terceros de ninguna fila, y las cifras comparan un modelo con su propio predecesor, no con la competencia. Frente a las otras entradas de la propia tabla de Liquid, LFM3-Audio-2B es un buen modelo pequeño en lugar de un líder: Voxtral Mini 3B registra un WER de 5.51 y NVIDIA Audex 2B registra 5.99, Qwen2.5-Omni 3B obtiene 54.41 en comprensión de audio, y Gemma 4 E4B obtiene 72.40 en invocación de herramientas.

Sesame Preview no tiene ninguna cifra comparable en absoluto. Su afirmación de calidad es una impresión auditiva, una lo bastante sólida como para haberse convertido en el punto de referencia de la voz conversacional en 2026, y una que ningún tercero ha puntuado nunca para el modelo de producción. Eso no es prueba de que la voz sea mala. Es prueba de que aquello que todos elogian es lo único de esta comparativa que nadie puede medir.

Esta inversión es la parte poco común. Normalmente, el producto cerrado es el que tiene historial y el checkpoint abierto es el que nadie ha evaluado. Aquí, el modelo abierto es el único que puedes evaluar, y el producto cerrado es el único con una base real de usuarios. Ambas afirmaciones son ciertas a la vez, y ninguna resuelve si la voz es buena.

Dos códecs, dos apuestas de diseño

La diferencia más técnica entre estos sistemas es también la más interesante, porque ambas empresas apostaron por un códec y las apuestas apuntan en direcciones opuestas.

LiquidCodec comprime 80 ms de voz en 12 tokens discretos y decodifica de vuelta a 24 kHz con soporte de streaming. Liquid lo mide en aproximadamente 87× tiempo real en un solo hilo de CPU de un M4 Max, y el codificador de audio causal es lo que permite el prefill mientras una persona aún está hablando — el origen de la afirmación de "tan solo 50 ms" de tiempo hasta el primer token. Esas dos cifras son mediciones del fabricante en hardware Apple con nombre específico, sin arnés de pruebas y sin percentiles. Describen el mejor caso. Un teléfono, una Raspberry Pi o una VM x86 compartida no las alcanzarán, y nada en la publicación dice qué alcanzará en su lugar.

El CSM de Sesame utiliza el códec Mimi de Kyutai a 24 kHz, con un backbone Llama que predice el primer codebook y un decodificador de profundidad más pequeño que predice el resto. El objetivo de diseño es la síntesis expresiva a partir de un clip de referencia breve, y la reputación de la app sugiere que funciona. La brecha entre CSM-1B y la voz de producción es todo el argumento: la arquitectura es pública, el ajuste fino que la hace sonar como Sesame no lo es.

Lo que eso significa para quien construye es simple. Liquid te da todo el pipeline y una licencia; tú aportas la evaluación. Sesame te da un artefacto de investigación y una demo; tú aportas el producto, y no puedes meter la demo dentro de él.

Donde los dos realmente se superponen

Hay exactamente un solapamiento, y es la salida de voz. Ambos pueden hablar. Las diferencias dentro de ese solapamiento son prácticas:

• Idiomas — LFM3-Audio-2B afirma cubrir 18 idiomas en 19 configuraciones regionales, y la traducción es más sólida hacia o desde el inglés. Sesame Preview es oficialmente solo en inglés; la propia guía de la aplicación enumera francés, italiano, alemán, español, chino, japonés y coreano como «en fase inicial». CSM-1B es solo en inglés.

• Control de voz — LFM3-Audio-2B: voz seleccionada por prompt, sin flujo de trabajo de clonación publicado en la ficha. CSM-1B: clonación a partir de un clip de referencia de 10 a 15 segundos, que es su función principal.

• Conversación — LFM3-Audio-2B: solicitud y respuesta con streaming; no se declara barge-in. Sesame Preview: construido en torno a la vacilación, la interrupción y la alternancia de turnos, que es la cualidad que le dio su reputación.

• Lo que puedes ejecutar — LFM3-Audio-2B: 2.1 GB, compatible con CPU, sin conexión. Sesame: una aplicación, en línea, con límite de llamadas.

Si tu producto necesita una voz que se pueda interrumpir, esta no es una comparación reñida: Sesame tiene ese comportamiento y Liquid no lo reclama. Si tu producto necesita una voz en sueco o neerlandés, o necesita funcionar sin red, Sesame no puede ayudar y LFM3-Audio-2B sí.

Lo que un router puede y no puede hacer aquí

Ninguno de los dos modelos está en OrcaRouter, y merece la pena ser preciso sobre por qué la propuesta habitual de enrutamiento no llega a la capa de voz. {{1}}LFM3-Audio-2B{{/1}} es un checkpoint que ejecutas tú mismo; {{2}}Sesame Preview{{/2}} es una aplicación. No hay ningún endpoint de audio alojado de ninguno de los dos entre el que hacer failover.

La capa situada por encima de ellos es donde el enrutamiento se gana su valor. Un producto de voz construido sobre cualquiera de los dos modelos sigue delegando trabajo en modelos de texto —resumir una llamada, extraer una reserva, decidir la siguiente pregunta— y esa delegación es donde residen la variación de costes y las caídas de proveedores. OrcaRouter sirve más de 200 modelos de texto y multimodales con una sola clave al precio de lista del proveedor sin añadir margen, con conmutación automática y un DSL de enrutamiento que puede componer varios modelos en una sola llamada. También permite ejecutar fusión de modelos cuando el juicio de un único modelo no es suficiente. Para un equipo que prototipa un bucle de voz, eso significa que la mitad de texto se puede intercambiar y comparar sin tocar la integración de audio.

La decisión

Si estás calibrando el criterio —decidir cuánta calidez debe tener tu producto, cuánto tiempo de pausa resulta cómodo, con qué rapidez un agente debe ceder la palabra—, Sesame Preview es gratis, genuinamente excelente y el lugar indicado para pasar una tarde. Úsalo como referencia. No planifiques una integración en torno a él, porque no hay nada con lo que integrarlo.

Si vas a desplegarlo en producción, LFM3-Audio-2B es un candidato real con advertencias reales: cifras solo del proveedor, ASR en vivo solo en inglés, un contexto de 32K y un umbral de licencia que conviene vigilar. Pruébalo con tus propias grabaciones antes de creer en la mejora de UTMOS, y prueba la salida de voz en los idiomas que realmente necesitas en lugar de confiar en el número de configuraciones regionales.

Lo que cambiaría este panorama es concreto. Una API de Sesame para la voz de producción lo convertiría de la noche a la mañana en el candidato más fuerte de la categoría. Una prueba independiente UTMOS o de preferencia para LFM3-Audio-2B te diría si 3.83 es un paso real hacia un habla natural o una cifra medida contra un predecesor débil. Hasta que llegue una de esas dos cosas, el resumen correcto es que uno de estos es un producto que puedes admirar y el otro es un modelo que puedes tener — y solo uno de los dos es una decisión sobre la que puedes actuar esta semana.