Ming-3.0-audio-flash vs Sesame Preview: Uno lo escucha todo, el otro solo necesita sonar humano

Estos dos no son rivales. Ming-3.0-audio-flash es un modelo de mezcla de expertos de audio y lenguaje de 126 mil millones de parámetros bajo licencia MIT cuyos cinco trabajos declarados son el reconocimiento de voz, la comprensión de audio largo, la percepción de sonidos no verbales y música, el razonamiento sobre audio y —como quinta función opcional— responder hablando. Sesame Preview es un asistente de voz de consumo con cuatro personalidades, una app para iOS y Android y ninguna API en absoluto. El segundo no necesita saber cómo suena una puerta que se cierra de golpe. El primero se construyó exactamente para eso. Ponerlos uno al lado del otro solo resulta útil porque obliga a hacerse la pregunta que la mayoría de las comparaciones de modelos de audio omite: ¿estás comprando un oído o una boca? Los fallos de IA y los incidentes de agentes documentados detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.

La coincidencia temporal hace que el desajuste sea aún más evidente. Ming-3.0-audio-flash llegó a Hugging Face el 3 de septiembre de 2026 sin ningún anuncio y estuvo ahí durante seis semanas antes de que el código de servicio, los ejemplos y la tarjeta reescrita se publicaran entre el 15 y el 19 de octubre —el repositorio de GitHub se creó el día 15, y la tarjeta seguía editándose el día 19. La ficha muestra 22 descargas. Sesame Preview lleva disponible al público desde la primavera, y su artefacto de investigación descargable, CSM-1B, está en Hugging Face desde marzo de 2025 con aproximadamente 130.000 descargas en el último mes y alrededor de 2.500 me gusta. Uno tiene base de usuarios y ningún repositorio. El otro tiene repositorio y todavía ningún usuario.

De qué está hecho cada uno

Ming-3.0-audio-flash combina un codificador de audio y un proyector con un backbone de lenguaje de mezcla de expertos, y un módulo Talker opcional que convierte la salida de texto del modelo en voz. El total de parámetros es de 126 mil millones, con 6.5 mil millones activados por cada paso de inferencia; la barra lateral de Hugging Face indica 128B, una discrepancia que la ficha no reconcilia. Las entradas son audio más una instrucción de texto. Las salidas son texto, o texto con voz sintetizada. Admite chino e inglés, con acentos y dialectos indicados explícitamente.

Sesame Preview no se describe con ese nivel de detalle en ninguna fuente pública. Lo que sí es público es la aplicación: una interfaz de voz con cuatro personalidades con nombre, memoria, conectores y, desde octubre de 2026, la capacidad de orquestar otros agentes. También es público CSM-1B, el checkpoint de investigación de Sesame con licencia Apache-2.0: una arquitectura troncal Llama que predice el primer codebook de audio y un decodificador de profundidad más pequeño que predice el resto, decodificado mediante el códec Mimi de Kyutai a 24 kHz, solo en inglés. La tarjeta lo denomina «un modelo base de generación», y Sesame ha sido explícita en que una derivada afinada de este impulsa la demo interactiva, en lugar de que el checkpoint sea la demo.

• Qué puedes descargar: Ming: el checkpoint completo de 126B, el procesador, el tokenizador y los recursos de Talker. Sesame: CSM-1B, un modelo base de 1B de parámetros que no es la voz de la aplicación.

• Qué puedes llamar — Ming: un endpoint compatible con OpenAI en vLLM-Omni o SGLang, una vez que lo alojes. Sesame: una app. Sin endpoint, sin ID de modelo para la voz de producción.

• A qué escucha — Ming: habla, dialectos, ruido, varios hablantes, sonidos no verbales, escenas acústicas, música. Sesame: tu voz, en una conversación.

• Lo que dice — Ming: texto y, opcionalmente, voz mediante voces integradas o clonadas a partir de una referencia. Sesame: voz creada para la respiración, la vacilación y la interrupción.

• Idiomas — Ming: chino e inglés. Sesame: inglés oficialmente; la propia guía de la aplicación enumera el francés, el italiano, el alemán, el español, el chino, el japonés y el coreano como «en fase inicial».

• Licencia — Ming: MIT. Sesame: condiciones de servicio de la aplicación; Apache-2.0 solo en el checkpoint de investigación.

La asimetría de la evaluación es total.

Con Ming-3.0-audio-flash puedes generar la misma frase cien veces y escucharla. Puedes darle la misma reunión ruidosa y revisar la transcripción. Puedes calcular tu propia tasa de error con tu propio audio, y esa tasa de error es un número que te pertenece.

Con Sesame Preview no puedes generar nada. No hay endpoint, ni checkpoint para la voz de producción, ni benchmark publicado para ella. Puedes escuchar la app y formarte una opinión, y esa opinión es la totalidad de tu evidencia. El checkpoint de investigación CSM-1B se puede probar —puedes ejecutarlo, afinarlo, medirlo—, pero explícitamente no es el modelo que hay detrás de la voz que hizo famosa a Sesame.

Esta es la rara comparación en la que el modelo abierto es el único que puedes evaluar, aunque el cerrado es el único con una base real de usuarios. Merece la pena detenerse en esa inversión, porque el argumento habitual va en la dirección opuesta: se supone que los productos cerrados son los que tienen historial.

Donde los dos realmente se tocan

Hay exactamente una superposición, y es el Talker. Ming-3.0-audio-flash puede producir habla, y su configuración de voz es más flexible que la de una app de cuatro voces: la ruta de vLLM-Omni incluye voces IP integradas, el directorio del modelo contiene voces de referencia predefinidas con transcripciones coincidentes, y puedes pasar cualquier WAV de referencia junto con su transcripción exacta para clonar. El habla en streaming con métricas de latencia tiene un ejemplo funcional. La ruta de SGLang no hace habla en absoluto —es solo texto—, lo cual conviene saber antes de elegir una pila de servicio.

La configurabilidad no es lo mismo que la calidad, y el repositorio de Ming no publica ninguna evaluación de calidad de voz. Sus tres paneles de referencia cubren reconocimiento de voz, inteligencia de audio y texto. No hay puntuación MOS, ni prueba de preferencia, ni comparación de prosodia. Así que la postura honesta sobre «Ming suena mejor que Sesame» es que nadie lo ha medido, y las personas mejor situadas para tener una opinión —los usuarios de Sesame— nunca han oído a Ming.

Lo que el Talker de Ming sí te ofrece y Sesame no es la propiedad de la voz. Un clip de referencia y su transcripción, y el modelo habla con esa voz, en tu propio hardware, bajo MIT, sin terceros de por medio. Si la voz de tu producto es un activo de marca, eso no es una comparación de características. Es una categoría de cosa completamente distinta.

El hardware, y por qué decide la mayor parte de esto

El perfil de servicio de referencia de Ming-3.0-audio-flash para el contexto completo de 128K con salida de voz es paralelismo tensorial en ocho GPU H800 de 80 GB. Con cuatro GPU se obtiene un perfil SGLang validado, pero solo de texto. El repositorio señala que el perfil de audio completo asigna al Talker su propio presupuesto de memoria en la GPU 7.

Sesame Preview no tiene requisitos de hardware porque no tiene despliegue. No es una broma a su costa; es la propuesta de valor real. Un equipo que quiere una voz expresiva en una aplicación móvil y no quiere pensar en GPUs puede implementar un comportamiento al estilo Sesame mediante un proveedor y no ver nunca un archivo YAML.

La comparación de costos que sigue no está ni cerca. Ocho H800 son una decisión de capital con un calendario de depreciación. Una app es una descarga. La única razón para compararlas es que ambas pueden hablar, y el costo de hablar no es la variable interesante — el costo de oír sí lo es, y Sesame no vende eso.

En qué es realmente mejor cada uno

Ming-3.0-audio-flash es mejor en todo lo que implica comprender el audio en lugar de producirlo. Grabaciones largas, varios hablantes, ruido de fondo, música, escenas acústicas, preguntas sobre qué se dijo y cómo se dijo. Su propia ficha afirma un reconocimiento complejo entre dialectos y acentos; sus paneles de benchmarks están gestionados por el proveedor y no están auditados, pero existen, lo cual es más de lo que ofrece la competencia en este enfrentamiento.

Sesame Preview es mejor como producto. Tiene memoria, conectores con el correo, el calendario y Drive, su propia superficie de navegación y actuación, compatibilidad con MCP mediante OAuth y, desde octubre, la capacidad de orquestar otros agentes. Nada de eso es una función de un modelo de voz; es un asistente, y la voz es la interfaz. Ming no tiene nada de eso y no pretende tenerlo.

También hay un argumento sobre la latencia que nadie ha resuelto. Un asistente conversacional vive o muere según la alternancia de turnos: Sesame construyó su reputación sobre una sincronización de vacilaciones e interrupciones lo bastante convincente como para que los primeros oyentes supusieran que había una persona al otro lado de la línea. La interfaz de Ming-3.0-audio-flash es de solicitud y respuesta: audio más una instrucción de entrada, texto o voz de salida. Existen ejemplos de transmisión en continuo, pero transmitir una respuesta en continuo no es lo mismo que gestionar el barge-in, y el repositorio no afirma que sea dúplex.

Si realmente estás eligiendo

Probablemente no estés eligiendo entre estos dos, y vale la pena decirlo con claridad. Las decisiones realistas son «Ming-3.0-audio-flash frente a una API alojada de comprensión de audio» y «Sesame Preview frente a la voz que tu aplicación ya utiliza». Esta combinación existe porque ambos son modelos de audio con noticias recientes, no porque un comprador llegara a sopesarlos entre sí.

Dicho esto, la pregunta contigua —¿debería alojar por cuenta propia un modelo de audio abierto?— es la que ambos productos obligan a plantear. Ming defiende la propiedad: MIT, inspeccionable, modificable, sin ningún proveedor en la ruta de la solicitud. Sesame defiende no construirlo: una aplicación que funciona, con capacidades que tu equipo tardaría un año en reproducir. La mayoría de los equipos debería usar la versión alojada hasta que la versión alojada les falle de una manera que puedan nombrar.

El papel de OrcaRouter en esa decisión es limitado y merece precisarse. No alojamos Ming-3.0-audio-flash ni alojamos Sesame Preview: uno es un checkpoint que ejecutas tú mismo y el otro es una aplicación. Lo que una capa de enrutamiento te ofrece es el marco de comparación: más de 200 modelos tras una sola clave al precio de lista del proveedor, sin ningún recargo añadido, de modo que los modelos de audio alojados que realmente estás sopesando frente a un Ming autoalojado se pueden comparar A/B con el mismo tráfico, con conmutación por error automática si una ruta se degrada. Así es como averiguas si la apuesta de ocho GPU compensa, sin hacer primero la apuesta.

La pregunta abierta

Ming-3.0-audio-flash se volvió ejecutable hace cuatro días y tiene 22 descargas. Su ficha se editó el mismo día en que se escribió esto. Sus cifras de benchmark son imágenes, su calidad de voz no está evaluada y su perfil de servicio presupone un rack que la mayoría de los equipos no tiene. Nada de eso lo descalifica: es el aspecto que tiene la primera semana de un lanzamiento silencioso, y las piezas tempranas de «lo que sabemos» son la respuesta adecuada.

Sesame Preview, mientras tanto, sigue incorporando funciones a un producto que no tiene ningún modelo publicado detrás. La brecha entre lo que puedes oír y lo que puedes inspeccionar es toda la historia de esa empresa, y no ha cambiado en un año.

Lo que hay que observar no es un benchmark. Es si cualquiera de los dos lados cierra su brecha: que Ming consiga un operador y una cifra de latencia, o que Sesame publique un checkpoint que sea realmente la voz de la app. Lo que ocurra primero te dice cuál de estos dos enfoques está ganando.