LFM3-Audio-2B vs Sesame Preview : un téléchargement et une application ne sont pas le même choix

Sesame Preview est la voix que l’on décrit comme humaine. LFM3-Audio-2B est un checkpoint de 2B que vous pouvez télécharger et exécuter sur un ordinateur portable. Mettez-les dans la même phrase et quelque chose d’utile se produit : la comparaison cesse de porter sur celui qui sonne mieux et devient deux questions distinctes — pouvez-vous le mettre en production, et pouvez-vous le mesurer ? Sesame Preview échoue à la première. LFM3-Audio-2B, que Liquid AI a livré le 27 octobre 2026 au sein de la famille LFM3 composée de six modèles, échoue à la seconde. Aucun de ces échecs n’est un scandale. Ce sont des types de produits différents, et la plupart des équipes ne découvrent celui dont elles ont besoin qu’après avoir commencé à développer.

L’asymétrie mérite d’être énoncée clairement avant les détails. La voix de production de Sesame n’a ni API, ni identifiant de modèle, ni offre entreprise ; elle vit dans une application iOS et Android avec quatre agents nommés, une mémoire, des connecteurs et, depuis octobre, la capacité d’orchestrer d’autres agents. LFM3-Audio-2B n’a aucune application. Il dispose de poids, d’une fiche de modèle, d’une pull request fusionnée sur llama.cpp et d’une version Ollama de 2,1 Go. L’un est un endroit où passer un après-midi. L’autre est un fichier que l’on peut intégrer à un produit.

Première question : pouvez-vous l’expédier ?

Pour LFM3-Audio-2B, la réponse est oui, avec des réserves. La licence LFM Open License v1.0 autorise l’usage commercial en dessous de 10 M$ de chiffre d’affaires annuel et exige une licence payante au-delà. Les poids sont sur Hugging Face ; Transformers 5.20.2 ou version ultérieure avec trust_remote_code constitue la voie Python ; llama.cpp a intégré le support dans la PR #31257 ; MLX 4 bits couvre les puces Apple ; ONNX Runtime assure la portabilité. L’entrée est du texte ou de l’audio à 16 kHz, la sortie est du texte, de la parole à 24 kHz, ou du texte et de la parole entrelacés. Le contexte est de 32K tokens couvrant les deux directions — et non le chiffre de 256K qui appartient au modèle texte — et le modèle répertorie 18 langues réparties sur 19 locales, l’ASR en direct étant uniquement disponible en anglais.

Pour Sesame Preview, la réponse est non, et la raison est structurelle plutôt que commerciale. Il n’existe aucun endpoint pour la voix de production. Il n’y a pas de prix, car il n’y a rien à acheter. L’application est gratuite, les appels sont plafonnés à 30 minutes, un plafond qui descend à cinq minutes en cas de déconnexion, et les quatre agents constituent le produit. Si vous voulez un comportement semblable à celui de Sesame dans votre propre application, vous ne pouvez pas l’obtenir.

Ce que Sesame a publié, c’est CSM-1B, un checkpoint de recherche sous Apache-2.0. Il s’agit d’un bloc de synthèse, pas d’un assistant : un socle Llama prédit le premier codebook Mimi et un décodeur plus petit prédit le reste, le tout rendu via le codec Mimi à 24 kHz. Il est uniquement en anglais, clone une voix à partir d’un extrait de référence de 10 à 15 secondes et ne peut pas générer de texte — on l’associe à un modèle de langage. Sa fiche Hugging Face dit tout haut ce qui est généralement passé sous silence : une variante fine-tunée de CSM alimente la démo interactive, et cette variante n’est pas le checkpoint que l’on peut télécharger. La fiche a enregistré environ 130 000 téléchargements au cours du dernier mois et environ 2 500 likes, ce qui indique que les gens l’expérimentent. Cela ne dit pas qu’ils obtiennent la voix à partir de l’application.

Deuxième question : pouvez-vous le mesurer ?

LFM3-Audio-2B publie un tableau fournisseur à six lignes, toutes comparées à LFM2.5-Audio-1.5B, sans ensemble de test ni harnais nommés. Les lignes qui comptent ici sont UTMOSv2 en TTS anglais à 3,83 contre 3,22, VoiceBench à 73,13 contre 55,17, la compréhension audio MMAR à 50,60 contre 25,85, le WER en ASR anglais à 6,23 contre 6,13, le WER/CER multilingue à 6,03, et une évaluation interne d’appel d’outils à 58,50. Le gain UTMOS est important — 0,6 point sur une échelle où 4,0 est généralement considéré comme proche de l’humain — et la ligne ASR est plate, ce qui est l’élément le plus crédible du tableau : un fournisseur qui ne rapporte aucune amélioration sur un axe n’optimise au moins pas le tableau pour raconter une histoire.

Aucun élément ne dispose d’un témoin indépendant. Nous n’avons trouvé aucune reproduction par un tiers d’une quelconque ligne, et les chiffres comparent un modèle à son propre prédécesseur, non au reste du secteur. Face aux autres entrées du propre tableau de Liquid, LFM3-Audio-2B est un bon petit modèle plutôt qu’un leader : Voxtral Mini 3B affiche un WER de 5.51 et NVIDIA Audex 2B affiche 5.99, Qwen2.5-Omni 3B obtient 54.41 en compréhension audio, et Gemma 4 E4B obtient 72.40 en appel d’outils.

Sesame Preview ne dispose d’aucun chiffre comparable. Sa revendication de qualité est une impression d’écoute — assez forte pour être devenue la référence de la voix conversationnelle en 2026, et qu’aucun tiers n’a jamais évaluée pour le modèle de production. Ce n’est pas la preuve que la voix est mauvaise. C’est la preuve que ce que tout le monde encense est l’unique élément de ce comparatif que personne ne peut mesurer.

Cette inversion est la partie rare. Normalement, le produit fermé est celui qui a un historique éprouvé, et le checkpoint ouvert est celui que personne n’a évalué. Ici, le modèle ouvert est le seul que l’on puisse évaluer, et le produit fermé est le seul à avoir une véritable base d’utilisateurs. Les deux affirmations sont vraies en même temps, et aucune ne permet de trancher si la voix est bonne.

Deux codecs, deux paris de conception

La différence la plus technique entre ces systèmes est aussi la plus intéressante, car les deux entreprises ont misé sur un codec et leurs paris pointent dans des directions opposées.

LiquidCodec encode 80 ms de parole en 12 jetons discrets et les décode de nouveau en 24 kHz avec prise en charge du streaming. Liquid le mesure à environ 87× le temps réel sur un seul thread CPU d’un M4 Max, et c’est l’encodeur audio causal qui permet le prefill pendant qu’une personne parle encore — à l’origine de l’affirmation d’un temps jusqu’au premier jeton « aussi bas que 50 ms ». Ces deux chiffres sont des mesures du fournisseur sur du matériel Apple nommé, sans banc d’essai ni percentile. Ils décrivent un meilleur cas. Un téléphone, un Raspberry Pi ou une VM x86 partagée ne les atteindront pas, et rien dans la publication ne dit ce qu’ils atteindront à la place.

Le CSM de Sesame utilise le codec Mimi de Kyutai à 24 kHz, avec un socle Llama qui prédit le premier codebook et un décodeur de profondeur plus petit qui prédit le reste. L’objectif de conception est une synthèse expressive à partir d’un court extrait de référence, et la réputation de l’application suggère que cela fonctionne. L’écart entre CSM-1B et la voix de production constitue tout l’argument : l’architecture est publique, le fine-tuning qui lui permet de sonner comme Sesame ne l’est pas.

Ce que cela signifie pour un constructeur est simple. Liquid vous fournit tout le pipeline et une licence ; vous fournissez l'évaluation. Sesame vous fournit un artefact de recherche et une démo ; vous fournissez le produit, et vous ne pouvez pas y intégrer la démo.

Là où les deux se chevauchent réellement

Il y a exactement un chevauchement, et c’est la sortie vocale. Les deux peuvent parler. Les différences au sein de ce chevauchement sont pratiques :

• Langues — LFM3-Audio-2B revendique 18 langues réparties sur 19 locales, la traduction étant la plus performante depuis ou vers l’anglais. Sesame Preview est officiellement uniquement en anglais ; les indications de l’application elle-même classent le français, l’italien, l’allemand, l’espagnol, le chinois, le japonais et le coréen comme « précoces ». CSM-1B est uniquement en anglais.

• Contrôle vocal — LFM3-Audio-2B : voix sélectionnée par prompt, aucun workflow de clonage publié dans la fiche. CSM-1B : clonage à partir d’un extrait de référence de 10 à 15 secondes, qui constitue sa fonction principale.

• Conversation — LFM3-Audio-2B : requête-réponse avec streaming ; aucune prise en charge du barge-in revendiquée. Sesame Preview : conçu autour de l’hésitation, de l’interruption et de l’alternance des tours de parole, la qualité qui a fait sa réputation.

• Ce que vous pouvez exécuter — LFM3-Audio-2B : 2,1 Go, compatible CPU, hors ligne. Sesame : une application, en ligne, avec une limite d’appels.

Si votre produit a besoin d'une voix que l'on peut interrompre, la comparaison n'est pas serrée : Sesame présente ce comportement et Liquid ne le revendique pas. Si votre produit a besoin d'une voix en suédois ou en néerlandais, ou doit fonctionner sans réseau, Sesame ne peut pas vous aider, tandis que LFM3-Audio-2B le peut.

Ce qu'un routeur peut et ne peut pas faire ici

Aucun des deux modèles n’est sur OrcaRouter, et il vaut la peine d’être précis sur la raison pour laquelle l’argumentaire de routage habituel n’atteint pas la couche vocale. LFM3-Audio-2B est un checkpoint que vous exécutez vous-même ; Sesame Preview est une application. Il n’existe aucun point de terminaison audio hébergé pour l’un ou l’autre entre lesquels basculer.

La couche située juste au-dessus est celle où le routage justifie son utilité. Un produit vocal bâti sur l'un ou l'autre de ces modèles confie encore du travail à des modèles textuels — résumer un appel, extraire une réservation, décider de la question suivante — et c'est dans cette délégation que se nichent la variabilité des coûts et les pannes de fournisseurs. OrcaRouter sert plus de 200 modèles textuels et multimodaux derrière une seule cléau prix catalogue des fournisseurs, sans marge ajoutée, avec basculement automatique et un DSL de routage capable de composer plusieurs modèles en un seul appel. Il permet aussi d'activer la fusion de modèles lorsque le jugement d'un seul modèle ne suffit pas. Pour une équipe qui prototype une boucle vocale, cela signifie que la moitié textuelle peut être remplacée et comparée sans toucher à l'intégration audio.

La décision

Si vous calibrez le goût — en décidant quelle chaleur votre produit doit avoir, combien de temps une pause reste confortable, à quelle vitesse un agent doit céder la parole —, Sesame Preview est gratuit, vraiment excellent et l’endroit idéal pour passer un après-midi. Utilisez-le comme référence. N’envisagez pas d’intégration autour de lui, car il n’y a rien avec quoi l’intégrer.

Si vous passez en production, LFM3-Audio-2B est un vrai candidat avec de vraies réserves : des chiffres fournis uniquement par le fournisseur, une ASR en direct uniquement en anglais, un contexte de 32K et un seuil de licence à surveiller. Testez-le sur vos propres enregistrements avant de croire au gain UTMOS, et testez la sortie vocale dans les langues dont vous avez réellement besoin plutôt que de vous fier au nombre de locales.

Ce qui changerait cette image est précis. Une API Sesame pour la voix de production en ferait du jour au lendemain le candidat le plus solide de la catégorie. Un test UTMOS indépendant ou un test de préférence pour LFM3-Audio-2B vous dirait si 3,83 est un véritable pas vers une parole naturelle ou un chiffre mesuré face à un prédécesseur faible. Jusqu'à ce que l'un de ces éléments se concrétise, le bon résumé est que l'un est un produit que vous pouvez admirer et l'autre un modèle que vous pouvez posséder — et un seul de ceux-là est une décision que vous pouvez prendre cette semaine.