Ming-3.0-audio-flash vs Sesame Preview : l’un entend tout, l’autre a seulement besoin de sonner humain

Ces deux-là ne sont pas rivaux. Ming-3.0-audio-flash est un mélange d’experts audio-langage de 126 milliards de paramètres sous licence MIT dont les cinq fonctions déclarées sont la reconnaissance vocale, la compréhension de longs audio, la perception des sons non vocaux et de la musique, le raisonnement audio et — comme cinquième fonction facultative — la capacité de répondre à voix haute. Sesame Preview est un assistant vocal grand public avec quatre personnalités, une application iOS et Android, et aucune API du tout. Le second n’a pas besoin de savoir à quoi ressemble le bruit d’une porte qui claque. Le premier a été conçu précisément pour cela. Les mettre côte à côte n’est utile que parce que cela force la question que la plupart des comparaisons de modèles audio évitent : achète-t-on une oreille ou une bouche ? Les défaillances documentées de l’IA et les incidents d’agents à l’origine de versions comme celle-ci sont recensés dans l’OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Le décalage temporel rend la disparité encore plus flagrante.Ming-3.0-audio-flash est arrivé sur Hugging Face le 3 septembre 2026sans annonce, et est resté là pendant six semaines avant que le code de service, les exemples et la fiche réécrite ne soient publiés entre le 15 et le 19 octobre — le dépôt GitHub a été créé le 15, et la fiche était encore en cours de modification le 19. La page de présentation affiche 22 téléchargements. Sesame Preview est disponible publiquement depuis le printemps, et son artefact de recherche téléchargeable, CSM-1B, est sur Hugging Face depuis mars 2025, avec environ 130 000 téléchargements au cours du dernier mois et environ 2 500 mentions J'aime. L'un a une base d'utilisateurs et aucun dépôt. L'autre a un dépôt et pas encore d'utilisateurs.

De quoi chacun est composé

Ming-3.0-audio-flash associe un encodeur audio et un projecteur à un socle linguistique à mélange d'experts, ainsi qu'un module Talker optionnel qui convertit la sortie texte du modèle en parole. Le nombre total de paramètres est de 126 milliards, avec 6,5 milliards activés à chaque étape d'inférence — la barre latérale de Hugging Face indique 128B, un écart que la fiche ne résout pas. Les entrées sont de l'audio accompagné d'une instruction textuelle. Les sorties sont du texte, ou du texte avec de la parole synthétisée. Il prend en charge le chinois et l'anglais, avec des accents et des dialectes explicitement signalés.

Sesame Preview n’est décrit avec ce niveau de détail dans aucune source publique. Ce qui est public, c’est l’application : une interface vocale avec quatre personnalités nommées, une mémoire, des connecteurs et, depuis octobre 2026, la capacité d’orchestrer d’autres agents. Ce qui est également public, c’est CSM-1B, le checkpoint de recherche de Sesame sous Apache-2.0 — un socle Llama prédisant le premier codebook audio et un décodeur de profondeur plus petit prédisant le reste, décodé via le codec Mimi de Kyutai à 24 kHz, uniquement en anglais. La fiche le qualifie de « modèle de génération de base », et Sesame a clairement indiqué qu’un dérivé affiné de celui-ci alimente la démo interactive, plutôt que le checkpoint ne soit la démo.

• Ce que vous pouvez télécharger — Ming : le checkpoint complet de 126B, le processeur, le tokenizer, les ressources Talker. Sesame : CSM-1B, un modèle de base de 1 milliard de paramètres qui n’est pas la voix utilisée dans l’application.

• Ce que vous pouvez appeler — Ming : un point de terminaison compatible OpenAI sur vLLM-Omni ou SGLang, une fois que vous l’hébergez. Sesame : une application. Aucun point de terminaison, aucun ID de modèle pour la voix de production.

• Ce qu’il écoute — Ming : la parole, les dialectes, le bruit, plusieurs interlocuteurs, les sons non vocaux, les scènes acoustiques, la musique. Sesame : votre voix, dans une conversation.

• Ce qu'il dit — Ming : du texte, éventuellement de la parole via des voix intégrées ou clonées à partir d'une référence. Sesame : une parole conçue pour le souffle, l'hésitation et l'interruption.

• Langues — Ming : chinois et anglais. Sesame : anglais officiellement ; les indications fournies par l’application elle-même mentionnent le français, l’italien, l’allemand, l’espagnol, le chinois, le japonais et le coréen comme étant à un stade précoce.

• Licence — Ming : MIT. Sesame : conditions d'utilisation de l'application ; Apache-2.0 uniquement sur le checkpoint de recherche.

L'asymétrie d'évaluation est totale

Avec Ming-3.0-audio-flash, vous pouvez générer la même phrase cent fois et l’écouter. Vous pouvez lui soumettre la même réunion bruyante et vérifier la transcription. Vous pouvez calculer votre propre taux d’erreur sur votre propre audio, et ce taux d’erreur est un chiffre qui vous appartient.

Avec Sesame Preview, vous ne pouvez rien générer. Il n’y a pas de point de terminaison, pas de checkpoint pour la voix de production, aucun benchmark publié pour celle-ci. Vous pouvez écouter l’application et vous former une opinion, et cette opinion constitue l’intégralité de vos preuves. Le checkpoint de recherche CSM-1B est testable — vous pouvez l’exécuter, le fine-tuner, le mesurer — mais il n’est explicitement pas le modèle derrière la voix qui a rendu Sesame célèbre.

C'est l'un de ces rares duels où le modèle ouvert est le seul que l'on puisse évaluer, alors même que le modèle fermé est le seul à disposer d'une véritable base d'utilisateurs. Cette inversion mérite qu'on s'y arrête, car l'argument habituel va dans l'autre sens : ce sont les produits fermés qui sont censés avoir fait leurs preuves.

Là où les deux se touchent réellement

Il y a exactement un chevauchement, et c’est le Talker. Ming-3.0-audio-flash peut produire de la parole, et son histoire vocale est plus configurable qu’une application à quatre voix : la voie vLLM-Omni fournit des voix IP intégrées, le répertoire du modèle contient des voix de référence prédéfinies avec des transcriptions correspondantes, et vous pouvez passer n’importe quel WAV de référence ainsi que sa transcription exacte pour le clonage. La parole en streaming avec métriques de latence dispose d’un exemple fonctionnel. La voie SGLang ne fait pas du tout de parole — elle est uniquement textuelle — ce qu’il vaut la peine de savoir avant de choisir une pile de serving.

Mais la configurabilité n’est pas synonyme de qualité, et le dépôt Ming ne publie aucune évaluation de la qualité de la parole. Ses trois panneaux de référence couvrent la reconnaissance vocale, l’intelligence audio et le texte. Il n’y a ni score MOS, ni test de préférence, ni comparaison de prosodie. La position honnête sur « Ming sonne mieux que Sesame » est donc que personne ne l’a mesuré, et que les personnes les mieux placées pour avoir un avis — les utilisateurs de Sesame — n’ont jamais entendu Ming.

Ce que le Talker de Ming vous offre et que Sesame ne peut pas vous offrir, c’est la propriété de la voix. Un clip de référence et sa transcription, et le modèle parle avec cette voix, sur votre matériel, sous licence MIT, sans qu’aucun tiers n’intervienne. Si la voix de votre produit est un actif de marque, ce n’est pas une comparaison de fonctionnalités. C’est une catégorie de chose différente.

Le matériel, et pourquoi il détermine l'essentiel de tout cela

Le profil de service de référence de Ming-3.0-audio-flash pour le contexte complet de 128 K avec sortie vocale repose sur le parallélisme tensoriel sur huit GPU H800 de 80 Go. Avec quatre GPU, vous obtenez un profil SGLang validé, mais uniquement pour le texte. Le dépôt précise que le profil audio complet attribue au Talker son propre budget mémoire sur le GPU 7.

Sesame Preview n’a aucune exigence matérielle parce qu’il n’a pas de déploiement. Ce n’est pas une plaisanterie à ses dépens ; c’est sa véritable proposition de valeur. Une équipe qui veut une voix expressive dans une application mobile et qui ne veut pas se soucier des GPU peut livrer un comportement de type Sesame via un fournisseur et ne jamais voir un fichier YAML.

La comparaison des coûts qui suit n’a rien de serré. Huit H800 constituent une décision d’investissement avec un calendrier d’amortissement. Une application, c’est un téléchargement. La seule raison de les comparer, c’est que les deux peuvent parler, et le coût de la parole n’est pas la variable intéressante — c’est celui de l’écoute qui l’est, et Sesame ne vend pas cela.

Ce en quoi chacun est véritablement meilleur

Ming-3.0-audio-flash est meilleur dans tout ce qui consiste à comprendre l’audio plutôt qu’à en produire. Enregistrements longs, interlocuteurs multiples, bruit de fond, musique, scènes acoustiques, questions sur ce qui a été dit et sur la façon dont cela a été dit. Sa propre fiche produit revendique une reconnaissance complexe à travers les dialectes et les accents ; ses tableaux de benchmarks sont réalisés par le fournisseur et non audités, mais ils existent, ce qui est déjà plus que ce qu’offre la concurrence dans cette confrontation.

Sesame Preview est meilleur en tant que produit. Il dispose d’une mémoire, de connecteurs vers la messagerie, le calendrier et le drive, de sa propre surface de navigation et d’action, d’une prise en charge de MCP via OAuth et, depuis octobre, de la capacité d’orchestrer d’autres agents. Rien de tout cela n’est une fonctionnalité de modèle vocal ; c’est un assistant, et la parole en est l’interface. Ming n’en a rien et ne prétend pas le contraire.

Il existe aussi un argument lié à la latence que personne n’a tranché. Un assistant conversationnel vit ou meurt par la gestion des tours de parole — Sesame a bâti sa réputation sur des hésitations et des moments d’interruption suffisamment convaincants pour que les premiers auditeurs pensent qu’une personne était en ligne. L’interface de Ming-3.0-audio-flash est de type requête-réponse : de l’audio et une instruction en entrée, du texte ou de la parole en sortie. Des exemples de streaming existent, mais diffuser une réponse en streaming n’est pas la même chose que gérer l’interruption de l’utilisateur, et le dépôt ne revendique aucune prise en charge du duplex.

Si vous êtes réellement en train de choisir

Vous ne choisissez probablement pas entre ces deux-là, et il vaut la peine de le dire clairement. Les décisions réalistes sont « Ming-3.0-audio-flash contre une API hébergée de compréhension audio » et « Sesame Preview contre la voix que votre application utilise déjà, quelle qu'elle soit ». Ce rapprochement existe parce que ce sont deux modèles audio qui ont fait l'actualité récemment, et non parce qu'un acheteur les comparerait un jour l'un à l'autre.

Cela dit, la question connexe — faut-il même auto-héberger un modèle audio ouvert ? — est celle que les deux produits nous obligent à poser. Ming plaide pour la propriété : licence MIT, modèle inspectable, modifiable, aucun fournisseur dans le chemin de la requête. Sesame plaide contre le fait de construire soi-même : une application qui fonctionne, avec des capacités que votre équipe mettrait un an à reproduire. La plupart des équipes devraient utiliser la version hébergée jusqu’à ce que celle-ci leur fasse défaut d’une manière qu’elles peuvent nommer.

Le rôle d'OrcaRouter dans cette décision est limité et mérite d'être formulé avec précision. Nous n'hébergeons pas Ming-3.0-audio-flash, et nous n'hébergeons pas Sesame Preview — l'un est un checkpoint que vous exécutez vous-même, l'autre est une application. Ce qu'une couche de routage vous offre, c'est le cadre de comparaison : plus de 200 modèles derrière une seule clé, au prix catalogue du fournisseur, sans marge ajoutée, de sorte que les modèles audio hébergés que vous comparez réellement à un Ming auto-hébergé peuvent être testés en A/B sur le même trafic, avec un basculement automatique si un chemin se dégrade. C'est ainsi que vous découvrirez si le pari des huit GPU est rentable, sans avoir à faire le pari au préalable.

La question ouverte

Ming-3.0-audio-flash est devenu exécutable il y a quatre jours et compte 22 téléchargements. Sa fiche a été modifiée le jour où ces lignes ont été écrites. Ses chiffres de benchmark sont des images, sa qualité vocale n’est pas évaluée, et son profil de service suppose une baie que la plupart des équipes ne possèdent pas. Rien de tout cela n’est éliminatoire — c’est à quoi ressemble la première semaine d’une sortie discrète, et de premiers articles « ce que nous savons » sont la bonne réponse à cela.

Sesame Preview, quant à lui, continue d’ajouter des fonctionnalités à un produit sans modèle publié derrière elles. L’écart entre ce que l’on peut entendre et ce que l’on peut inspecter résume toute l’histoire de cette entreprise, et il n’a pas changé en un an.

Ce qu’il faut surveiller n’est pas un benchmark. C’est de savoir si l’un des deux camps comble son écart : Ming qui obtient un opérateur et un chiffre de latence, ou Sesame qui publie un checkpoint qui est réellement la voix dans l’application. Ce qui se produira en premier vous indiquera laquelle de ces deux approches l’emporte.