LFM3-Audio-2B מול Sesame Preview: הורדה ואפליקציה אינן אותה בחירה

Sesame Preview הוא הקול שאנשים מתארים כאנושי. LFM3-Audio-2B הוא צ'קפוינט 2B שאפשר להוריד ולהריץ על מחשב נייד. שימו אותם באותו משפט ומשהו שימושי קורה: ההשוואה מפסיקה לעסוק בשאלה איזה מהם נשמע טוב יותר והופכת לשתי שאלות נפרדות — האם אפשר לשחרר אותו, והאם אפשר למדוד אותו? Sesame Preview נכשל בראשונה. LFM3-Audio-2B, שאותו השיקה Liquid AI ב-27 באוקטובר 2026 בתוך משפחת LFM3 בת ששת המודלים, נכשל בשנייה. אף אחד מהכשלים אינו שערורייה. אלה סוגים שונים של מוצר, ורוב הצוותים מגלים איזה מהם הם צריכים רק אחרי שכבר התחילו לבנות.

האסימטריה הזו ראויה להצגה פשוטה לפני הפרטים. למערכת הקולית של Sesame המיועדת לייצור אין API, אין מזהה מודל ואין דרג ארגוני; היא מתקיימת בתוך אפליקציה ל-iOS ול-Android עם ארבעה סוכנים בעלי שמות, זיכרון, מחברים, ומאז אוקטובר – היכולת לתזמר סוכנים אחרים. ל-LFM3-Audio-2B אין אפליקציה כלל. יש לה משקלים, כרטיס מודל, pull request ממוזגת ל-llama.cpp ובנייה של Ollama בגודל 2.1 GB. האחד הוא מקום לבלות בו אחר צהריים. האחר הוא קובץ שאפשר לשלב במוצר.

שאלה אחת: האם תוכל לשלוח את זה?

עבור LFM3-Audio-2B התשובה היא כן, עם הסתייגויות. LFM Open License v1.0 מתירה שימוש מסחרי מתחת להכנסה שנתית של 10 מיליון דולר ומחייבת רישיון בתשלום מעל לכך. המשקלים נמצאים ב-Hugging Face; Transformers 5.20.2 או חדש יותר עם trust_remote_code הוא הנתיב ב-Python; התמיכה של llama.cpp מוזגה ב-PR #31257; MLX 4-bit מכסה את Apple silicon; ONNX Runtime מכסה ניידות. הקלט הוא טקסט או אודיו ב-16 kHz, הפלט הוא טקסט, דיבור ב-24 kHz, או טקסט ודיבור משולבים. ההקשר הוא 32K טוקנים המכסים את שני הכיוונים — ולא נתון ה-256K ששייך למודל הטקסט — והמודל מפרט 18 שפות ב-19 לוקאלים, כאשר ASR חי הוא באנגלית בלבד.

עבור Sesame Preview התשובה היא לא, והסיבה מבנית ולא מסחרית. אין נקודת קצה לקול הייצור. אין מחיר, כי אין מה לקנות. האפליקציה חינמית, שיחות מוגבלות לתקרה של 30 דקות שיורדת לחמש דקות כשמנותקים מהחשבון, וארבעת הסוכנים הם המוצר. אם אתה רוצה התנהגות בסגנון Sesame באפליקציה שלך, אתה לא יכול לקבל אותה.

מה ש-Sesame שחררה הוא CSM-1B, צ'ק פוינט מחקרי ברישיון Apache-2.0. זהו בלוק סינתזה, לא עוזר: שלד Llama חוזה את ספר הקודים הראשון של Mimi, ומפענח קטן יותר חוזה את השאר, כשהכול מופק דרך קודק Mimi ב-24 kHz. הוא מיועד לאנגלית בלבד, משכפל קול מתוך קטע ייחוס באורך 10 עד 15 שניות, ואינו יכול לייצר טקסט — משדכים אותו למודל שפה. בכרטיס ה-Hugging Face שלו כתוב את החלק השקט ישירות: וריאנט מכוונן של CSM מפעיל את ההדגמה האינטראקטיבית, והווריאנט הזה אינו הצ'ק פוינט שאפשר להוריד. לכרטיס יש בערך 130,000 הורדות בחודש האחרון וכ-2,500 לייקים, מה שאומר לך שאנשים מתנסים בו. זה לא אומר לך שהם מקבלים את הקול מהאפליקציה.

שאלה שנייה: האם תוכל למדוד אותו?

LFM3-Audio-2B מפרסם טבלת ספק בת שש שורות, כולן מול LFM2.5-Audio-1.5B, ללא סט בדיקות או harness בשם. השורות שחשובות כאן הן English TTS UTMOSv2 ב-3.83 מול 3.22, VoiceBench ב-73.13 מול 55.17, הבנת אודיו MMAR ב-50.60 מול 25.85, English ASR WER ב-6.23 מול 6.13, WER/CER רב-לשוני ב-6.03, והערכת tool-calling פנימית ב-58.50. השינוי ב-UTMOS גדול — 0.6 נקודות בסולם שבו 4.0 נתפס בדרך כלל כקרוב לאנושי — ושורת ה-ASR שטוחה, וזה הדבר האמין ביותר בטבלה: ספק שלא מדווח על שיפור בציר אחד לפחות לא מכוון את הטבלה כדי לספר סיפור.

לאף אחד מהם אין עד עצמאי. לא הצלחנו למצוא שחזור של צד שלישי לאף שורה, והמספרים משווים מודל לקודמו, לא לתחום. לעומת שאר הערכים בטבלה של Liquid עצמה, LFM3-Audio-2B הוא מודל קטן טוב ולא מוביל: Voxtral Mini 3B מציג WER של 5.51 ו-NVIDIA Audex 2B מציג 5.99, Qwen2.5-Omni 3B משיג הבנת אודיו ב-54.41, ו-Gemma 4 E4B משיג קריאת כלים ב-72.40.

ל-Sesame Preview אין כלל מספר בר-השוואה. הטענה שלה לגבי האיכות היא רושם שמיעתי — כזה שחזק דיו עד שהפך לנקודת הייחוס לקול שיחתי ב-2026, וכזה שאף צד שלישי לא דירג עבור מודל הייצור. אין בכך ראיה שהקול גרוע. יש בכך ראיה שהדבר שכולם משבחים הוא הדבר היחיד בהשוואה הזו שאיש אינו יכול למדוד.

ההיפוך הזה הוא החלק הנדיר. בדרך כלל המוצר הסגור הוא זה שיש לו רקורד מוכח, והצ'קפוינט הפתוח הוא זה שאיש לא העריך. כאן המודל הפתוח הוא היחיד שאפשר להעריך, והמוצר הסגור הוא היחיד עם בסיס משתמשים אמיתי. שתי האמירות נכונות בו־זמנית, ואף אחת מהן לא מכריעה אם הקול טוב.

שני קודקים, שני הימורי עיצוב

ההבדל הטכני ביותר בין המערכות הללו הוא גם המעניין ביותר, משום ששתי החברות הימרו על קודק וההימורים מצביעים בכיוונים מנוגדים.

LiquidCodec דוחס 80 ms של דיבור ל־12 טוקנים בדידים ומפענח בחזרה ל־24 kHz עם תמיכה בזרימה. Liquid מודדת אותו במהירות של בערך פי 87 מזמן אמת על תהליכון CPU בודד של M4 Max, והמקודד האודיו הסיבתי הוא זה שמאפשר מילוי מקדים בזמן שאדם עדיין מדבר — המקור לטענת „זמן עד לטוקן הראשון” של 50 ms בלבד. שני הנתונים האלה הם מדידות של היצרן על חומרת Apple ספציפית, ללא רתמת בדיקות וללא אחוזון. הם מתארים את המקרה הטוב ביותר. טלפון, Raspberry Pi או VM x86 משותף לא יגיעו אליהם, ושום דבר בפרסום לא אומר מה כן יושג במקומם.

ה-CSM של Sesame משתמש בקודק Mimi של Kyutai בתדר 24 קילו־הרץ, עם שלד Llama שמנבא את ספר הקודים הראשון ומפענח עומק קטן יותר שמנבא את השאר. מטרת התכנון היא סינתזה אקספרסיבית מקטע ייחוס קצר, והמוניטין של האפליקציה מרמז שזה עובד. הפער בין CSM-1B לקול בייצור הוא כל הטיעון: הארכיטקטורה פומבית, הכוונון העדין (fine-tune) שגורם לזה להישמע כמו Sesame אינו.

מה שזה אומר עבור מי שבונה הוא פשוט. Liquid נותנת לך את כל הפייפליין ואת הרישיון; אתה מספק את ההערכה. Sesame נותנת לך תוצר מחקרי ודמו; אתה מספק את המוצר, ואינך יכול להכניס את הדמו לתוכו.

היכן ששניהם למעשה חופפים

יש בדיוק חפיפה אחת, והיא פלט קולי. שניהם יכולים לדבר. ההבדלים בתוך החפיפה הזו הם מעשיים:

• שפות — LFM3-Audio-2B מצהירה על 18 שפות ב-19 לוקאלים, כאשר התרגום הוא החזק ביותר אל אנגלית וממנה. Sesame Preview היא רשמית באנגלית בלבד; ההנחיות של האפליקציה עצמה מפרטות את צרפתית, איטלקית, גרמנית, ספרדית, סינית, יפנית וקוריאנית כ"מוקדמות". CSM-1B היא באנגלית בלבד.

• שליטה קולית — LFM3-Audio-2B: קול שנבחר לפי הנחיה, ללא תהליך שיבוט קולי מפורסם בכרטיס. CSM-1B: שיבוט מקטע ייחוס באורך 10 עד 15 שניות, וזו התכונה המרכזית שלו.

• שיחה — LFM3-Audio-2B: בקשה ותגובה עם סטרימינג; ללא טענה ליכולת קטיעת דיבור. Sesame Preview: בנוי סביב היסוס, קטיעה וחילופי תורות — וזו האיכות שעשתה לו את המוניטין.

מה שאתם יכולים להריץ — LFM3-Audio-2B: ‏2.1 GB, תומך CPU, לא מקוון. Sesame: אפליקציה, מקוונת, עם מגבלת קריאות.

אם המוצר שלך צריך קול שאפשר לקטוע אותו, זו לא השוואה צמודה: ל-Sesame יש את ההתנהגות הזו ו-Liquid לא טוענת לכך. אם המוצר שלך צריך קול בשוודית או בהולנדית, או צריך לפעול ללא רשת, Sesame לא יכולה לעזור ו-LFM3-Audio-2B יכולה.

מה נתב יכול ומה לא יכול לעשות כאן

שני המודלים אינם נמצאים ב-OrcaRouter, וכדאי להיות מדויקים לגבי הסיבה לכך שההצעה הרגילה של ניתוב אינה מגיעה לשכבת הדיבור. LFM3-Audio-2B הוא checkpoint שאתה מריץ בעצמך; Sesame Preview הוא אפליקציה. אין נקודת קצה מתארחת לאודיו של אף אחד מהם כדי לבצע failover ביניהם.

השכבה שמעליהם היא המקום שבו ניתוב מצדיק את עצמו. מוצר קולי שנבנה על אחד משני המודלים עדיין מעביר עבודה למודלי טקסט — סיכום שיחה, חילוץ הזמנה, החלטה על השאלה הבאה — וההאצלה הזו היא המקום שבו גרות שונות העלויות והשבתות של ספקים. OrcaRouter מספק יותר מ-200 מודלי טקסט ומודלים מולטימודליים מאחורי מפתח אחד במחיר המחירון של הספקים ללא תוספת רווח, עם מעבר אוטומטי בין ספקים בעת כשל ו-DSL לניתוב שיכול להרכיב כמה מודלים לקריאה אחת. הוא גם מאפשר לך להריץ מיזוג מודלים כאשר שיקול הדעת של מודל יחיד אינו מספיק. עבור צוות שמדגים לולאת קול, זה אומר שניתן להחליף ולשהשוות את החצי הטקסטואלי בלי לגעת באינטגרציית האודיו.

ההחלטה

אם אתם מכיילים טעם — מחליטים כמה חמימות המוצר שלכם צריך לקבל, כמה ארוכה הפסקה שנעימה, ובאיזו מהירות סוכן צריך לוותר על רשות הדיבור — Sesame Preview חינמי, מצוין באמת, והמקום הנכון לבלות בו אחר צהריים. השתמשו בו כרפרנס. אל תתכננו אינטגרציה סביבו, כי אין עם מה להשתלב.

אם אתם משיקים מוצר, LFM3-Audio-2B הוא מועמד אמיתי עם הסתייגויות אמיתיות: נתונים של הספק בלבד, ASR חי באנגלית בלבד, הקשר של 32K, וסף רישיון שכדאי לשים לב אליו. בדקו אותו על ההקלטות שלכם לפני שאתם מאמינים לשיפור ב-UTMOS, ובדקו פלט דיבור בשפות שאתם באמת צריכים במקום לסמוך על מספר השפות הנתמכות.

מה שישנה את התמונה הזו הוא משהו ספציפי. API של Sesame לקול בייצור יהפוך אותו למועמד החזק ביותר בקטגוריה בין לילה. מבחן UTMOS בלתי תלוי או מבחן העדפה עבור LFM3-Audio-2B יגיד לך אם 3.83 הוא צעד אמיתי לקראת דיבור טבעי או מספר שנמדד מול קודמו החלש. עד שאחד מאלה יתממש, הסיכום הנכון הוא שאחד מאלה הוא מוצר שאפשר להעריץ והשני הוא מודל שאפשר להחזיק — ורק אחד מאלה הוא החלטה שאפשר לפעול לפיה השבוע.