Ming-3.0-audio-tiny לעומת Sesame Preview: האחד יכול לדבר ולא יקבל ציון, האחר מדבר למחייתו
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 9 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-17$0.15 / $0.60 לכל 1M טוקנים · 231 tok/s
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 95 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 787 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 40 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 832 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 52 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 119 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
הדבר המוזר בהצבת Ming-3.0-audio-tiny לצד Sesame Preview הוא שהציר הברור — איכות הקול — הוא זה שאף אחד מהצדדים לא ייתן לך למדוד. Ming-3.0-audio-tiny מגיעה עם מחולל דיבור: Talker בנפח 1.4 GB, VAE בנפח 1.6 GB, מקודד דובר CAM++, שלושה קולות בעלי שם ומסלול שיבוט מתוך קטע ייחוס. והספק שלה לא מפרסם שום מדד ביצועים להמרת טקסט לדיבור עבור אף אחד מאלה. שלוש תמונות ההערכה במאגר מכסות זיהוי, בינה אודיו וטקסט. אין שורת דמיון דוברים, אין שורת שיעור שגיאות מילים בדיבור מסונתז, כלום. Sesame Preview היא התמונה ההפוכה: מוצר שכל המוניטין שלו הוא צליל הקול שלו, בלי מזהה מודל, בלי API ובלי ציון שמצורף לקול באפליקציה. הכשלים המתועדים של בינה מלאכותית ותקריות סוכנים שמאחורי השקות כמו זו מרוכזים בthe OrcaRouter AI Incident Archive שבו כל רשומה כוללת מקורות משלה, חומרה, דרגת ביטחון וסימון שנוי במחלוקת.
שניהם שקטים באותו כיוון ומסיבות שונות, וזו נקודת המוצא הכנה. Ming-3.0-audio-tiny הוא צ'קפוינט שניתן להוריד — המשקלים נמצאים ב-Hugging Face מאז 3 בספטמבר 2026, ומה שהשתנה בין 16 ל-19 באוקטובר היה הניירת שסביבם: config מתוקן, עץ ה-Talker, פריסטים קוליים, פרופילי פריסה, וב-19 באוקטובר כרטיס המודל הראשון. Sesame Preview הוא אפליקציה שמדברים איתה, שמתעדכנת בפומבי, מתוארת על ידי החברה במילותיה שלה, ולעולם אינה מצטמצמת לקובץ. האחד אינו נמדד משום שהספק שלו בחר לא למדוד אותו; האחר אינו ניתן למדידה משום שאין מה להריץ.
מהו למעשה נתיב הדיבור של המודל הזעיר
זהו נספח, לא המודל. ה-Thinker — 17.74 GB על פני שני שרדים, 9.3B פרמטרים בסך הכול ו-2.7B פעילים — קורא אודיו וכותב טקסט. ה-Talker הוא תהליך שני שהופך את המצב החבוי של ה-Thinker לדיבור, ופריסת הייחוס מקצה לו GPU משלו. פרופיל הטקסט פועל על התקנים: "0" עם מקביליות טנזורית של אחת; פרופיל האודיו המלא מציב את ה-Thinker על GPU 0 ב-0.78 מהכרטיס ואת ה-Talker על GPU 1 ב-0.18. פרופיל SGLang הוא טקסט בלבד, והכרטיס אומר זאת במפורש.
• קולות — ברירת המחדל של vLLM-Omni היא קול IP מובנה בשם 灵小柔; המאגר כולל גם את 灵楷 ו-US_James כקולות ייחוס מוגדרים מראש תחת voice_presets/voice_audio/, עם תמלולים תואמים ב-voice_prompts.json.
• שיבוט — קובץ WAV לייחוס יחד עם התמלול המדויק שלו. הכרטיס מזהיר כי לא ניתן לשלב בחירת קול מובנית עם קליפ ייחוס בבקשה אחת.
• שפות — סינית ואנגלית, "כולל מבטאים ודיאלקטים מגוונים", ללא רשימת שפות נפרדת עבור ה-Talker. האם הוא מדבר אנגלית במבטא אמריקאי באותה מידה שהוא קורא אותה, לא נאמר בשום מקום.
• רישיון — MIT על המשקלים; הפריסטים הקוליים הם החלק שיש לקרוא בקפידה, משום שקטע ייחוס נושא עמו את הזכויות שהיו לדובר שלו. המאגר אינו מספק תנאים נפרדים לשני הקולות המצורפים.
• ראיות — אין עבור מסלול הדיבור. נתוני הזיהוי וההסקה הם של inclusionAI עצמה; בצד הסינתזה אין כלל מספר שפורסם.
השורה האחרונה היא הסיבה שההשוואה הזו קצרה במסקנות. ספק שמודד את ה-ASR שלו עד שתי ספרות אחרי הנקודה ולא מפרסם דבר על ה-TTS שלו אמר לך באיזה חצי של המודל הוא בטוח.
הצד של Sesame באותו ספר חשבונות
העמדה הפומבית של Sesame היא ההפוכה: קול טוב מספיק כדי שאנשים הניחו שבקו נמצא אדם, המסופק דרך עוזר עם זיכרון, מחברים, גלישה, ומאז עדכון באוקטובר 2026, היכולת לתאם סוכנים אחרים. החברה תיארה את העדכון הזה כמודל Conversational Speech Model חדש עם הבעתיות והגייה טובות יותר. היא לא פרסמה עבורו צ'קפוינט, מזהה מודל, נתוני השהיה או רישיון. אין נקודת קצה, ולכן אין בקשה לשלוח ואין תגובה לדרג.
הארטפקט היחיד שמפתח יכול להחזיק בו הוא sesame/csm-1b ב-Hugging Face: Apache-2.0, אנגלית בלבד, כ-1.1 מיליארד פרמטרים, עמוד שדרה ממשפחת Llama שמנבא ספר קודים אודיו ראשון עם מפענח עומק קטן יותר עבור השאר, ומפוענח דרך קודק Mimi של Kyutai ב-24 קילו-הרץ. הוא הועלה במרץ 2025 והורד כ-130,000 פעמים בחודש האחרון עם כ-2,500 לייקים. הכרטיס מציין בכנות שזהו מודל בסיס ליצירה — הוא יכול להפיק קולות מגוונים, הוא לא מכוונן לאף קול מסוים, והדמו האינטראקטיבי הוא נגזרת ולא הצ'קפוינט עצמו.
אז האמירה ההוגנת היא: אפשר להחזיק בארכיטקטורה של Sesame משנת 2025. אי אפשר להחזיק בקול שהפך את החברה למפורסמת בשנת 2026.
שני תפקידים שונים שלובשים את אותה מילה
הסירו את המילה "audio" משתי התיאורים, והאי-התאמה הופכת ברורה. Ming-3.0-audio-tiny הוא מודל האזנה שיכול גם לדבר. ההערכה שלו נשלטת על ידי הבנה: MMAU 75.90, MMAR 67.70, MMSU 73.06, BigBenchAudio 99.20, ASR בסינית עם שגיאת תווים ממוצעת של 3.79, וניבים עם ממוצע של 10.29. אלה המספרים שהספק שלו בחר לפרסם, וכולם עוסקים בהבנה. Sesame Preview הוא מוצר מדבר שגם מקשיב, והמוניטין שלו נשען על חילופי תורות — קטיעה, בקצ'אנל, והתזמון שגורם לשיחה להרגיש כמו שיחה אחת.
אלה לא אותו כישור, והם לא באים זה על חשבון זה. מודל יכול להיות מצוין ב"מה אמר הדובר השלישי על החשבונית" ובינוני בלהישמע כמו אדם, וההפך אפשרי באותה מידה. שום דבר בחומרים של אף אחד מהספקים לא מאפשר לדרג אותם על ציר משותף, כי הם מעולם לא מדדו את אותו ציר.
המקום שבו האסימטריה מכה הכי חזק הוא הניסוי הזול. עם Ming-3.0-audio-tiny אפשר לסנתז את אותו משפט חמישים פעמים, לשנות את קליפ הייחוס ולהאזין — עבודה של אחר צהריים, בלי צורך באישור. עם Sesame Preview הניסוי המקביל הוא לפתוח את האפליקציה ולגבש דעה, כי אין דגימה שנייה לשאוב ממנה.
הפרסום היחיד של Sesame ששווה לשאול
באוגוסט 2026 שחררה Sesame את TurnBench, בנצ'מרק פתוח לתורות בדיבור בדו-שיח: כ-30 שעות של דיבור דיאדי עם תיוג משולש, פרוטוקול ניקוד השאול מניתוח שיח, לוח מובילים ציבורי ותוצאות עבור 14 מערכות, שנבנה עם Carnegie Mellon, Mundo AI ו-Oto. זה הדבר השימושי ביותר בכל ההשוואה, והוא שימושי דווקא משום שהוא מודד את האיכות ששני לוחות ה-word-error וה-preference-Elo מפספסים.
השתמשו בו כמכשיר מדידה ולא כלוח תוצאות. האפליקציה של Sesame עצמה אינה נכללת בו, ו-Ming-3.0-audio-tiny בוודאי שלא. אבל אם אתם שוקלים את המודל הזעיר למשהו שיחתי — וה-Talker שלו יחד עם חלון של 131,072 טוקנים הופכים את זה לשיקול סביר — אז טיפול בקטיעות ותזמון backchannel הם מה שכדאי שתמדדו, ו-TurnBench נותן לכם פרוטוקול לעשות זאת במקום להסתמך על תחושת בטן.
המסקנה הנלווית אינה נוחה לשני הספקים. מודל יכול לכלול מחולל דיבור והקשר של 128K ועדיין להיות גרוע בדבר ש-Sesame ידועה בו, ואף אחד משני מערכי הנתונים בהשוואה הזו לא יגיד לך זאת.
העלות, ברגע שמפסיקים להשוות מחירונים
ל-Sesame Preview אין מחיר כי אין לו מוצר למכור במחיר: האפליקציה חינמית, החברה אומרת שהיא אינה מציגה פרסומות ואינה מוכרת נתונים, ואין מסלול מתומחר שפורסם. גם ל-Ming-3.0-audio-tiny אין מחירון, אבל יש לו משהו טוב יותר — רצפה אריתמטית. טקסט ו-ASR פועלים על GPU אחד. פלט דיבור פועל על שניים, כי ה-Talker וה-VAE שלו הם סט משקולות שני עם התקן משלו. אם תמיד תצטרך רק את חלק ההאזנה, הכרטיס השני הוא כסף שאתה לא מוציא, ובניגוד למנוי הוא לא משתנה בהתאם למספר המשפטים שאתה מייצר.
זה המקום היחיד שבו השניים באמת בני השוואה, וזו השוואה בין צורות ולא בין מספרים: חשבון חומרה קבוע שאפשר לחזות מראש, לעומת מוצר חינמי שאין אפשרות לבחון את תנאיו ואין אפשרות לרכוש את הקיבולת שלו.
OrcaRouter נמצא מחוץ לשניהם. איננו מספקים את Ming-3.0-audio-tiny — זהו צ׳קפוינט שאתם מריצים, לא נקודת קצה שאנחנו מארחים — ואין בכלל מודל Sesame לנתב אליו. מה שנתב כן מגיע אליו הוא החצי הטקסטואלי של צינור עיבוד קולי: התסריט, התרגום, התקציר, המסווג שקובע איזו הקלטה זקוקה לאדם. מפתח אחד ליותר מ-200 מודלים במחיר המחירון של הספק ללא תוספת רווח הוא חוזה קצר יותר משלושה, ומעבר אוטומטי לגיבוי מונע מאצווה ארוכה של סינתזה לקרוס משום שלספק אחד היה אחר צהריים רע. שום דבר מזה לא הופך אף אחד משני המודלים לטוב יותר כקול.
מה ישנה את התשובה
שלושה אירועים, שכל אחד מהם ניתן לבדיקה. ראשית, פרסום של inclusionAI של הערכת טקסט לדיבור עבור Ming-3.0-audio-tiny — טבעיות, דמיון לדובר בקליפ הייחוס, שיעור שגיאות בדיבור מסונתז — יהפוך את Talker מתכונה שאינה נמדדת למועמדת. שנית, שחרור על ידי Sesame של צ'קפוינט או API לקול הייצור יהפוך את המוניטין של האפליקציה לניתן לבדיקה, וההשוואה סוף סוף תהיה בין שני דברים בני הרצה. שלישית, צד שלישי בלתי תלוי שידרג מי מהמודלים ב-TurnBench יכריע את התכונה האחת ששני הספקים מרמזים עליה ואיש מהם אינו מפרסם.
עד שאחד מאלה נוחת, התיאור המדויק אינו זוהר. Ming-3.0-audio-tiny הוא מודל האזנה בנפח 17.74 GB עם תוסף דיבור אופציונלי בנפח 3 GB, משקולות MIT, קונפיג מתוקן, כרטיס שצעיר בארבעה ימים מהקונפיג שהוא מתאר, ואין מספר מפורסם עבור החצי שמדבר. Sesame Preview הוא קול שאפשר לשמוע, להעריץ ולא להשיג. הבחירה בין השניים אינה בחירה בין שני מודלים. היא בחירה בין למדוד משהו בעצמך לבין לא להיות רשאי.
אם עליך להחליט השבוע
לצורך תמלול, הבנה של הקלטות ארוכות, או כל דבר שבו הפלט הוא טקסט שאותו תנתח, Ming-3.0-audio-tiny הוא היחיד מבין השניים שהוא בכלל מועמד — הקצה GPU אחד, השתמש בפרומפט ה-ASR המאומת עם מפריד הטאב שלו, והגדר את ההקשר לאורך שאתה באמת צריך. לחוויית קול לצרכן שאתה יוצר עבורה אב־טיפוס, Sesame הוא אמת המידה שמולה תמדוד את העבודה שלך, ולא תלות שעליה בונים, מפני שאין שום תלות להתקין.
ולגבי פלט הדיבור של המודל הזעיר: נסו אותו לפני שאתם מתכננים סביבו. שני GPUs, קליפ ייחוס, תמלול שמתאים בדיוק לקליפ הזה, ושעה של האזנה יגידו לכם יותר מכל תיקיית הבנצ'מרק — מפני שתיקיית הבנצ'מרק לא מכילה אפילו מספר אחד עליו.
