LFM3-Audio-2B vs Sesame Preview: Mengunduh dan Aplikasi Bukanlah Pilihan yang Sama

Sesame Preview adalah suara yang orang-orang gambarkan sebagai manusia. LFM3-Audio-2B adalah checkpoint 2B yang dapat diunduh dan dijalankan di laptop. Letakkan keduanya dalam satu kalimat dan sesuatu yang berguna akan terjadi: perbandingannya berhenti menjadi soal mana yang terdengar lebih baik dan berubah menjadi dua pertanyaan terpisah — bisakah Anda merilisnya, dan bisakah Anda mengukurnya? Sesame Preview gagal pada pertanyaan pertama. LFM3-Audio-2B, yang dirilis Liquid AI pada 27 Oktober 2026 dalam keluarga LFM3 berisi enam model, gagal pada pertanyaan kedua. Tidak ada dari kedua kegagalan itu yang merupakan skandal. Keduanya adalah jenis produk yang berbeda, dan sebagian besar tim baru mengetahui mana yang mereka butuhkan setelah mereka mulai membangun.

Asimetri ini layak dinyatakan secara gamblang sebelum masuk ke detail. Voice produksi Sesame tidak memiliki API, tidak memiliki ID model, dan tidak memiliki tier enterprise; ia hidup di dalam aplikasi iOS dan Android dengan empat agen bernama, memori, konektor, dan sejak Oktober, kemampuan untuk mengorkestrasi agen lain. LFM3-Audio-2B sama sekali tidak memiliki aplikasi. Ia memiliki bobot, kartu model, pull request llama.cpp yang sudah di-merge, dan build Ollama 2.1 GB. Yang satu adalah tempat untuk menghabiskan waktu satu sore. Yang lain adalah file yang bisa Anda masukkan ke dalam produk.

Pertanyaan satu: bisakah Anda mengirimkannya?

Untuk LFM3-Audio-2B jawabannya ya, dengan catatan. Lisensi LFM Open License v1.0 mengizinkan penggunaan komersial di bawah pendapatan tahunan $10M dan mewajibkan lisensi berbayar di atasnya. Bobot tersedia di Hugging Face; Transformers 5.20.2 atau lebih baru dengan trust_remote_code adalah jalur Python; dukungan llama.cpp telah digabungkan dalam PR #31257; MLX 4-bit mencakup Apple silicon; ONNX Runtime mencakup portabilitas. Input berupa teks atau audio 16 kHz, output berupa teks, ucapan 24 kHz, atau teks dan ucapan yang berselang-seling. Konteksnya 32K token yang mencakup kedua arah — bukan angka 256K yang merupakan milik model teks — dan model mencantumkan 18 bahasa di 19 lokal, dengan ASR langsung hanya untuk bahasa Inggris.

Untuk Sesame Preview, jawabannya adalah tidak, dan alasannya bersifat struktural, bukan komersial. Tidak ada endpoint untuk suara produksi. Tidak ada harga, karena tidak ada yang bisa dibeli. Aplikasinya gratis, panggilan dibatasi maksimal 30 menit yang turun menjadi lima menit saat logout, dan keempat agen adalah produknya. Jika Anda menginginkan perilaku yang menyerupai Sesame di aplikasi Anda sendiri, Anda tidak bisa mendapatkannya.

Apa yang telah dirilis Sesame adalah CSM-1B, sebuah checkpoint riset Apache-2.0. Ini adalah blok sintesis, bukan asisten: tulang punggung Llama memprediksi codebook Mimi pertama dan decoder yang lebih kecil memprediksi sisanya, dirender melalui codec Mimi pada 24 kHz. Model ini hanya untuk bahasa Inggris, mengkloning suara dari klip referensi berdurasi 10 hingga 15 detik, dan tidak dapat menghasilkan teks — Anda memasukkannya dengan model bahasa. Kartu Hugging Face-nya mengatakan bagian yang biasanya tidak diucapkan secara langsung: varian CSM yang telah disesuaikan (fine-tuned) menjalankan demo interaktif, dan varian itu bukan checkpoint yang dapat Anda unduh. Kartu tersebut memiliki sekitar 130.000 unduhan dalam sebulan terakhir dan sekitar 2.500 suka, yang menunjukkan orang-orang bereksperimen dengannya. Itu tidak menunjukkan bahwa mereka mendapatkan suara dari aplikasi tersebut.

Pertanyaan kedua: dapatkah Anda mengukurnya?

LFM3-Audio-2B menerbitkan tabel vendor enam baris, semuanya dibandingkan dengan LFM2.5-Audio-1.5B, tanpa set pengujian atau harness yang disebutkan. Baris yang penting di sini adalah TTS bahasa Inggris UTMOSv2 sebesar 3,83 dibandingkan 3,22, VoiceBench 73,13 dibandingkan 55,17, pemahaman audio MMAR 50,60 dibandingkan 25,85, WER ASR bahasa Inggris 6,23 dibandingkan 6,13, WER/CER multibahasa 6,03, dan evaluasi tool-calling internal 58,50. Lonjakan UTMOS besar — 0,6 poin pada skala yang 4,0 biasanya dianggap mendekati manusia — dan baris ASR datar, yang merupakan hal paling kredibel dalam tabel: vendor yang melaporkan tidak ada peningkatan pada satu aspek setidaknya tidak mengoptimalkan tabel demi sebuah narasi.

Tidak ada satu pun yang memiliki saksi independen. Kami tidak dapat menemukan reproduksi pihak ketiga atas baris mana pun, dan angka-angka itu membandingkan sebuah model dengan pendahulunya sendiri, bukan dengan para pesaing di bidangnya. Dibandingkan dengan entri lain dalam tabel Liquid sendiri, LFM3-Audio-2B adalah model kecil yang bagus, bukan yang terdepan: Voxtral Mini 3B mencatat WER 5,51 dan NVIDIA Audex 2B mencatat 5,99, Qwen2.5-Omni 3B meraih pemahaman audio 54,41, dan Gemma 4 E4B meraih pemanggilan alat 72,40.

Sesame Preview sama sekali tidak memiliki angka yang sebanding. Klaim kualitasnya adalah kesan saat mendengarkan — cukup kuat hingga menjadi titik referensi untuk suara percakapan pada 2026, dan sesuatu yang belum pernah dinilai oleh pihak ketiga untuk model produksinya. Itu bukan bukti bahwa suaranya buruk. Itu bukti bahwa hal yang semua orang puji adalah satu-satunya hal dalam perbandingan ini yang tidak dapat diukur oleh siapa pun.

Inversi inilah bagian yang langka. Biasanya produk tertutup adalah yang punya rekam jejak, dan checkpoint terbuka adalah yang belum pernah dievaluasi siapa pun. Di sini, model terbuka adalah satu-satunya yang bisa Anda evaluasi, dan produk tertutup adalah satu-satunya yang punya basis pengguna nyata. Kedua pernyataan itu benar sekaligus, dan tidak satu pun menentukan apakah suaranya bagus.

Dua codec, dua taruhan desain

Perbedaan paling teknis antara sistem-sistem ini juga yang paling menarik, karena kedua perusahaan bertaruh pada codec dan taruhan-taruhan itu mengarah ke arah yang berlawanan.

LiquidCodec mengemas 80 ms ucapan menjadi 12 token diskret dan mendekode kembali ke 24 kHz dengan dukungan streaming. Liquid mengukurnya sekitar 87× waktu nyata pada satu thread CPU M4 Max, dan encoder audio kausal-lah yang memungkinkan prefill saat seseorang masih berbicara — sumber klaim waktu-ke-token-pertama "serendah 50 ms". Kedua angka tersebut adalah pengukuran vendor pada perangkat keras Apple yang disebutkan, tanpa harness dan tanpa persentil. Angka-angka itu menggambarkan kasus terbaik. Ponsel, Raspberry Pi, atau VM x86 bersama tidak akan mencapainya, dan tidak ada apa pun dalam rilis yang menyebutkan angka yang akan dicapai sebagai gantinya.

CSM milik Sesame menggunakan codec Mimi dari Kyutai pada 24 kHz, dengan backbone Llama yang memprediksi codebook pertama dan depth decoder yang lebih kecil yang memprediksi sisanya. Tujuan desainnya adalah sintesis ekspresif dari klip referensi singkat, dan reputasi aplikasinya menunjukkan bahwa itu berhasil. Kesenjangan antara CSM-1B dan suara produksi adalah inti argumennya: arsitekturnya publik, fine-tune yang membuatnya terdengar seperti Sesame tidak.

Apa artinya bagi seorang pembangun sederhana saja. Liquid memberi Anda seluruh pipeline dan lisensi; Anda yang menyediakan evaluasinya. Sesame memberi Anda artefak riset dan demo; Anda yang menyediakan produknya, dan Anda tidak dapat memasukkan demo itu ke dalamnya.

Di mana keduanya sebenarnya tumpang tindih

Ada tepat satu tumpang tindih, dan itu adalah keluaran suara. Keduanya dapat berbicara. Perbedaan di dalam tumpang tindih tersebut bersifat praktis:

• Bahasa — LFM3-Audio-2B mengklaim 18 bahasa di 19 lokal, dengan terjemahan paling kuat ke atau dari bahasa Inggris. Sesame Preview secara resmi hanya bahasa Inggris; panduan aplikasi itu sendiri mencantumkan bahasa Prancis, Italia, Jerman, Spanyol, Tionghoa, Jepang, dan Korea sebagai "awal". CSM-1B hanya bahasa Inggris.

• Kontrol suara — LFM3-Audio-2B: suara dipilih melalui prompt, tidak ada alur kerja kloning yang dipublikasikan di kartu. CSM-1B: kloning dari klip referensi berdurasi 10 hingga 15 detik, yang merupakan fitur utamanya.

• Percakapan — LFM3-Audio-2B: permintaan dan respons dengan streaming; tidak ada klaim barge-in. Sesame Preview: dibangun di sekitar jeda ragu, interupsi, dan pergantian giliran, yang merupakan kualitas yang membangun reputasinya.

• Yang bisa Anda jalankan — LFM3-Audio-2B: 2,1 GB, dapat dijalankan di CPU, offline. Sesame: sebuah aplikasi, online, dengan batas panggilan.

Jika produk Anda membutuhkan suara yang dapat diinterupsi, ini bukanlah perbandingan yang seimbang: Sesame memiliki perilaku tersebut dan Liquid tidak mengklaimnya. Jika produk Anda membutuhkan suara dalam bahasa Swedia atau Belanda, atau perlu berjalan tanpa jaringan, Sesame tidak dapat membantu dan LFM3-Audio-2B bisa.

Apa yang dapat dan tidak dapat dilakukan router di sini

Tidak ada dari kedua model tersebut yang ada di OrcaRouter, dan penting untuk tepat mengenai mengapa tawaran routing yang biasa tidak menjangkau lapisan ucapan. LFM3-Audio-2B adalah checkpoint yang Anda jalankan sendiri; Sesame Preview adalah aplikasi. Tidak ada endpoint audio yang di-hosting dari keduanya untuk melakukan failover di antara keduanya.

Lapisan di atasnya adalah tempat routing membuktikan nilainya. Produk suara yang dibangun di atas salah satu model tetap menyerahkan pekerjaan ke model teks — merangkum panggilan, mengekstrak pemesanan, memutuskan pertanyaan berikutnya — dan delegasi itulah tempat variasi biaya dan gangguan penyedia berada. OrcaRouter menyajikan lebih dari 200 model teks dan multimodal di balik satu kunci dengan harga daftar penyedia tanpa markup tambahan, dengan failover otomatis dan DSL routing yang dapat menggabungkan beberapa model menjadi satu panggilan. Ini juga memungkinkan Anda menjalankan fusi model ketika penilaian satu model saja tidak cukup. Bagi tim yang membuat prototipe loop suara, itu berarti separuh teks dapat ditukar dan dibandingkan tanpa menyentuh integrasi audio.

Keputusan

Jika Anda sedang mengkalibrasi selera — menentukan seberapa hangat produk Anda seharusnya, berapa lama jeda yang nyaman, seberapa cepat agen harus menyerahkan giliran bicara — Sesame Preview gratis, benar-benar unggul, dan tempat yang tepat untuk menghabiskan waktu selama satu sore. Gunakan sebagai referensi. Jangan merencanakan integrasi di sekitarnya, karena tidak ada yang bisa diintegrasikan.

Jika Anda sedang merilis produk, LFM3-Audio-2B adalah kandidat nyata dengan peringatan nyata: angka hanya dari vendor, ASR langsung hanya bahasa Inggris, konteks 32K, dan ambang lisensi yang perlu diperhatikan. Uji pada rekaman Anda sendiri sebelum percaya pada peningkatan UTMOS, dan uji keluaran suara dalam bahasa yang benar-benar Anda butuhkan daripada mempercayai jumlah lokal.

Yang akan mengubah gambaran ini bersifat spesifik. API {{1}}Sesame{{/1}} untuk suara produksi akan menjadikannya kandidat terkuat di kategorinya dalam semalam. UTMOS independen atau uji preferensi untuk LFM3-Audio-2B akan memberi tahu Anda apakah 3,83 adalah langkah nyata menuju ucapan alami atau angka yang diukur terhadap pendahulu yang lemah. Sampai salah satunya terwujud, ringkasan yang tepat adalah bahwa salah satunya adalah produk yang bisa Anda kagumi dan yang lainnya adalah model yang bisa Anda miliki — dan hanya satu di antaranya yang merupakan keputusan yang bisa Anda tindak lanjuti minggu ini.