Ming-3.0-audio-flash vs Sesame Preview: Yang Satu Mendengar Segalanya, yang Lain Cukup Terdengar Seperti Manusia

Kedua ini bukan rival. Ming-3.0-audio-flash adalah model mixture-of-experts audio-bahasa dengan 126 miliar parameter di bawah lisensi MIT yang lima tugas tercantumnya adalah pengenalan ucapan, pemahaman audio panjang, persepsi suara non-ucapan dan musik, penalaran audio, dan — sebagai opsi kelima — berbicara kembali. Sesame Preview adalah asisten suara konsumen dengan empat kepribadian, aplikasi iOS dan Android, dan sama sekali tanpa API. Yang kedua tidak perlu tahu seperti apa bunyi pintu yang dibanting. Yang pertama dibangun justru untuk itu. Menempatkan keduanya berdampingan hanya berguna karena memaksa muncul pertanyaan yang dilewatkan sebagian besar perbandingan model audio: apakah Anda membeli telinga, atau mulut? Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda sengketa.

Waktu kemunculannya membuat ketidaksesuaian itu semakin tajam. Ming-3.0-audio-flash hadir di Hugging Face pada 3 September 2026 tanpa pengumuman dan teronggok di sana selama enam minggu sebelum kode penyajian, contoh, dan kartu yang ditulis ulang diunggah antara 15 dan 19 Oktober — repositori GitHub dibuat pada tanggal 15, dan kartu tersebut masih diedit pada tanggal 19. Daftar itu menunjukkan 22 unduhan. Sesame Preview telah dirilis ke publik sejak musim semi, dan artefak risetnya yang dapat diunduh, CSM-1B, telah ada di Hugging Face sejak Maret 2025 dengan sekitar 130.000 unduhan dalam sebulan terakhir dan sekitar 2.500 suka. Yang satu memiliki basis pengguna tetapi tidak punya repositori. Yang lain punya repositori tetapi belum punya pengguna.

Terbuat dari apa masing-masing

Ming-3.0-audio-flash menggabungkan encoder audio dan proyektor dengan tulang punggung bahasa mixture-of-experts, serta modul Talker opsional yang mengubah keluaran teks model menjadi ucapan. Total parameternya 126 miliar, dengan 6,5 miliar diaktifkan per langkah inferensi — bilah samping Hugging Face mencantumkan 128B, sebuah ketidaksesuaian yang tidak dijelaskan oleh kartu model. Masukan berupa audio ditambah instruksi teks. Keluaran berupa teks, atau teks dengan ucapan tersintesis. Model ini menangani bahasa Tionghoa dan Inggris, dengan aksen dan dialek disebutkan secara eksplisit.

Sesame Preview tidak dijelaskan sedetail itu di mana pun secara publik. Yang publik adalah aplikasinya: antarmuka suara dengan empat kepribadian bernama, memori, konektor, dan sejak Oktober 2026 kemampuan untuk mengorkestrasi agen lain. Yang juga publik adalah CSM-1B, checkpoint riset Apache-2.0 milik Sesame — tulang punggung Llama yang memprediksi codebook audio pertama dan decoder kedalaman yang lebih kecil yang memprediksi sisanya, didekodekan melalui codec Mimi milik Kyutai pada 24 kHz, hanya bahasa Inggris. Kartu tersebut menyebutnya "model generasi dasar," dan Sesame telah eksplisit bahwa turunan fine-tuned dari model itu yang menggerakkan demo interaktif, bukan checkpoint itu sendiri yang menjadi demo.

• Yang dapat Anda unduh — Ming: checkpoint lengkap 126B, prosesor, tokenizer, aset Talker. Sesame: CSM-1B, model dasar dengan 1B parameter yang bukan merupakan suara di aplikasi.

• Yang dapat Anda panggil — Ming: endpoint yang kompatibel dengan OpenAI pada vLLM-Omni atau SGLang, setelah Anda menghostingnya. Sesame: sebuah aplikasi. Tidak ada endpoint, tidak ada ID model untuk suara produksi.

• Apa yang didengarkannya — Ming: ucapan, dialek, kebisingan, beberapa pembicara, bunyi non-ucapan, suasana akustik, musik. Sesame: suara Anda, dalam percakapan.

• Apa yang dikatakannya — Ming: teks, opsional ucapan melalui suara bawaan atau suara hasil kloning referensi. Sesame: ucapan yang dirancang untuk napas, keraguan, dan interupsi.

• Bahasa — Ming: Tionghoa dan Inggris. Sesame: Inggris secara resmi; panduan aplikasi itu sendiri mencantumkan Prancis, Italia, Jerman, Spanyol, Tionghoa, Jepang, dan Korea sebagai "awal".

• Lisensi — Ming: MIT. Sesame: ketentuan layanan aplikasi; Apache-2.0 hanya pada checkpoint penelitian.

Asimetri evaluasinya bersifat total

Dengan Ming-3.0-audio-flash, Anda dapat menghasilkan kalimat yang sama seratus kali dan mendengarkannya. Anda dapat memberinya rekaman rapat berisik yang sama dan memeriksa transkripsinya. Anda dapat menghitung tingkat kesalahan Anda sendiri pada audio Anda sendiri, dan tingkat kesalahan itu adalah angka milik Anda.

Dengan Sesame Preview, Anda tidak dapat menghasilkan apa pun. Tidak ada endpoint, tidak ada checkpoint untuk suara produksi, tidak ada tolok ukur yang diterbitkan untuknya. Anda dapat mendengarkan aplikasi dan membentuk opini, dan opini itu adalah keseluruhan bukti Anda. Checkpoint riset CSM-1B dapat diuji — Anda dapat menjalankannya, menyempurnakannya, mengukurnya — tetapi secara eksplisit bukan model di balik suara yang membuat Sesame terkenal.

Ini adalah perbandingan langka di mana model terbuka adalah satu-satunya yang dapat Anda evaluasi, meskipun model tertutup adalah satu-satunya yang memiliki basis pengguna nyata. Inversi itu layak direnungkan, karena argumen biasanya berjalan sebaliknya: produk tertutup seharusnya menjadi produk yang memiliki rekam jejak.

Di mana keduanya benar-benar bersentuhan

Ada tepat satu tumpang tindih, yaitu Talker. Ming-3.0-audio-flash dapat menghasilkan ucapan, dan kemampuan suaranya lebih dapat dikonfigurasi daripada aplikasi empat suara: jalur vLLM-Omni menyertakan suara IP bawaan, direktori model membawa suara referensi preset dengan transkrip yang cocok, dan Anda dapat memberikan WAV referensi apa pun beserta transkrip persisnya untuk melakukan kloning. Ucapan streaming dengan metrik latensi memiliki contoh yang berfungsi. Jalur SGLang sama sekali tidak mendukung ucapan — hanya teks — yang perlu diketahui sebelum Anda memilih stack serving.

Tetapi konfigurabilitas tidak sama dengan kualitas, dan repositori Ming tidak mempublikasikan evaluasi kualitas ucapan sama sekali. Tiga panel benchmark-nya mencakup pengenalan ucapan, kecerdasan audio, dan teks. Tidak ada skor MOS, tidak ada uji preferensi, tidak ada perbandingan prosodi. Jadi posisi jujur tentang "Ming terdengar lebih baik daripada Sesame" adalah bahwa belum ada yang mengukurnya, dan orang-orang yang paling tepat untuk berpendapat — pengguna Sesame — belum pernah mendengar Ming.

Yang diberikan Ming's Talker kepada Anda dan tidak bisa diberikan Sesame adalah kepemilikan suara. Sebuah klip referensi dan transkripnya, lalu model berbicara dengan suara itu, di perangkat keras Anda, dengan lisensi MIT, tanpa pihak ketiga yang terlibat. Jika suara produk Anda adalah aset merek, itu bukan perbandingan fitur. Itu adalah kategori yang berbeda.

Perangkat keras, dan mengapa itu menentukan sebagian besar hal ini

Profil penyajian referensi Ming-3.0-audio-flash untuk konteks penuh 128K dengan keluaran suara adalah paralelisme tensor di delapan GPU H800 80 GB. Empat GPU memberi Anda profil SGLang yang tervalidasi, tetapi hanya teks. Repositori mencatat bahwa profil audio penuh memberi Talker anggaran memori sendiri pada GPU 7.

Sesame Preview tidak memiliki persyaratan perangkat keras karena tidak ada deployment. Itu bukan lelucon yang mengejeknya; itulah proposisi nilai sebenarnya. Tim yang menginginkan suara ekspresif di aplikasi seluler dan tidak ingin memikirkan GPU dapat mengirimkan perilaku ala Sesame melalui vendor dan tidak pernah melihat file YAML.

Perbandingan biaya berikut ini tidaklah tipis. Delapan H800 adalah keputusan modal dengan jadwal depresiasi. Sebuah aplikasi hanyalah unduhan. Satu-satunya alasan untuk membandingkannya adalah bahwa keduanya bisa berbicara, dan biaya untuk berbicara bukanlah variabel yang menarik — biaya untuk mendengar itulah yang menarik, dan Sesame tidak menjual itu.

Di bidang apa masing-masing benar-benar lebih unggul

Ming-3.0-audio-flash lebih unggul dalam segala hal yang melibatkan pemahaman audio, bukan penghasilannya. Rekaman panjang, banyak pembicara, kebisingan latar, musik, adegan akustik, pertanyaan tentang apa yang dikatakan dan bagaimana dikatakannya. Kartunya sendiri mengklaim pengenalan kompleks lintas dialek dan aksen; panel tolok ukurnya dijalankan oleh vendor dan tidak diaudit, tetapi panel itu ada, yang lebih dari yang ditawarkan pesaing dalam pertandingan ini.

Sesame Preview lebih baik sebagai sebuah produk. Ia memiliki memori, konektor ke email, kalender, dan drive, permukaan penjelajahan dan tindakannya sendiri, dukungan MCP melalui OAuth, dan sejak Oktober kemampuan untuk mengorkestrasi agen lain. Tidak ada satu pun dari itu yang merupakan fitur model ucapan; itu adalah asisten, dan ucapan adalah antarmukanya. Ming tidak memiliki semua itu dan tidak mengklaim memilikinya.

Ada juga argumen latensi yang belum diselesaikan siapa pun. Asisten percakapan hidup atau mati bergantung pada pergantian giliran — Sesame membangun reputasinya dari waktu jeda dan interupsi yang cukup meyakinkan sehingga pendengar awal mengira ada orang di ujung sambungan. Antarmuka Ming-3.0-audio-flash adalah permintaan-dan-respons: audio plus instruksi masuk, teks atau ucapan keluar. Contoh streaming ada, tetapi men-streaming respons tidak sama dengan menangani barge-in, dan repositori tidak membuat klaim duplex.

Jika kamu benar-benar memilih

Anda mungkin tidak sedang memilih di antara keduanya, dan perlu dikatakan secara terus terang. Keputusan yang realistis adalah "Ming-3.0-audio-flash versus API pemahaman audio yang dihosting" dan "Sesame Preview versus suara apa pun yang sudah digunakan aplikasi Anda." Pasangan ini ada karena keduanya merupakan model audio dengan berita terbaru, bukan karena seorang pembeli akan pernah membandingkannya satu sama lain.

Meskipun demikian, pertanyaan terkait — apakah saya perlu menghosting sendiri model audio terbuka sama sekali — adalah pertanyaan yang mau tidak mau diajukan oleh kedua produk. Ming mengajukan argumen untuk kepemilikan: MIT, dapat diperiksa, dapat dimodifikasi, tidak ada vendor di jalur permintaan. Sesame mengajukan argumen menentang membangun sendiri: aplikasi yang sudah berfungsi, dengan kemampuan yang akan dihabiskan tim Anda selama setahun untuk mereproduksinya. Sebagian besar tim sebaiknya menjalankan versi hosted sampai versi hosted gagal pada mereka dengan cara yang dapat mereka sebutkan.

Peran OrcaRouter dalam keputusan itu sempit dan perlu dinyatakan secara tepat. Kami tidak menghosting Ming-3.0-audio-flash, dan kami tidak menghosting Sesame Preview — yang satu adalah checkpoint yang Anda jalankan sendiri, yang lain adalah aplikasi. Yang diberikan lapisan routing kepada Anda adalah kerangka perbandingan: lebih dari 200 model di balik satu kunci dengan harga daftar penyedia tanpa tambahan markup, sehingga model audio terhosting yang benar-benar Anda timbang terhadap Ming yang di-self-host dapat diuji A/B pada lalu lintas yang sama, dengan failover otomatis jika salah satu jalur menurun. Itulah cara Anda mengetahui apakah taruhan delapan GPU itu membuahkan hasil, tanpa harus bertaruh lebih dulu.

Pertanyaan terbuka

Ming-3.0-audio-flash menjadi dapat dijalankan empat hari lalu dan telah diunduh 22 kali. Kartu modelnya disunting pada hari tulisan ini dibuat. Angka benchmark-nya berupa gambar, kualitas suaranya belum dievaluasi, dan profil serving-nya mengasumsikan rak server yang tidak dimiliki sebagian besar tim. Tidak satu pun dari itu yang menggugurkan — begitulah bentuk minggu pertama sebuah rilis yang senyap, dan artikel awal "apa yang kami ketahui" adalah respons yang tepat terhadapnya.

Sementara itu, Sesame Preview terus merilis fitur ke dalam produk yang tidak memiliki model terpublikasi di baliknya. Kesenjangan antara apa yang dapat Anda dengar dan apa yang dapat Anda periksa adalah inti cerita perusahaan itu, dan hal itu tidak berubah dalam setahun.

Yang perlu dicermati bukanlah benchmark. Yang perlu dicermati adalah apakah salah satu pihak menutup celahnya: Ming mendapatkan operator dan angka latensi, atau Sesame menerbitkan checkpoint yang benar-benar merupakan suara di aplikasi. Mana pun yang terjadi lebih dulu akan menunjukkan pendekatan mana di antara keduanya yang unggul.