Ming-3.0-audio-tiny vs Sesame Preview: Satu Bisa Berbicara dan Tak Akan Dinilai, yang Lain Berbicara untuk Mencari Nafkah

Hal yang aneh tentang menempatkan Ming-3.0-audio-tiny di samping Sesame Preview adalah bahwa sumbu yang jelas — kualitas suara — justru yang tidak dibiarkan diukur oleh kedua pihak. Ming-3.0-audio-tiny menyertakan generator ucapan: Talker 1,4 GB, VAE 1,6 GB, encoder pembicara CAM++, tiga suara bernama, dan jalur kloning klip referensi. Dan vendornya tidak menerbitkan tolok ukur text-to-speech untuk semua itu. Tiga gambar evaluasi dalam repositori mencakup pengenalan, kecerdasan audio, dan teks. Tidak ada baris kemiripan pembicara, tidak ada baris kesalahan kata untuk ucapan tersintesis, tidak ada apa pun. Sesame Preview adalah cermin sebaliknya: produk yang seluruh reputasinya bertumpu pada suara yang dihasilkannya, tanpa pengenal model, tanpa API, dan tanpa skor yang dikaitkan dengan suara di aplikasi.Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda sengketa.

Keduanya diam ke arah yang sama dan karena alasan berbeda, dan itulah titik awal yang jujur. Ming-3.0-audio-tiny adalah checkpoint yang dapat Anda unduh — bobotnya sudah ada di Hugging Face sejak 3 September 2026, dan yang berubah antara 16 dan 19 Oktober adalah kelengkapan dokumen di sekitarnya: config yang dikoreksi, pohon Talker, preset suara, profil deployment, dan pada 19 Oktober kartu model pertama. Sesame Preview adalah aplikasi yang Anda ajak bicara, diperbarui secara publik, dijelaskan oleh perusahaan dengan kata-katanya sendiri, dan tidak pernah direduksi menjadi sebuah file. Yang satu tidak diukur karena vendornya memilih untuk tidak mengukurnya; yang lain tidak dapat diukur karena tidak ada yang bisa dijalankan.

Apa sebenarnya jalur bicara model kecil itu

Ini adalah lampiran, bukan model. The Thinker — 17,74 GB dalam dua shard, total 9,3B parameter dan 2,7B aktif — membaca audio dan menulis teks. The Talker adalah proses kedua yang mengubah hidden state Thinker menjadi ucapan, dan deployment referensi memberinya GPU sendiri. Profil teks berjalan pada perangkat: "0" dengan tensor parallelism satu; profil audio penuh menempatkan Thinker di GPU 0 sebesar 0,78 kartu dan Talker di GPU 1 sebesar 0,18. Profil SGLang hanya untuk teks dan kartu menyatakannya dengan jelas.

• Suara — default vLLM-Omni adalah suara IP bawaan bernama 灵小柔; repositori juga menyertakan 灵楷 dan US_James sebagai suara referensi preset di bawah voice_presets/voice_audio/, dengan transkrip yang sesuai di voice_prompts.json.

• Kloning — WAV referensi beserta transkrip persisnya. Kartu tersebut memperingatkan bahwa Anda tidak dapat menggabungkan pilihan suara bawaan dengan klip referensi dalam satu permintaan.

• Bahasa — Tionghoa dan Inggris, "termasuk berbagai aksen dan dialek", tanpa daftar bahasa terpisah untuk Talker. Apakah ia berbicara bahasa Inggris dengan aksen Amerika sebaik ia membacanya tidak dinyatakan di mana pun.

• Lisensi — MIT pada bobot; preset suara adalah bagian yang perlu dibaca dengan saksama, karena klip referensi membawa hak apa pun yang dimiliki pembicaranya. Repositori tidak menyertakan ketentuan terpisah untuk kedua suara yang disertakan.

• Bukti — tidak ada untuk jalur ucapan. Angka pengenalan dan penalaran adalah milik inclusionAI sendiri; sisi sintesis sama sekali tidak memiliki angka yang dipublikasikan.

Baris terakhir itulah sebabnya perbandingan ini minim kesimpulan. Vendor yang mengukur ASR-nya sampai dua angka desimal tetapi tidak memublikasikan apa pun tentang TTS-nya telah memberi tahu Anda separuh model mana yang ia yakini.

Sisi Sesame dari buku besar yang sama

Posisi publik Sesame adalah kebalikannya: suara yang cukup bagus sehingga orang mengira ada manusia di ujung sambungan, dihantarkan melalui asisten dengan memori, konektor, penjelajahan, dan, sejak pembaruan Oktober 2026, kemampuan untuk mengoordinasikan agen lain. Perusahaan mendeskripsikan pembaruan itu sebagai Conversational Speech Model baru dengan ekspresivitas dan pelafalan yang lebih baik. Perusahaan tidak menerbitkan checkpoint untuknya, ID model, angka latensi, atau lisensi. Tidak ada endpoint, jadi tidak ada permintaan yang dapat dibuat dan tidak ada respons untuk dinilai.

Satu-satunya artefak yang dapat dipegang seorang developer adalah sesame/csm-1b di Hugging Face: Apache-2.0, hanya bahasa Inggris, sekitar 1,1 miliar parameter, tulang punggung keluarga Llama yang memprediksi codebook audio pertama dengan decoder kedalaman yang lebih kecil untuk sisanya, didekodekan melalui codec Mimi Kyutai pada 24 kHz. Model ini dirilis pada Maret 2025 dan telah diunduh sekitar 130.000 kali dalam sebulan terakhir dengan sekitar 2.500 suka. Kartu modelnya menyatakan secara terbuka bahwa ini adalah model generasi dasar — model ini dapat menghasilkan beragam suara, tidak disetel untuk suara tertentu, dan demo interaktifnya merupakan turunan, bukan checkpoint itu sendiri.

Jadi pernyataan yang adil adalah: Anda dapat mempertahankan arsitektur Sesame dari 2025. Anda tidak dapat mempertahankan suara yang membuat perusahaan itu terkenal pada 2026.

Dua pekerjaan berbeda yang memakai kata yang sama

Hilangkan kata "audio" dari kedua deskripsi dan ketidakcocokannya menjadi jelas. Ming-3.0-audio-tiny adalah model pendengar yang juga bisa berbicara. Evaluasinya didominasi oleh pemahaman: MMAU 75,90; MMAR 67,70; MMSU 73,06; BigBenchAudio 99,20; rata-rata ASR bahasa Mandarin 3,79 kesalahan karakter, rata-rata dialek 10,29. Itulah angka-angka yang dipilih vendornya untuk dipublikasikan, dan semuanya tentang pemahaman. Sesame Preview adalah produk berbicara yang juga mendengarkan, dan reputasinya bertumpu pada pergiliran bicara — interupsi, backchannel, waktu yang membuat sebuah percakapan terasa seperti percakapan.

Itu bukan keterampilan yang sama, dan keduanya tidak saling meniadakan. Sebuah model bisa sangat unggul dalam "apa yang dikatakan pembicara ketiga tentang faktur" dan biasa saja dalam terdengar seperti manusia, dan kebalikannya juga sama mungkin. Tidak ada apa pun dalam materi kedua vendor yang memungkinkan Anda memberi peringkat keduanya pada sumbu yang sama, karena mereka tidak pernah mengukur sumbu yang sama.

Tempat asimetri paling terasa adalah pada eksperimen murah. Dengan Ming-3.0-audio-tiny, Anda dapat menyintesis kalimat yang sama lima puluh kali, memvariasikan klip referensi, dan mendengarkan — pekerjaan satu sore, tanpa perlu izin. Dengan Sesame Preview, eksperimen yang setara adalah membuka aplikasi dan membentuk pendapat, karena tidak ada sampel kedua yang bisa diambil.

Satu-satunya publikasi Sesame yang layak dipinjam

Pada Agustus 2026, Sesame merilis TurnBench, sebuah benchmark terbuka untuk turn-taking dalam dialog lisan: sekitar 30 jam ucapan diadik yang dianotasi tiga kali, protokol penilaian yang dipinjam dari analisis percakapan, papan peringkat publik, dan hasil untuk 14 sistem, yang dibangun bersama Carnegie Mellon, Mundo AI, dan Oto. Ini adalah hal paling berguna dalam seluruh perbandingan ini, dan berguna justru karena mengukur kualitas yang sama-sama dilewatkan oleh papan word-error dan preference-Elo.

Gunakan ini sebagai instrumen, bukan sebagai papan skor. Aplikasi milik Sesame sendiri tidak ada di dalamnya, dan Ming-3.0-audio-tiny jelas tidak termasuk. Tetapi jika Anda mempertimbangkan model tiny untuk keperluan percakapan apa pun — dan Talker-nya plus jendela 131,072 token membuatnya wajar untuk dipertimbangkan — maka penanganan interupsi dan pengaturan waktu backchannel adalah yang seharusnya Anda nilai, dan TurnBench memberi Anda protokol untuk melakukannya alih-alih sekadar mengandalkan perasaan.

Konsekuensinya tidak nyaman bagi kedua vendor. Sebuah model bisa merilis generator ucapan dan konteks 128K namun tetap buruk dalam hal yang membuat Sesame dikenal, dan tidak ada dataset dalam perbandingan ini yang akan memberi tahu Anda hal itu.

Biaya, begitu Anda berhenti membandingkan kartu tarif

Sesame Preview tidak memiliki harga karena tidak ada produk yang dijual dengan harga: aplikasinya gratis, perusahaan mengatakan tidak menjalankan iklan dan tidak menjual data, dan tidak ada tier yang dipublikasikan. Ming-3.0-audio-tiny juga tidak punya daftar tarif, tetapi punya sesuatu yang lebih baik — batas bawah aritmetis. Teks dan ASR berjalan di satu GPU. Output ucapan berjalan di dua, karena Talker dan VAE-nya adalah set bobot kedua dengan perangkatnya sendiri. Jika Anda hanya perlu bagian pendengarannya saja, kartu kedua adalah uang yang tidak Anda belanjakan, dan tidak seperti langganan, ia tidak berskala dengan berapa banyak kalimat yang Anda hasilkan.

Itulah satu-satunya titik di mana keduanya benar-benar sebanding, dan itu adalah perbandingan bentuk, bukan perbandingan angka: tagihan perangkat keras tetap yang dapat Anda prediksi, berbanding dengan produk gratis yang ketentuannya tidak dapat Anda audit dan kapasitasnya tidak dapat Anda beli.

OrcaRouter berada di luar keduanya. Kami tidak menyediakan Ming-3.0-audio-tiny — itu adalah checkpoint yang Anda jalankan, bukan endpoint yang kami sediakan — dan memang tidak ada model Sesame yang bisa dirutekan sejak awal. Yang dapat dijangkau router adalah bagian teks dari pipeline suara: skrip, terjemahan, ringkasan, pengklasifikasi yang memutuskan rekaman mana yang membutuhkan manusia. Satu kunci untuk lebih dari 200 model dengan harga daftar penyedia tanpa markup tambahan adalah kontrak yang lebih singkat daripada tiga, dan failover otomatis menjaga batch sintesis panjang agar tidak gagal karena satu penyedia mengalami hari yang buruk. Tidak ada dari semua itu yang membuat salah satu model lebih baik dalam berperan sebagai suara.

Apa yang bisa mengubah jawabannya

Tiga peristiwa, masing-masing dapat diperiksa. Pertama, inclusionAI menerbitkan evaluasi text-to-speech untuk Ming-3.0-audio-tiny — kealamian, kemiripan pembicara dengan klip referensi, tingkat kesalahan pada ucapan yang disintesis — akan mengubah Talker dari fitur yang belum terukur menjadi kandidat. Kedua, Sesame merilis checkpoint atau API untuk suara produksi akan membuat reputasi aplikasi dapat diuji, dan perbandingannya akhirnya akan terjadi antara dua hal yang dapat dijalankan. Ketiga, pihak independen yang menilai salah satu dari kedua model pada TurnBench akan menuntaskan satu kualitas yang sama-sama disinggung kedua vendor tetapi tidak dipublikasikan oleh keduanya.

Sampai salah satunya tersedia, deskripsi yang akurat memang tidak glamor. Ming-3.0-audio-tiny adalah model pendengaran berukuran 17,74 GB dengan lampiran ucapan opsional sebesar 3 GB, bobot MIT, konfigurasi yang telah dikoreksi, kartu yang empat hari lebih muda daripada konfigurasi yang dijelaskannya, dan tidak ada angka terpublikasi untuk bagian yang berbicara. Sesame Preview adalah suara yang bisa didengar, dikagumi, tetapi tidak bisa diperoleh. Pilihan di antara keduanya bukanlah pilihan antara dua model. Ini adalah pilihan antara mengukur sesuatu sendiri dan tidak diizinkan untuk melakukannya.

Jika Anda harus memutuskan minggu ini

Untuk transkripsi, pemahaman rekaman panjang, atau apa pun yang outputnya berupa teks yang akan Anda urai, Ming-3.0-audio-tiny adalah satu-satunya dari keduanya yang bahkan layak dipertimbangkan — alokasikan satu GPU, gunakan prompt ASR yang telah divalidasi dengan pembatas tab-nya, dan atur konteks ke panjang yang benar-benar Anda butuhkan. Untuk pengalaman suara konsumen yang sedang Anda prototipekan, Sesame adalah tolok ukur untuk membandingkan pekerjaan Anda, bukan dependensi untuk dijadikan dasar pembangunan, karena tidak ada dependensi yang perlu dipasang.

Dan untuk keluaran suara model kecil itu: cobalah sebelum Anda merencanakannya. Dua GPU, satu klip referensi, transkrip yang cocok persis dengan klip itu, dan satu jam mendengarkan akan memberi tahu Anda lebih banyak daripada seluruh folder benchmark — karena folder benchmark tidak memuat satu pun angka tentangnya.