LFM3-Audio-2B vs Sesame Preview: un download e un'app non sono la stessa scelta

Sesame Preview è la voce che le persone descrivono come umana. LFM3-Audio-2B è un checkpoint da 2B che puoi scaricare ed eseguire su un laptop. Mettili nella stessa frase e succede qualcosa di utile: il confronto smette di riguardare quale dei due suona meglio e diventa due domande separate — puoi rilasciarlo e puoi misurarlo? Sesame Preview fallisce la prima. LFM3-Audio-2B, che Liquid AI ha rilasciato il 27 ottobre 2026 all'interno della famiglia LFM3 da sei modelli, fallisce la seconda. Nessuno dei due fallimenti è uno scandalo. Sono tipi diversi di prodotto, e la maggior parte dei team scopre quale dei due le serve solo dopo aver iniziato a costruire.

Vale la pena enunciare chiaramente l'asimmetria prima dei dettagli. La voce di produzione di Sesame non ha API, non ha un ID modello e non ha un livello enterprise; vive dentro un'app iOS e Android con quattro agenti con nome, memoria, connettori e, da ottobre, la capacità di orchestrare altri agenti. LFM3-Audio-2B non ha alcuna app. Ha pesi, una model card, una pull request di llama.cpp già unita e una build Ollama da 2,1 GB. Uno è un posto dove passare un pomeriggio. L'altro è un file che puoi mettere in un prodotto.

Domanda uno: puoi rilasciarlo?

Per LFM3-Audio-2B la risposta è sì, con alcune riserve. La LFM Open License v1.0 consente l'uso commerciale al di sotto di 10 milioni di dollari di fatturato annuo e richiede una licenza a pagamento al di sopra di tale soglia. I pesi sono su Hugging Face; Transformers 5.20.2 o versioni successive con trust_remote_code è il percorso Python; il supporto è stato integrato in llama.cpp nella PR #31257; MLX a 4 bit copre Apple silicon; ONNX Runtime copre la portabilità. L'input è testo o audio a 16 kHz, l'output è testo, voce a 24 kHz oppure testo e voce interlacciati. Il contesto è di 32K token e copre entrambe le direzioni — non il valore di 256K che appartiene al modello testuale — e il modello elenca 18 lingue in 19 locale, con ASR in tempo reale solo per l'inglese.

For Sesame Preview la risposta è no, e il motivo è strutturale più che commerciale. Non esiste un endpoint per la voce di produzione. Non c'è un prezzo, perché non c'è nulla da acquistare. L'app è gratuita, le chiamate hanno un limite di 30 minuti che scende a cinque quando si è disconnessi, e i quattro agenti sono il prodotto. Se vuoi un comportamento simile a Sesame nella tua applicazione, non puoi averlo.

Ciò che Sesame ha rilasciato è CSM-1B, un checkpoint di ricerca Apache-2.0. È un blocco di sintesi, non un assistente: una backbone Llama predice il primo codebook Mimi e un decoder più piccolo predice il resto, renderizzato tramite il codec Mimi a 24 kHz. È solo in inglese, clona una voce da una clip di riferimento di 10-15 secondi e non può generare testo — lo abbini a un modello linguistico. La sua card su Hugging Face dice direttamente la parte scomoda: una variante fine-tuned di CSM alimenta la demo interattiva, e quella variante non è il checkpoint che puoi scaricare. La card ha circa 130.000 download nell'ultimo mese e circa 2.500 like, il che ti dice che le persone ci stanno sperimentando. Non ti dice che stanno ottenendo la voce dall'app.

Domanda due: puoi misurarlo?

LFM3-Audio-2B pubblica una tabella del fornitore a sei righe, tutte confrontate con LFM2.5-Audio-1.5B, senza un set di test o un harness denominati. Le righe che contano qui sono UTMOSv2 per TTS inglese a 3,83 contro 3,22, VoiceBench a 73,13 contro 55,17, comprensione audio MMAR a 50,60 contro 25,85, WER per ASR inglese a 6,23 contro 6,13, WER/CER multilingue a 6,03 e una valutazione interna di tool-calling a 58,50. Lo scarto di UTMOS è ampio — 0,6 punti su una scala in cui 4,0 è di solito considerato vicino al livello umano — e la riga ASR è piatta, che è la cosa più credibile nella tabella: un fornitore che non riporta alcun miglioramento su un asse almeno non sta ottimizzando la tabella per una storia.

Nessuno di questi dati ha un testimone indipendente. Non abbiamo trovato alcuna riproduzione di terze parti di nessuna riga, e i numeri confrontano un modello con il suo predecessore, non con il campo. Rispetto alle altre voci nella tabella di Liquid, LFM3-Audio-2B è un buon modello piccolo più che un leader: Voxtral Mini 3B registra 5,51 WER e NVIDIA Audex 2B registra 5,99, Qwen2.5-Omni 3B ottiene 54,41 nella comprensione audio e Gemma 4 E4B ottiene 72,40 nel tool calling.

Sesame Preview non ha alcun numero comparabile. La sua pretesa di qualità è un'impressione d'ascolto — abbastanza forte da diventare il punto di riferimento per la voce conversazionale nel 2026, e che nessuna terza parte ha mai misurato per il modello di produzione. Non è la prova che la voce sia scadente. È la prova che ciò che tutti lodano è l'unica cosa, in questo confronto, che nessuno può misurare.

Questa inversione è la parte rara. Normalmente il prodotto chiuso è quello con una storia alle spalle e il checkpoint aperto è quello che nessuno ha valutato. Qui il modello aperto è l'unico che si può valutare, e il prodotto chiuso è l'unico con una base di utenti reale. Entrambe le affermazioni sono vere allo stesso tempo, e nessuna delle due stabilisce se la voce sia buona.

Due codec, due scommesse di design

La differenza più tecnica tra questi sistemi è anche la più interessante, perché entrambe le aziende hanno puntato su un codec e le loro scommesse vanno in direzioni opposte.

LiquidCodec comprime 80 ms di parlato in 12 token discreti e li decodifica di nuovo a 24 kHz con supporto allo streaming. Liquid lo misura a circa 87× il tempo reale su un singolo thread CPU di un M4 Max, e l'encoder audio causale è ciò che consente il prefill mentre una persona sta ancora parlando: l'origine dell'affermazione di un time-to-first-token "fino a soli 50 ms". Queste due cifre sono misurazioni del fornitore su uno specifico hardware Apple indicato, senza harness e senza percentile. Descrivono uno scenario ottimale. Un telefono, un Raspberry Pi o una VM x86 condivisa non le raggiungeranno, e nulla nella release dice cosa raggiungeranno invece.

Il CSM di Sesame utilizza il codec Mimi di Kyutai a 24 kHz, con un backbone Llama che predice il primo codebook e un depth decoder più piccolo che predice il resto. L'obiettivo del design è una sintesi espressiva a partire da una breve clip di riferimento, e la reputazione dell'app suggerisce che funzioni. Il divario tra CSM-1B e la voce di produzione è tutto il punto: l'architettura è pubblica, il fine-tuning che la fa suonare come Sesame non lo è.

Per chi costruisce, questo significa una cosa semplice. Liquid ti fornisce l'intera pipeline e una licenza; la valutazione la metti tu. Sesame ti fornisce un artefatto di ricerca e una demo; il prodotto lo metti tu, e non puoi inserire la demo al suo interno.

Dove i due si sovrappongono effettivamente

C'è esattamente una sovrapposizione, ed è l'output vocale. Entrambi possono parlare. Le differenze all'interno di quella sovrapposizione sono pratiche:

• Lingue — LFM3-Audio-2B dichiara 18 lingue in 19 localizzazioni, con la traduzione più forte da o verso l'inglese. Sesame Preview è ufficialmente solo in inglese; le indicazioni dell'app stessa elencano francese, italiano, tedesco, spagnolo, cinese, giapponese e coreano come "in fase iniziale". CSM-1B è solo in inglese.

• Controllo vocale — LFM3-Audio-2B: voce selezionata tramite prompt, nessun flusso di lavoro di clonazione pubblicato nella scheda. CSM-1B: clonazione da una clip di riferimento da 10 a 15 secondi, che è la sua funzione principale.

• Conversazione — LFM3-Audio-2B: richiesta e risposta con streaming; nessuna dichiarazione di barge-in. Sesame Preview: incentrato su esitazione, interruzione e alternanza dei turni, la qualità che ne ha consolidato la reputazione.

• Cosa puoi eseguire — LFM3-Audio-2B: 2,1 GB, compatibile con CPU, offline. Sesame: un'app, online, con un limite di chiamate.

Se il tuo prodotto ha bisogno di una voce che possa essere interrotta, non è un confronto ravvicinato: Sesame ha questo comportamento e Liquid non ne rivendica la capacità. Se il tuo prodotto ha bisogno di una voce in svedese o olandese, o deve funzionare senza rete, Sesame non può aiutare e LFM3-Audio-2B può farlo.

Cosa un router può e non può fare qui

Nessuno dei due modelli è su OrcaRouter, e vale la pena essere precisi sul perché la solita proposta di routing non raggiunga il livello vocale. LFM3-Audio-2B è un checkpoint che esegui tu stesso; Sesame Preview è un'app. Non esiste un endpoint audio ospitato di nessuno dei due tra cui fare failover.

Lo strato sopra di essi è dove il routing ripaga il suo costo. Un prodotto vocale basato su uno dei due modelli delega comunque il lavoro ai modelli testuali — riassumere una chiamata, estrarre una prenotazione, decidere la domanda successiva — e proprio in questa delega risiedono la variabilità dei costi e le interruzioni dei fornitori. OrcaRouter serve oltre 200 modelli testuali e multimodali dietro un'unica chiave al prezzo di listino del fornitore, senza alcun ricarico, con failover automatico e un DSL di routing che può comporre più modelli in un'unica chiamata. Consente inoltre di eseguire la fusione di modelli quando il giudizio di un singolo modello non basta. Per un team che prototipa un loop vocale, questo significa che la parte testuale può essere sostituita e confrontata senza toccare l'integrazione audio.

La decisione

Se stai calibrando il gusto — decidendo quanto calore debba avere il tuo prodotto, quanto debba durare una pausa confortevole, con quanta rapidità un agente debba cedere la parola — Sesame Preview è gratuito, davvero eccellente e il posto giusto dove trascorrere un pomeriggio. Usalo come riferimento. Non pianificare un'integrazione basata su di esso, perché non c'è nulla con cui integrarsi.

Se stai per metterlo in produzione, LFM3-Audio-2B è un candidato concreto con riserve concrete: numeri forniti solo dal fornitore, ASR live solo in inglese, un contesto da 32K e una soglia di licenza da tenere d'occhio. Provalo sulle tue registrazioni prima di credere al miglioramento UTMOS, e testa l'output vocale nelle lingue di cui hai davvero bisogno invece di fidarti del numero di localizzazioni.

Ciò che cambierebbe questo quadro è qualcosa di specifico. Un'API Sesame per la voce di produzione lo renderebbe il candidato più forte della categoria dall'oggi al domani. Un test UTMOS indipendente o un test di preferenza per LFM3-Audio-2B ti direbbe se 3,83 è un vero passo verso un parlato naturale o un numero misurato rispetto a un predecessore debole. Finché una di queste cose non si concretizza, la sintesi corretta è che uno di questi è un prodotto che puoi ammirare e l'altro è un modello che puoi possedere — e solo uno dei due è una decisione su cui puoi agire questa settimana.