Ming-3.0-audio-flash vs Sesame Preview: uno sente tutto, l'altro deve solo sembrare umano

Questi due non sono rivali. Ming-3.0-audio-flash è un mixture-of-experts audio-linguistico da 126 miliardi di parametri con licenza MIT, i cui cinque compiti dichiarati sono il riconoscimento vocale, la comprensione di audio lunghi, la percezione di suoni non vocali e musica, il ragionamento audio e — come quinto opzionale — la capacità di parlare a sua volta. Sesame Preview è un assistente vocale per consumatori con quattro personalità, un'app per iOS e Android e nessuna API. Il secondo non ha bisogno di sapere che suono fa una porta che sbatte. Il primo è stato creato esattamente per questo. Metterli fianco a fianco è utile solo perché impone la domanda che la maggior parte dei confronti tra modelli audio salta: stai comprando un orecchio o una bocca? I fallimenti documentati dell'IA e gli incidenti con gli agenti che stanno dietro rilasci come questo sono raccolti in the OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.

La tempistica rende il disallineamento ancora più evidente. Ming-3.0-audio-flash è approdato su Hugging Face il 3 settembre 2026 senza un annuncio ed è rimasto lì per sei settimane prima che il codice di serving, gli esempi e la scheda riscritta venissero pubblicati tra il 15 e il 19 ottobre — il repository GitHub è stato creato il 15, e la scheda era ancora in fase di modifica il 19. L'elenco mostra 22 download. Sesame Preview è in distribuzione pubblica dalla primavera, e il suo artefatto di ricerca scaricabile, CSM-1B, è su Hugging Face da marzo 2025 con circa 130.000 download nell'ultimo mese e circa 2.500 like. Uno ha una base di utenti e nessun repository. L'altro ha un repository e ancora nessun utente.

Di che cosa è fatto ognuno

Ming-3.0-audio-flash combina un encoder audio e un projector con una backbone linguistica mixture-of-experts, e un modulo Talker opzionale che converte l'output testuale del modello in parlato. Il totale dei parametri è di 126 miliardi, con 6,5 miliardi attivati per ogni fase di inferenza — la barra laterale di Hugging Face indica 128B, una discrepanza che la scheda non chiarisce. Gli input sono audio più un'istruzione testuale. Gli output sono testo, oppure testo con parlato sintetizzato. Gestisce cinese e inglese, con accenti e dialetti indicati esplicitamente.

Sesame Preview non è descritto con quel livello di dettaglio in alcuna sede pubblica. Ciò che è pubblico è l'app: un'interfaccia vocale con quattro personalità denominate, memoria, connettori e, da ottobre 2026, la capacità di orchestrare altri agenti. È pubblico anche CSM-1B, il checkpoint di ricerca Apache-2.0 di Sesame — un backbone Llama che predice il primo codebook audio e un decoder di profondità più piccolo che predice il resto, decodificato tramite il codec Mimi di Kyutai a 24 kHz, solo in inglese. La scheda lo definisce "un modello generativo di base", e Sesame è stata esplicita nel dire che è un derivato sottoposto a fine-tuning ad alimentare la demo interattiva, e non il checkpoint stesso.

• Cosa puoi scaricare — Ming: il checkpoint completo da 126B, il processore, il tokenizer e gli asset Talker. Sesame: CSM-1B, un modello base da 1 miliardo di parametri che non è la voce presente nell'app.

• Cosa puoi chiamare — Ming: un endpoint compatibile con OpenAI su vLLM-Omni o SGLang, una volta che lo ospiti. Sesame: un'app. Nessun endpoint, nessun ID modello per la voce di produzione.

• Cosa ascolta — Ming: parlato, dialetti, rumore, più parlanti, suoni non vocali, scene acustiche, musica. Sesame: la tua voce, in una conversazione.

• Cosa dice — Ming: testo, facoltativamente voce tramite voci integrate o clonate da un riferimento. Sesame: voce pensata per respiro, esitazione e interruzione.

• Lingue — Ming: cinese e inglese. Sesame: ufficialmente inglese; le indicazioni fornite dall'app stessa elencano francese, italiano, tedesco, spagnolo, cinese, giapponese e coreano come lingue «in fase iniziale».

• Licenza — Ming: MIT. Sesame: termini di servizio dell'app; Apache-2.0 solo sul checkpoint di ricerca.

L'asimmetria di valutazione è totale

Con Ming-3.0-audio-flash puoi generare la stessa frase cento volte e ascoltarla. Puoi dargli in input la stessa riunione rumorosa e controllare la trascrizione. Puoi costruire il tuo tasso di errore sui tuoi audio, e quel tasso di errore è un numero che possiedi.

Con Sesame Preview non puoi generare nulla. Non esiste un endpoint, non esiste un checkpoint per la voce di produzione, non esiste un benchmark pubblicato per essa. Puoi ascoltare l'app e formarti un'opinione, e quell'opinione costituisce l'intera tua evidenza. Il checkpoint di ricerca CSM-1B è testabile — puoi eseguirlo, metterlo a punto, misurarlo — ma non è esplicitamente il modello dietro la voce che ha reso famoso Sesame.

Questo è il raro confronto in cui il modello aperto è l'unico che puoi valutare, anche se quello chiuso è l'unico ad avere una vera base di utenti. Vale la pena soffermarsi su questa inversione, perché di solito l'argomentazione va nella direzione opposta: sono i prodotti chiusi a dover avere uno storico comprovato.

Dove i due si toccano effettivamente

C'è esattamente una sovrapposizione, ed è il Talker. Ming-3.0-audio-flash può produrre parlato, e la sua offerta vocale è più configurabile di un'app a quattro voci: il percorso vLLM-Omni include voci IP integrate, la directory del modello contiene voci di riferimento preimpostate con trascrizioni corrispondenti, e puoi passare qualsiasi WAV di riferimento insieme alla sua trascrizione esatta per clonare. La sintesi vocale in streaming con metriche di latenza ha un esempio funzionante. Il percorso SGLang non gestisce affatto il parlato — è solo testo — cosa che vale la pena sapere prima di scegliere uno stack di serving.

Ma la configurabilità non è la stessa cosa della qualità, e il repository Ming non pubblica alcuna valutazione della qualità del parlato. Le sue tre sezioni di benchmark coprono riconoscimento vocale, intelligenza audio e testo. Non c'è alcun punteggio MOS, nessun test di preferenza, nessun confronto sulla prosodia. Quindi la posizione onesta su «Ming suona meglio di Sesame» è che nessuno l'ha misurato, e le persone più adatte ad avere un'opinione — gli utenti di Sesame — non hanno mai sentito Ming.

Quello che il Talker di Ming ti offre e che Sesame non può darti è la proprietà della voce. Un clip di riferimento e la sua trascrizione, e il modello parla con quella voce, sul tuo hardware, con licenza MIT, senza terze parti coinvolte. Se la voce del tuo prodotto è un asset di marca, non è un confronto tra funzionalità. È una categoria di cosa completamente diversa.

L'hardware, e perché determina gran parte di questo

Il profilo di serving di riferimento di Ming-3.0-audio-flash per il contesto completo da 128K con output vocale prevede tensor parallelism su otto GPU H800 da 80 GB. Con quattro GPU si ottiene un profilo SGLang convalidato, ma solo testo. Il repository osserva che il profilo full-audio assegna al Talker un proprio budget di memoria sulla GPU 7.

Sesame Preview non ha requisiti hardware perché non ha un deployment. Non è una battuta alle sue spese; è la vera proposta di valore. Un team che vuole una voce espressiva in un'app mobile e non vuole pensare alle GPU può rilasciare un comportamento in stile Sesame tramite un fornitore senza mai vedere un file YAML.

Il confronto dei costi che segue non è nemmeno lontanamente equilibrato. Otto H800 rappresentano una decisione di spesa in conto capitale con un piano di ammortamento. Un'app è un download. L'unica ragione per confrontarli è che entrambi possono parlare, e il costo del parlare non è la variabile interessante — lo è il costo dell'ascolto, e Sesame non vende quello.

In cosa ciascuno è davvero migliore

Ming-3.0-audio-flash è migliore in tutto ciò che comporta la comprensione dell'audio anziché la sua produzione. Registrazioni lunghe, più interlocutori, rumore di fondo, musica, scene acustiche, domande su ciò che è stato detto e su come è stato detto. La sua stessa scheda rivendica un riconoscimento complesso attraverso dialetti e accenti; i suoi pannelli di benchmark sono gestiti dal fornitore e non verificati, ma esistono, il che è più di quanto offra la concorrenza in questo confronto.

Sesame Preview è migliore come prodotto. Ha memoria, connettori verso mail, calendario e drive, una propria superficie di navigazione e di azione, il supporto MCP tramite OAuth e, da ottobre, la capacità di orchestrare altri agenti. Niente di tutto questo è una funzione di un modello vocale; è un assistente, e la voce è l'interfaccia. Ming non ha niente di tutto ciò e non pretende di averlo.

C’è anche una questione di latenza che nessuno ha risolto. Un assistente conversazionale vive o muore sulla turnazione — Sesame ha costruito la propria reputazione su tempistiche di esitazione e interruzione abbastanza convincenti che i primi ascoltatori presumevano ci fosse una persona in linea. L’interfaccia di Ming-3.0-audio-flash è richiesta-e-risposta: audio più un’istruzione in ingresso, testo o parlato in uscita. Esistono esempi di streaming, ma trasmettere una risposta in streaming non è lo stesso che gestire il barge-in, e il repository non rivendica alcuna capacità duplex.

Se stai effettivamente scegliendo

Probabilmente non stai scegliendo tra questi due, e vale la pena dirlo chiaramente. Le decisioni realistiche sono «Ming-3.0-audio-flash versus un'API ospitata per la comprensione audio» e «Sesame Preview versus qualunque voce usi già la tua app». Questo accostamento esiste perché entrambi sono modelli audio con notizie recenti, non perché un acquirente li metterebbe mai a confronto diretto.

Detto questo, la domanda adiacente — dovrei auto-ospitare un modello audio aperto o no? — è quella che entrambi i prodotti impongono. Ming sostiene la proprietà: licenza MIT, ispezionabile, modificabile, nessun fornitore nel percorso della richiesta. Sesame sostiene la posizione contraria alla costruzione da zero: un'app che funziona, con capacità che il tuo team impiegherebbe un anno a riprodurre. La maggior parte dei team dovrebbe usare la versione ospitata finché la versione ospitata non viene meno in un modo che sanno identificare.

Il ruolo di OrcaRouter in quella decisione è limitato e vale la pena dichiararlo con precisione. Non ospitiamo Ming-3.0-audio-flash e non ospitiamo Sesame Preview: uno è un checkpoint che esegui tu stesso, l'altro è un'app. Ciò che un livello di routing ti offre è il quadro di confronto: oltre 200 modelli dietro un'unica chiave al prezzo di listino del provider, senza alcun ricarico aggiunto, così i modelli audio ospitati che stai effettivamente valutando rispetto a un Ming auto-ospitato possono essere confrontati A/B sullo stesso traffico, con failover automatico se un percorso peggiora. È così che scopri se la scommessa sugli otto GPU ripaga, senza doverla fare prima.

La questione aperta

Ming-3.0-audio-flash è diventato eseguibile quattro giorni fa e ha 22 download. La sua scheda è stata modificata il giorno in cui è stato scritto questo testo. I suoi numeri di benchmark sono immagini, la qualità del parlato non è stata valutata e il suo profilo di serving presuppone un rack che la maggior parte dei team non possiede. Niente di tutto ciò è motivo di squalifica — è l'aspetto della prima settimana di un rilascio silenzioso, e i primi pezzi del tipo "quello che sappiamo" sono la risposta giusta.

Nel frattempo, Sesame Preview continua a rilasciare funzionalità in un prodotto che non ha alcun modello pubblicato dietro. Il divario tra ciò che puoi ascoltare e ciò che puoi ispezionare è tutta la storia di quell'azienda, e non è cambiato in un anno.

La cosa da osservare non è un benchmark. È se una delle due parti colma il proprio divario: Ming che ottiene un operatore e un valore di latenza, oppure Sesame che pubblica un checkpoint che è davvero la voce nell'app. Quale dei due avviene prima ti dice quale di questi due approcci sta vincendo.