LFM3-Audio-2B vs Sesame Preview：ダウンロードとアプリは同じ選択ではない

Sesame Preview は、人が人間の声だと評する声だ。LFM3-Audio-2Bは、ノートPCにダウンロードして実行できる2Bチェックポイントだ。両者を同じ文に入れると、有用なことが起こる。比較は、どちらがよりよく聞こえるかという話ではなくなり、2つの別個の問いになる——出荷できるのか、そして測定できるのか？ Sesame Preview は前者を満たさない。Liquid AI が2026年10月27日に6モデル構成のLFM3ファミリーの一員として出荷した LFM3-Audio-2B は、後者を満たさない。どちらの不合格もスキャンダルではない。両者は種類の異なる製品であり、ほとんどのチームは作り始めてから初めて、どちらが必要なのかを知る。

この非対称性は、詳細に入る前に率直に述べておく価値がある。Sesameのプロダクション向け音声には、APIもモデルIDもエンタープライズ向けプランもない。それはiOSとAndroidのアプリの中にあり、4つの名前付きエージェント、メモリ、コネクタを備え、10月以降は他のエージェントをオーケストレートする機能も持つ。LFM3-Audio-2Bにはアプリがまったくない。あるのは重み、モデルカード、マージ済みのllama.cppプルリクエスト、そして2.1 GBのOllamaビルドだ。一方は午後を過ごす場所であり、もう一方は製品に組み込めるファイルである。

質問1：出荷できますか？

LFM3-Audio-2Bについては、はい、ただし条件付きです。LFM Open License v1.0では、年間収益が1,000万ドル未満の場合に商用利用が許可され、それを超える場合は有償ライセンスが必要です。重みはHugging Faceにあり、Pythonで使うならTransformers 5.20.2以降とtrust_remote_codeを使う方法があります。llama.cppはPR #31257でサポートがマージされ、MLX 4-bitはApple siliconに対応し、ONNX Runtimeは移植性をカバーします。入力はテキストまたは16 kHz音声、出力はテキスト、24 kHz音声、またはテキストと音声のインターリーブです。コンテキストは双方向をカバーする32Kトークンで、テキストモデルに属する256Kという数値ではありません。また、モデルは19ロケールにわたる18言語をリストしており、ライブASRは英語のみです。

Sesame Preview について、答えはノーです。その理由は商業的なものではなく構造的なものです。実運用向けの音声用エンドポイントはありません。価格もありません。買うものが何もないからです。アプリは無料で、通話には30分の上限があり、ログアウト時には5分に短縮されます。そして4つのエージェントが製品そのものです。独自のアプリケーションでSesame的な挙動を望んでも、それは手に入りません。

Sesameが公開したのは、Apache-2.0の研究用チェックポイントであるCSM-1Bだ。これはアシスタントではなく、合成ブロックである。Llamaバックボーンが最初のMimiコードブックを予測し、より小型のデコーダーが残りを予測して、24 kHzでMimiコーデックを通じてレンダリングされる。英語のみに対応し、10〜15秒の参照クリップから声をクローンでき、テキスト生成はできない——言語モデルと組み合わせて使う。Hugging Faceのカードは、本来は声を潜めて言うようなことを直接書いている。CSMのファインチューニング済みバリアントがインタラクティブデモを動かしており、そのバリアントはダウンロードできるチェックポイントではない。カードは過去1か月で約13万ダウンロード、約2,500いいねを記録しており、人々がこれを試していることがわかる。だが、彼らがアプリから声を得ていることは教えてくれない。

質問2：それを測定できますか？

LFM3-Audio-2Bは6行のベンダー表を公開しており、すべてLFM2.5-Audio-1.5Bとの比較で、テストセットやハーネスの名称は示されていない。ここで重要な行は、英語TTSのUTMOSv2が3.83対3.22、VoiceBenchが73.13対55.17、音声理解MMARが50.60対25.85、英語ASRのWERが6.23対6.13、多言語WER/CERが6.03、社内ツール呼び出し評価が58.50だ。UTMOSの変化は大きい — 4.0が通常ほぼ人間と見なされる尺度で0.6ポイント — そしてASRの行は横ばいだ。これは表の中で最も信頼できる点だ：ある軸で改善なしと報告するベンダーは、少なくとも物語に合わせて表を最適化していない。

そのどれにも独立した裏付けはない。どの行についても第三者による再現を見つけることはできず、数値はモデルをその前身と比較しているのであって、業界全体と比較しているわけではない。Liquid 自身の表の他の項目と比べると、LFM3-Audio-2B はリーダーというより優れた小型モデルだ。Voxtral Mini 3B は WER 5.51 を記録し、NVIDIA Audex 2B は 5.99 を記録、Qwen2.5-Omni 3B は音声理解で 54.41 を記録し、Gemma 4 E4B はツール呼び出しで 72.40 を記録している。

Sesame Previewには比較できる数値がまったくない。その品質に関する主張は聴取印象であり、2026年の会話音声の基準点になるほど強いものだが、第三者によって製品版モデルとして採点されたことは一度もない。それは声が悪いという証拠ではない。この対決において誰もが称賛するものこそ、誰にも測定できない唯一のものだという証拠である。

この逆転こそが珍しい点だ。通常、実績があるのはクローズド製品の方で、誰も評価していないのはオープンなチェックポイントの方だ。ここでは、評価できる唯一のモデルがオープンなモデルであり、実際のユーザーベースを持つ唯一の製品がクローズド製品だ。両方の記述は同時に真であり、どちらもその声が良いかどうかを決着させはしない。

2つのコーデック、2つの設計上の賭け

これらのシステム間の最も技術的な違いは、最も興味深いものでもあります。なぜなら、両社はそれぞれコーデックに賭けており、その賭けは正反対の方向を向いているからです。

LiquidCodecは80 msの音声を12個の離散トークンに詰め込み、ストリーミング対応で24 kHzにデコードして戻します。Liquidによる測定では、M4 Maxの単一CPUスレッド上でリアルタイムの約87倍であり、因果的オーディオエンコーダによって、人がまだ話している間のプリフィルが可能になります——これが「最短50 ms」という最初のトークンまでの時間の主張の根拠です。これら2つの数値は、測定ハーネスもパーセンタイルもない、特定のAppleハードウェア上でのベンダー測定値です。それらは最良ケースを述べています。スマートフォン、Raspberry Pi、共有x86 VMではそれらには到達せず、リリースには代わりにどの程度になるかは何も書かれていません。

SesameのCSMは24 kHzでKyutaiのMimiコーデックを使用し、Llamaバックボーンが最初のコードブックを予測し、より小さな深度デコーダーが残りを予測する。設計目標は短い参照クリップからの表現力豊かな合成であり、アプリの評判はそれが機能することを示唆している。CSM-1Bと製品版の声との間のギャップこそが論点のすべてだ。アーキテクチャは公開されているが、Sesameのように聞こえるようにするファインチューニングは公開されていない。

ビルダーにとって、それが意味するのは単純だ。Liquidはパイプライン全体とライセンスを提供し、評価はあなたが用意する。Sesameは研究成果物とデモを提供し、製品はあなたが用意するが、そのデモを製品に組み込むことはできない。

2つが実際に重なるところ

重複はちょうど1つだけあり、それは音声出力です。どちらも話すことができます。その重複の内部での違いは実用的なものです：

• 言語 — LFM3-Audio-2B は19ロケールにわたる18言語に対応すると公称しており、英語との相互翻訳が最も充実しています。Sesame Preview は公式には英語のみで、アプリ自体のガイダンスではフランス語、イタリア語、ドイツ語、スペイン語、中国語、日本語、韓国語を「early（初期段階）」としています。CSM-1B は英語のみです。

• 音声制御 — LFM3-Audio-2B：プロンプトで選択する音声で、カード内に公開されたクローニングワークフローはありません。CSM-1B：10〜15秒の参照クリップからのクローニングで、これが主な機能です。

• 会話 — LFM3-Audio-2B：ストリーミングを伴うリクエスト・アンド・レスポンス方式。バージイン対応をうたってはいない。Sesame Preview：ためらい、割り込み、ターンテイキングを中心に設計されており、それが評判を築いた品質である。

• 実行可能なもの — LFM3-Audio-2B：2.1 GB、CPUで動作可能、オフライン。Sesame：アプリ、オンライン、通話回数に上限あり。

もしあなたの製品が割り込み可能な音声を必要としているなら、これは接戦とは言えません。Sesameにはその挙動があり、Liquidはそれを謳っていません。もしあなたの製品がスウェーデン語やオランダ語の音声を必要としたり、ネットワークなしで動作する必要があるなら、Sesameでは対応できず、LFM3-Audio-2Bなら対応できます。

ここでルーターができることとできないこと

どちらのモデルもOrcaRouter上にはなく、よくあるルーティングの訴求がなぜ音声レイヤーには届かないのかを正確に述べておく価値がある。LFM3-Audio-2Bは自分で実行するチェックポイントであり、Sesame Previewはアプリだ。どちらにもホスト型の音声エンドポイントがないため、フェイルオーバー先を切り替えることはできない。

その上にある層こそ、ルーティングがその真価を発揮する場所だ。どちらのモデルで構築した音声プロダクトであっても、通話の要約、予約の抽出、次の質問の決定といった作業はテキストモデルに委ねられ、その委譲こそがコストのばらつきやプロバイダー障害が潜むところとなる。OrcaRouter は、1つのキーの背後で200以上のテキスト／マルチモーダルモデルをプロバイダーの定価のまま、上乗せなしで提供し、自動フェイルオーバーと、複数のモデルを1回の呼び出しに組み合わせられるルーティング DSL を備えている。単一モデルの判断では足りないときにはモデルフュージョンを実行することもできる。音声ループをプロトタイピングしているチームにとって、これは音声連携に一切手を加えずにテキスト側を差し替えて比較できることを意味する。

決定

製品の「味」を調整しているなら——製品にどれだけ温かみを持たせるか、どれくらいの間なら心地よいと感じるか、エージェントがどれだけ早く発言の番を譲るべきか——Sesame Preview は無料で、本当に優れていて、午後を過ごすのにうってつけの場所です。参照として使ってください。統合を前提に計画しないでください。統合する相手が何もないからです。

製品を出荷する予定なら、LFM3-Audio-2B は現実的な候補ですが、現実的な注意点もあります。ベンダー提供の数値のみ、ライブASRは英語のみ、32Kコンテキスト、そして注視すべきライセンスのしきい値です。UTMOSの改善を信じる前に自分の録音でテストし、ロケール数に頼るのではなく、実際に必要とする言語で音声出力をテストしてください。

この状況を変えるのは、具体的な何かだ。プロダクション音声向けのSesame APIがあれば、一夜にしてこのカテゴリで最強の候補になるだろう。LFM3-Audio-2Bについて独立したUTMOSまたは選好テストがあれば、3.83が自然な音声への本当の一歩なのか、それとも弱い前世代と比較して測られた数字にすぎないのかが分かる。どちらかが出るまでは、正しい要約はこうだ。一方は賞賛できる製品であり、もう一方は所有できるモデルである——そして今週行動に移せる判断は、そのうち片方だけだ。