Ming-3.0-audio-flash 対 Sesame Preview：一方はすべてを聴き取り、もう一方は人間らしく聞こえれば十分

この2つはライバルではありません。Ming-3.0-audio-flashは、MITライセンスの下で提供される1260億パラメータの音声言語Mixture-of-Expertsであり、公称する5つのタスクは、音声認識、長尺音声の理解、非音声の音や音楽の知覚、音声推論、そして任意の5つ目としての「話し返す」ことです。Sesame Previewは、4つのパーソナリティを備えたコンシューマー向け音声アシスタントで、iOSとAndroidのアプリがあり、APIは一切ありません。後者は、ドアがバタンと閉まる音がどんなものかを知る必要はありません。前者はまさにそのために作られました。両者を並べることが有用なのは、音声モデルの比較の多くが飛ばしてしまう問いを避けられなくするからにすぎません。それは、耳を買うのか、口を買うのか、という問いです。このようなリリースの背景にある、文書化されたAIの失敗やエージェントのインシデントは、OrcaRouter AI Incident Archiveに収集されており、各エントリには、独自の情報源、重大度、信頼度グレード、異議ありフラグが付いています。

タイミングがそのミスマッチをより際立たせている。Ming-3.0-audio-flash は2026年9月3日にHugging Faceへ登場したが、告知は一切なく、その後6週間にわたってそのまま放置されていた。10月15日から19日にかけて、サービング用コード、サンプル、書き直されたモデルカードが公開された——GitHubリポジトリが作成されたのは15日で、カードは19日になってもまだ編集が続けられていた。リスティングに表示されているダウンロード数は22件だ。Sesame Previewは春から一般向けに提供されており、そのダウンロード可能な研究成果物であるCSM-1Bは2025年3月からHugging Faceに公開されていて、先月だけで約13万ダウンロード、約2,500件のいいねを集めている。一方にはユーザーベースがあり、リポジトリがない。もう一方にはリポジトリがあり、まだユーザーがいない。

それぞれ何からできているか

Ming-3.0-audio-flashは、音声エンコーダーとプロジェクターを専門家混合（MoE）言語バックボーンと組み合わせ、さらにオプションのTalkerモジュールでモデルのテキスト出力を音声に変換します。総パラメータ数は1260億で、推論ステップごとに65億が活性化します — Hugging Faceのサイドバーには128Bと表示されており、カードではこの不一致について説明されていません。入力は音声とテキスト指示です。出力はテキスト、または合成音声付きのテキストです。中国語と英語を扱い、アクセントや方言について明示的に言及しています。

Sesame Previewについて、そこまで詳細に説明している公開情報はどこにもありません。公開されているのはアプリです。4つの名前付きパーソナリティ、メモリー、コネクターを備えた音声インターフェースで、2026年10月以降は他のエージェントをオーケストレーションする機能も備えています。また公開されているのは、SesameのApache-2.0リサーチチェックポイントであるCSM-1Bです。Llamaバックボーンが最初の音声コードブックを予測し、より小さい深度デコーダーが残りを予測し、KyutaiのMimiコーデックを通じて24 kHzでデコードされ、英語のみに対応しています。モデルカードでは「ベース生成モデル」と呼んでおり、Sesameは、デモそのものがチェックポイントなのではなく、それをファインチューニングした派生モデルがインタラクティブデモを動かしていると明言しています。

• ダウンロードできるもの — Ming: 完全な126Bチェックポイント、プロセッサ、トークナイザー、Talkerアセット。Sesame: CSM-1B、アプリ内の音声ではない10億パラメータのベースモデル。

• 呼び出せるもの — Ming：vLLM-Omni または SGLang 上の OpenAI 互換エンドポイント（自分でホストした場合）。Sesame：アプリ。本番用ボイスにはエンドポイントもモデルIDもありません。

• 何を聴き取るか — Ming: 音声、方言、雑音、複数の話者、非音声、音響シーン、音楽。Sesame: 会話の中のあなたの声。

• 何を話すか — Ming：テキスト、オプションで内蔵音声または参照クローン音声によるスピーチ。Sesame：息遣い、ためらい、中断のために作られたスピーチ。

• 言語 — Ming：中国語と英語。Sesame：公式には英語。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、韓国語が「早期」と記載されています。

• ライセンス — Ming: MIT。Sesame: アプリの利用規約、Apache-2.0 は研究用チェックポイントのみ。

評価の非対称性は完全である。

Ming-3.0-audio-flashを使えば、同じ文を100回生成して聴き比べることができます。同じ騒がしい会議音声を入力して、文字起こしを確認することもできます。自分の音声で独自のエラー率を算出でき、そのエラー率は自分が持つ数字になります。

Sesame Previewでは何も生成できません。エンドポイントも、製品版の声に対応するチェックポイントも、公開されたベンチマークも存在しません。アプリを聴いて意見を形成することはできますが、その意見が証拠のすべてです。研究用チェックポイントのCSM-1Bは検証可能です——実行し、ファインチューニングし、測定することはできます——しかし、それはSesameを有名にした声の背後にあるモデルではないことが明言されています。

これは珍しい対決だ。{{1}}オープンモデル{{/1}}は評価できる唯一のものだが、{{2}}クローズドな方{{/2}}は実際のユーザー基盤を持つ唯一のものだ。この逆転は腰を据えて考える価値がある。なぜなら、通常の議論は逆を行くからだ。{{3}}クローズド製品{{/3}}こそ実績を持つ側のはずなのだ。

二つが実際に接する箇所

重なりはちょうど1つだけあり、それはTalkerです。Ming-3.0-audio-flashは音声を生成でき、その音声の話は4音声アプリよりもはるかに設定可能です。vLLM-Omniの経路には組み込みのIP音声が同梱され、モデルディレクトリには対応する書き起こし付きのプリセット参照音声が含まれており、任意の参照WAVとその正確な書き起こしを渡してクローンすることもできます。レイテンシ指標付きのストリーミング音声には動作する例があります。SGLangの経路は音声をまったく扱いません——テキスト専用です——これはサービングスタックを選ぶ前に知っておく価値があります。

しかし、設定可能性は品質と同じではないし、Mingのリポジトリは音声品質評価を一切公開していない。その3つのベンチマークパネルは、音声認識、音声インテリジェンス、テキストを対象としている。MOSスコアも、嗜好テストも、韻律の比較もない。したがって、「MingはSesameより音質が良い」についての正直な立場は、誰もそれを測定しておらず、意見を持つに最もふさわしい人々——Sesameのユーザー——はMingを一度も聞いたことがない、というものだ。

Ming's Talker が Sesame にはできない形で提供するのは、声の所有権です。参照クリップとその文字起こしを用意すれば、モデルはその声で、自社のハードウェア上で、MIT ライセンスの下、第三者が介在することなく話します。製品の声がブランド資産なのであれば、それは機能比較ではありません。別カテゴリのものです。

ハードウェア、そしてなぜそれがこの大部分を決定づけるのか

Ming-3.0-audio-flash の、音声出力を伴うフル128Kコンテキスト向けリファレンスサービングプロファイルは、80 GBのH800 GPU 8台にわたるテンソル並列です。4台のGPUでも検証済みのSGLangプロファイルは利用できますが、テキストのみです。リポジトリには、フルオーディオプロファイルではTalkerにGPU 7上で専用のメモリ予算が与えられると記載されています。

Sesame Previewにはハードウェア要件がありません。デプロイが存在しないからです。これはSesame Previewを揶揄する冗談ではなく、実際の価値提案です。モバイルアプリで表現豊かな音声を実現したい一方で、GPUについて考えたくないチームは、ベンダーを通じてSesame的な動作を提供でき、YAMLファイルを目にすることもありません。

以下のコスト比較は、比較にならない。H800を8台そろえるのは、減価償却スケジュールを伴う設備投資の判断だ。アプリはダウンロードにすぎない。両者を比較する唯一の理由は、どちらも話せるという点にあり、興味深い変数は話すコストではなく聞くコストであり、Sesameはそれを販売していない。

それぞれが本当に優れている点

Ming-3.0-audio-flash は、音声を生成するよりも理解することに関わるあらゆる点で優れている。長時間の録音、複数の話者、背景ノイズ、音楽、音響シーン、何が話され、どのように話されたかについての質問。自社の製品カードでは、方言やアクセントをまたぐ複雑な認識をうたっている。そのベンチマークパネルはベンダーが実施したもので監査されていないが、存在はしている。それは、この対戦で競合が提供するものより多い。

Sesame Previewは製品としてはより優れている。メモリ、メールやカレンダー、ドライブへのコネクタ、独自のブラウジングと行動のサーフェス、OAuth経由のMCPサポートを備え、10月以降は他のエージェントをオーケストレーションする機能も持つ。それらのどれも音声モデルの機能ではない。それはアシスタントであり、音声はインターフェースだ。Mingにはそうしたものは何もなく、そう主張もしていない。

レイテンシーに関する、まだ誰も決着をつけていない議論もある。会話型アシスタントはターンテイキングで生死が決まる——Sesameは、初期の聴取者が電話の向こうに人間がいると信じ込むほど説得力のある間の取り方と割り込みのタイミングによって評判を築いた。Ming-3.0-audio-flashのインターフェースはリクエスト・アンド・レスポンス型だ。音声と指示を入力し、テキストまたは音声を出力する。ストリーミングの例は存在するが、応答をストリーミングすることはバージインの処理と同じではなく、このリポジトリは双方向通信を謳ってはいない。

実際に選んでいるのであれば

おそらくあなたはこの2つのどちらかを選んでいるわけではありません。そして、それは率直に言っておく価値があります。現実的な選択は「Ming-3.0-audio-flash 対 ホスト型音声理解 API」と「Sesame Preview 対 あなたのアプリがすでに使っている音声」です。この組み合わせが存在するのは、両方が最近ニュースになった音声モデルだからであり、購入者がこの2つを比較検討するからではありません。

とはいえ、隣接する問い——そもそもオープンな音声モデルをセルフホストすべきか——は、どちらの製品も突きつけてくる。Mingは所有を支持する根拠を示す。MITライセンスで、検査可能、改変可能、リクエスト経路にベンダーが介在しない。Sesameは構築しないことを支持する根拠を示す。動作するアプリであり、チームが再現するのに1年かかるような機能を備えている。ほとんどのチームは、ホスト版が自分たちにとって名指しできる形で失敗するまでは、ホスト版を使うべきだ。

その判断におけるOrcaRouterの役割は限定的であり、正確に述べておく価値があります。当社はMing-3.0-audio-flashをホストしておらず、Sesame Previewもホストしていません。前者はご自身で実行するチェックポイントで、後者はアプリです。ルーティングレイヤーが提供するのは比較の枠組みです：プロバイダーの定価のまま、追加のマークアップなしで、1つのキーから200以上のモデルを利用できること。これにより、実際に自前ホストのMingと比較検討しているホスト型音声モデルを同じトラフィック上でA/Bテストでき、いずれかの経路が劣化した場合には自動フェイルオーバーが働きます。そうやって、8基のGPUへの賭けが報われるかどうかを、先に賭けをせずに見極められるのです。

未解決の問題

Ming-3.0-audio-flash は4日前に実行可能になり、ダウンロード数は22です。そのカードは、これが書かれた当日に編集されました。ベンチマークの数値は画像で、音声品質は未評価で、サービングプロファイルはほとんどのチームが所有していないラックを前提としています。そのいずれも失格理由にはなりません — 静かなリリースの最初の週とはこういうものであり、初期の「現時点でわかっていること」記事はそれへの適切な対応です。

一方、Sesame Previewは、背後に公開されたモデルがない製品に次々と機能を投入し続けている。聞こえるものと検証できるものの間の隔たりこそが、その会社のすべてを物語っており、それは一年経っても変わっていない。

注目すべきはベンチマークではない。どちらの陣営が自らのギャップを埋めるかどうかだ。Mingがオペレーターとレイテンシの数値を手に入れるのか、それともSesameが、実際にアプリで使われているあの声そのものであるチェックポイントを公開するのか。どちらが先に起きるかで、この2つのアプローチのどちらが勝ちつつあるのかが分かる。