LFM3-Audio-2B vs Sesame Preview: 다운로드와 앱은 같은 선택이 아니다

Sesame Preview는 사람들이 인간 같다고 묘사하는 목소리입니다. LFM3-Audio-2B는 노트북에서 내려받아 실행할 수 있는 2B 체크포인트입니다. 이 둘을 한 문장에 놓으면 유용한 일이 벌어집니다. 비교의 초점이 어느 쪽이 더 잘 들리는가에서 두 가지 별개의 질문으로 바뀌기 때문입니다. 출시할 수 있는가, 그리고 측정할 수 있는가. Sesame Preview는 첫 번째 질문에서 실패합니다. Liquid AI가 2026년 10월 27일 여섯 개 모델로 구성된 LFM3 패밀리 안에서 출시한 LFM3-Audio-2B는 두 번째 질문에서 실패합니다. 어느 쪽 실패도 스캔들이 아닙니다. 이 둘은 서로 다른 종류의 제품이며, 대부분의 팀은 만들기 시작한 뒤에야 자신들에게 필요한 것이 어느 쪽인지 알게 됩니다.

세부 사항에 앞서 분명히 짚고 넘어갈 만한 비대칭성이 있다. Sesame의 프로덕션 음성에는 API도, 모델 ID도, 엔터프라이즈 티어도 없다. 그것은 네 개의 이름 붙은 에이전트, 메모리, 커넥터, 그리고 10월부터는 다른 에이전트를 오케스트레이션하는 기능을 갖춘 iOS 및 Android 앱 안에 존재한다. LFM3-Audio-2B에는 앱이 전혀 없다. 그것은 가중치, 모델 카드, 병합된 llama.cpp 풀 리퀘스트, 2.1GB Ollama 빌드를 갖고 있다. 하나는 오후 한나절을 보낼 수 있는 곳이고, 다른 하나는 제품에 넣을 수 있는 파일이다.

질문 1: 출시할 수 있나요?

LFM3-Audio-2B의 경우 답은 '그렇다'이며, 단서 조건이 있습니다. LFM Open License v1.0은 연매출 1,000만 달러 미만에서 상업적 사용을 허용하고, 그 이상에서는 유료 라이선스를 요구합니다. 가중치는 Hugging Face에 있으며, trust_remote_code와 함께 사용하는 Transformers 5.20.2 이상이 Python 경로이고, llama.cpp는 PR #31257에서 지원이 병합되었으며, MLX 4비트는 Apple silicon을 지원하고, ONNX Runtime은 이식성을 지원합니다. 입력은 텍스트 또는 16kHz 오디오이고, 출력은 텍스트, 24kHz 음성, 또는 텍스트와 음성이 교차된 형태입니다. 컨텍스트는 양방향을 아우르는 32K 토큰입니다. 텍스트 모델에 해당하는 256K 수치가 아닙니다. 또한 이 모델은 19개 로캘에 걸쳐 18개 언어를 나열하며, 라이브 ASR은 영어 전용입니다.

Sesame Preview의 경우 답은 '아니오'이며, 그 이유는 상업적이라기보다 구조적입니다. 프로덕션 음성용 엔드포인트가 없습니다. 가격도 없습니다. 살 것이 없기 때문입니다. 앱은 무료이고, 통화는 최대 30분까지 가능하며 로그아웃 상태에서는 5분으로 줄어들고, 네 개의 에이전트가 곧 제품입니다. 자체 애플리케이션에서 Sesame 형태의 동작을 원한다면, 가질 수 없습니다.

Sesame이 공개한 것은 Apache-2.0 연구용 체크포인트인 CSM-1B입니다. 이는 어시스턴트가 아니라 합성 블록입니다. Llama 백본이 첫 번째 Mimi 코드북을 예측하고 더 작은 디코더가 나머지를 예측하며, 24kHz의 Mimi 코덱을 통해 렌더링됩니다. 영어 전용이며 10~15초 참조 클립에서 음성을 복제하고 텍스트를 생성할 수 없어 언어 모델과 함께 사용해야 합니다. Hugging Face 카드는 은근한 부분을 대놓고 말합니다. CSM의 미세 조정 변형이 대화형 데모를 구동하며, 그 변형은 다운로드할 수 있는 체크포인트가 아닙니다. 이 카드는 지난달 약 130,000회 다운로드와 약 2,500개의 좋아요를 기록했는데, 이는 사람들이 이를 실험하고 있음을 알려줍니다. 다만 사람들이 앱에서 그 음성을 듣고 있다는 사실까지 알려주지는 않습니다.

질문 2: 그것을 측정할 수 있나요?

LFM3-Audio-2B는 6개 행으로 된 공급업체 표를 공개했는데, 모두 LFM2.5-Audio-1.5B와 비교한 것이며 테스트 세트나 하네스 이름은 밝히지 않았다. 여기서 중요한 행은 영어 TTS UTMOSv2가 3.83 대 3.22, VoiceBench가 73.13 대 55.17, 오디오 이해 MMAR가 50.60 대 25.85, 영어 ASR WER가 6.23 대 6.13, 다국어 WER/CER가 6.03, 내부 도구 호출 평가가 58.50이라는 점이다. UTMOS 변화는 크다 — 보통 4.0을 거의 인간 수준으로 취급하는 척도에서 0.6점이다 — 그리고 ASR 행은 평평한데, 이것이 표에서 가장 신뢰할 만한 부분이다: 한 축에서 개선이 없다고 보고하는 공급업체는 적어도 이야기거리를 위해 표를 최적화하지는 않은 것이다.

그중 어느 것도 독립적인 증인을 갖고 있지 않다. 우리는 어떤 행에 대해서도 제3자 재현을 찾을 수 없었고, 숫자들은 모델을 해당 분야가 아니라 자기 자신의 전임자와 비교한 것이다. Liquid 자체 표의 다른 항목들과 비교하면, LFM3-Audio-2B는 선두주자라기보다 좋은 소형 모델이다. Voxtral Mini 3B는 5.51 WER을 기록하고 NVIDIA Audex 2B는 5.99를 기록하며, Qwen2.5-Omni 3B는 오디오 이해에서 54.41을, Gemma 4 E4B는 도구 호출에서 72.40을 기록한다.

Sesame Preview에는 비교 가능한 수치가 전혀 없습니다. 이 제품의 품질 주장은 청취 인상입니다. 2026년 대화형 음성의 기준점이 될 만큼 강력한 인상이자, 제3자가 프로덕션 모델에 대해 점수를 매긴 적이 없는 인상입니다. 그것은 목소리가 나쁘다는 증거가 아닙니다. 모두가 칭찬하는 것이 이번 비교에서 아무도 측정할 수 없는 유일한 요소라는 증거입니다.

이 반전이 드문 부분이다. 보통은 폐쇄형 제품이 실적 기록을 가진 쪽이고, 공개 체크포인트는 아무도 평가해 본 적 없는 쪽이다. 여기서는 공개 모델이 당신이 평가할 수 있는 유일한 모델이고, 폐쇄형 제품은 실제 사용자 기반을 가진 유일한 제품이다. 두 진술은 동시에 참이며, 어느 것도 그 음성이 좋은지를 결정하지 못한다.

두 코덱, 두 가지 설계 베팅

이 시스템들 사이에서 가장 기술적인 차이는 동시에 가장 흥미로운 부분이기도 한데, 두 회사가 각각 코덱에 베팅했고 그 베팅이 서로 반대 방향을 가리키기 때문이다.

LiquidCodec은 80ms의 음성을 12개의 이산 토큰으로 압축하고, 스트리밍 지원을 통해 24kHz로 다시 디코딩합니다. Liquid는 M4 Max의 단일 CPU 스레드에서 약 실시간 대비 87배로 측정했으며, 인과적 오디오 인코더 덕분에 사람이 아직 말하고 있는 동안에도 프리필이 가능합니다 — 이것이 "최저 50ms"의 첫 토큰까지 걸리는 시간 주장의 근거입니다. 이 두 수치는 특정 Apple 하드웨어에서 하네스도, 백분위수도 없이 벤더가 측정한 값입니다. 이는 최상의 경우를 설명합니다. 휴대폰, Raspberry Pi 또는 공유 x86 VM에서는 이 수치에 도달하지 못하며, 이 릴리스에는 대신 어떤 수치에 도달하는지에 대한 언급이 없습니다.

Sesame의 CSM은 24kHz에서 Kyutai의 Mimi 코덱을 사용하며, Llama 백본이 첫 번째 코드북을 예측하고 더 작은 depth decoder가 나머지를 예측합니다. 설계 목표는 짧은 참조 클립으로부터 표현력 있는 합성을 하는 것이며, 이 앱의 평판은 그것이 실제로 작동함을 시사합니다. CSM-1B와 프로덕션 음성 사이의 격차가 바로 핵심 논거입니다. 아키텍처는 공개되어 있지만, 그것이 Sesame처럼 들리게 만드는 파인튜닝은 공개되어 있지 않습니다.

빌더에게 그것이 의미하는 바는 간단하다. Liquid는 전체 파이프라인과 라이선스를 제공하고, 평가는 당신이 제공한다. Sesame는 연구 결과물과 데모를 제공하고, 제품은 당신이 제공하며, 그 데모를 제품 안에 넣을 수는 없다.

둘이 실제로 겹치는 부분

겹치는 부분은 정확히 하나이며, 그것은 음성 출력입니다. 둘 다 말할 수 있습니다. 그 겹침 안의 차이점은 실용적입니다:

• 언어 — LFM3-Audio-2B는 19개 로캘에 걸쳐 18개 언어를 지원한다고 주장하며, 영어로 또는 영어에서 번역할 때 가장 강력합니다. Sesame Preview는 공식적으로 영어만 지원합니다. 앱 자체 안내에서는 프랑스어, 이탈리아어, 독일어, 스페인어, 중국어, 일본어, 한국어를 "초기" 단계로 표시합니다. CSM-1B는 영어만 지원합니다.

• {{1}}음성 제어{{/1}} — LFM3-Audio-2B: 프롬프트로 음성 선택, 카드에 공개된 복제 워크플로 없음. CSM-1B: 10~15초 참조 클립에서 복제하며, 이는 주요 기능임.

• 대화 — LFM3-Audio-2B: 스트리밍을 포함한 요청-응답 방식이며, barge-in을 내세우지 않습니다. Sesame Preview: 망설임, 끼어들기, 발화 순서 교대를 중심으로 설계되었으며, 바로 이 점이 명성을 얻게 한 품질입니다.

• 실행 가능한 것 — LFM3-Audio-2B: 2.1GB, CPU 지원, 오프라인. Sesame: 앱, 온라인, 통화 한도 있음.

제품에 중단 가능한 음성이 필요하다면, 이는 대등한 비교가 아닙니다. Sesame에는 그런 동작이 갖춰져 있지만 Liquid는 이를 내세우지 않습니다. 제품에 스웨덴어나 네덜란드어 음성이 필요하거나 네트워크 없이 실행되어야 한다면, Sesame은 도움이 될 수 없고 LFM3-Audio-2B는 가능합니다.

여기서 라우터가 할 수 있는 일과 할 수 없는 일

두 모델 모두 OrcaRouter에 없으며, 일반적인 라우팅 제안이 음성 계층까지 닿지 않는 이유를 정확히 짚을 필요가 있습니다. LFM3-Audio-2B는 직접 실행하는 체크포인트이고, Sesame Preview는 앱입니다. 둘 중 어느 쪽에도 장애 조치할 호스팅된 오디오 엔드포인트가 없습니다.

그 위의 계층은 라우팅이 존재 가치를 입증하는 곳이다. 어느 모델 위에 구축된 음성 제품이든 여전히 텍스트 모델에 작업을 넘긴다. 통화 요약하기, 예약 정보 추출하기, 다음 질문 결정하기 같은 일인데, 바로 이 위임 과정에서 비용 편차와 공급자 장애가 발생한다. OrcaRouter는 하나의 키 뒤에서 200개 이상의 텍스트 및 멀티모달 모델을 공급자 정가에 마크업 없이 제공하며, 자동 페일오버와 여러 모델을 하나의 호출로 구성할 수 있는 라우팅 DSL을 갖추고 있다. 또한 단일 모델의 판단만으로 충분하지 않을 때 모델 퓨전을 실행할 수 있다. 음성 루프를 프로토타이핑하는 팀에게 이는 오디오 통합을 건드리지 않고도 텍스트 쪽 절반을 교체하고 비교할 수 있다는 뜻이다.

결정

제품에 얼마나 따뜻함을 담아야 할지, 얼마나 긴 멈춤이 편안한지, 에이전트가 얼마나 빨리 발언권을 넘겨야 하는지를 정하며 감각을 조율하고 있다면, Sesame Preview는 무료이고 정말 뛰어나며 한나절을 보내기에 딱 좋은 곳입니다. 참고 자료로 사용하세요. 이를 중심으로 통합을 계획하지는 마세요. 통합할 대상이 없으니까요.

배포를 앞두고 있다면 LFM3-Audio-2B는 실제 후보이지만 실제 주의사항도 있습니다. 벤더 자체 수치만 있고, 라이브 ASR은 영어만 지원하며, 컨텍스트는 32K이고, 주의 깊게 봐야 할 라이선스 임계값이 있습니다. UTMOS 향상을 믿기 전에 자체 녹음으로 테스트하고, 로케일 수를 신뢰하기보다 실제로 필요한 언어로 음성 출력을 테스트하세요.

이 구도를 바꿀 요인은 구체적이다. 프로덕션 음성용 Sesame API가 나오면 하룻밤 사이에 해당 카테고리에서 가장 강력한 후보가 될 것이다. LFM3-Audio-2B에 대한 독립적인 UTMOS 또는 선호도 테스트는 3.83이 자연스러운 음성을 향한 실제 진전인지, 약한 전작을 기준으로 측정된 숫자인지를 알려줄 것이다. 그중 하나가 현실화되기 전까지 올바른 요약은 이렇다. 이 중 하나는 감탄할 수 있는 제품이고, 다른 하나는 직접 보유할 수 있는 모델이다. 그리고 둘 중 이번 주에 실행에 옮길 수 있는 결정은 하나뿐이다.