Ming-3.0-audio-flash vs Sesame Preview: 하나는 모든 소리를 듣고, 다른 하나는 사람처럼 들리기만 하면 된다

이 둘은 경쟁자가 아니다. Ming-3.0-audio-flash는 MIT 라이선스의 1260억 매개변수 오디오-언어 전문가 혼합(MoE) 모델로, 명시된 다섯 가지 작업은 음성 인식, 긴 오디오 이해, 비음성 소리와 음악의 지각, 오디오 추론, 그리고 선택적인 다섯 번째로 말로 응답하기다. Sesame Preview는 네 가지 성격을 가진 소비자용 음성 비서로, iOS 및 Android 앱이 있고 API는 전혀 없다. 두 번째는 문이 쾅 닫히는 소리가 어떤지 알 필요가 없다. 첫 번째는 바로 그런 것을 위해 만들어졌다. 이 둘을 나란히 놓는 것이 유용한 이유는, 대부분의 오디오 모델 비교가 건너뛰는 질문을 강제하기 때문이다: 당신은 귀를 사는 것인가, 입을 사는 것인가? 이와 같은 출시의 배후에 있는 문서화된 AI 실패와 에이전트 사건들은 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰 등급 및 이견 표시가 함께 있다.

시점이 어긋남을 더 선명하게 만든다. Ming-3.0-audio-flash 는 2026년 9월 3일 Hugging Face에 올라왔지만 별도 발표 없이 그곳에 6주 동안 머물렀고, 그 후 10월 15일부터 19일 사이에 서빙 코드, 예제, 다시 작성된 카드가 게시되었다 — GitHub 저장소는 15일에 만들어졌고, 카드는 19일에도 여전히 편집되고 있었다. 목록에는 다운로드 22회가 표시된다. Sesame Preview는 봄부터 공개적으로 배포되어 왔으며, 다운로드 가능한 연구 아티팩트인 CSM-1B는 2025년 3월부터 Hugging Face에 있어 지난달 약 130,000회 다운로드와 약 2,500개의 좋아요를 기록했다. 하나는 사용자 기반이 있지만 저장소가 없다. 다른 하나는 저장소가 있지만 아직 사용자가 없다.

각각 무엇으로 만들어졌는지

Ming-3.0-audio-flash는 오디오 인코더와 프로젝터를 전문가 혼합(MoE) 언어 백본과 결합하며, 선택적으로 모델의 텍스트 출력을 음성으로 변환하는 Talker 모듈을 갖추고 있습니다. 총 파라미터 수는 1,260억 개이며 추론 단계마다 65억 개가 활성화됩니다. Hugging Face 사이드바에는 128B로 표시되어 있는데, 모델 카드에서는 이 불일치를 해명하지 않습니다. 입력은 오디오와 텍스트 지시문입니다. 출력은 텍스트 또는 텍스트와 합성 음성입니다. 중국어와 영어를 처리하며, 악센트와 방언이 명시적으로 언급되어 있습니다.

Sesame Preview는 공개된 어디에서도 그 수준의 세부 사항까지 설명되어 있지 않다. 공개된 것은 앱이다. 네 가지 이름 붙은 페르소나, 메모리, 커넥터를 갖춘 음성 인터페이스이며, 2026년 10월부터는 다른 에이전트를 오케스트레이션하는 기능도 갖추고 있다. 또한 공개된 것은 Sesame의 Apache-2.0 연구 체크포인트인 CSM-1B다. 첫 번째 오디오 코드북을 예측하는 Llama 백본과 나머지를 예측하는 더 작은 뎁스 디코더로 구성되며, 24kHz의 Kyutai Mimi 코덱을 통해 디코딩되고 영어 전용이다. 모델 카드는 이를 "기반 생성 모델"이라고 부르며, Sesame은 체크포인트 자체가 데모인 것이 아니라 이를 미세 조정한 파생 모델이 인터랙티브 데모를 구동한다고 명확히 밝혀 왔다.

• 다운로드할 수 있는 항목 — Ming: 전체 126B 체크포인트, 프로세서, 토크나이저, Talker 에셋. Sesame: CSM-1B, 앱의 음성이 아닌 1B 파라미터 기본 모델.

• 호출 가능한 대상 — Ming: 직접 호스팅하면 vLLM-Omni 또는 SGLang에서 제공되는 OpenAI 호환 엔드포인트. Sesame: 앱. 프로덕션 음성용 엔드포인트와 모델 ID는 없습니다.

• 무엇을 듣는가 — Ming: 말소리, 방언, 소음, 여러 명의 화자, 비언어적 소리, 음향 장면, 음악. Sesame: 대화 속에서의 당신의 목소리.

• 말하는 내용 — Ming: 텍스트, 선택적으로 내장 음성 또는 참조 클로닝 음성을 통한 음성. Sesame: 숨소리, 머뭇거림, 말 끊김을 위해 만들어진 음성.

• 언어 — Ming: 중국어와 영어. Sesame: 공식적으로는 영어이며, 앱 자체 안내에서는 프랑스어, 이탈리아어, 독일어, 스페인어, 중국어, 일본어, 한국어를 “초기” 단계로 표시합니다.

• 라이선스 — Ming: MIT. Sesame: 앱 서비스 약관; Apache-2.0은 연구 체크포인트에만 적용됩니다.

평가의 비대칭성은 완전하다

Ming-3.0-audio-flash를 사용하면 같은 문장을 100번 생성해서 들어볼 수 있습니다. 같은 잡음 많은 회의를 입력하고 전사 결과를 확인할 수 있습니다. 자신의 오디오로 직접 오류율을 산출할 수 있으며, 그 오류율은 스스로 소유하는 숫자입니다.

Sesame Preview로는 무엇도 생성할 수 없습니다. 프로덕션 음성에 대한 엔드포인트도, 체크포인트도, 공개된 벤치마크도 없습니다. 앱을 들어 보고 의견을 형성할 수는 있지만, 그 의견이 곧 여러분이 가진 증거의 전부입니다. 연구용 체크포인트 CSM-1B는 테스트할 수 있습니다. 실행하고, 미세 조정하고, 측정할 수 있죠. 하지만 그것은 Sesame을 유명하게 만든 음성 뒤에 있는 모델이 아니라는 점이 명시적으로 밝혀져 있습니다.

이는 오픈 모델만이 평가 가능한 드문 맞대결이다. 실제 사용자 기반을 가진 쪽은 클로즈드 모델뿐인데도 그렇다. 이러한 역전은 곱씹어볼 만하다. 왜냐하면 통상적인 논리는 정반대로 흘러가기 때문이다. 클로즈드 제품이야말로 실적을 갖춘 쪽으로 여겨지기 마련이다.

둘이 실제로 맞닿는 곳

겹치는 부분은 정확히 하나뿐이며, 바로 Talker입니다. Ming-3.0-audio-flash는 음성을 생성할 수 있고, 음성 지원 방식은 네 가지 음성만 제공하는 앱보다 훨씬 유연하게 구성할 수 있습니다. vLLM-Omni 경로에는 기본 제공 IP 음성이 포함되어 있고, 모델 디렉터리에는 일치하는 전사문이 있는 사전 설정 참조 음성이 있으며, 모든 참조 WAV와 정확한 전사문을 전달해 복제할 수 있습니다. 지연 시간 지표가 포함된 스트리밍 음성의 작동 예제도 있습니다. SGLang 경로는 음성을 전혀 처리하지 않습니다. 텍스트 전용이므로 서빙 스택을 선택하기 전에 알아두는 것이 좋습니다.

하지만 구성 가능성이 품질과 같은 것은 아니며, Ming 저장소는 음성 품질 평가를 전혀 공개하지 않는다. 세 개의 벤치마크 패널은 음성 인식, 오디오 지능, 텍스트를 다룬다. MOS 점수도, 선호도 테스트도, 운율 비교도 없다. 따라서 "Ming이 Sesame보다 더 좋게 들린다"에 대한 정직한 입장은 아무도 그것을 측정한 적이 없으며, 의견을 가장 잘 낼 수 있는 위치에 있는 사람들 — Sesame 사용자들 — 은 Ming을 들어본 적이 없다는 것이다.

Ming's Talker가 Sesame이 줄 수 없는 것을 제공하는 지점은 바로 음성 소유권입니다. 참조 클립과 그 전사본만 있으면, 모델이 해당 음성으로, 당신의 하드웨어에서, MIT 라이선스 아래, 제3자가 개입하지 않은 채 말합니다. 제품의 음성이 브랜드 자산이라면, 이것은 기능 비교가 아닙니다. 그것은 전혀 다른 범주의 것입니다.

하드웨어, 그리고 그것이 이 일의 대부분을 결정하는 이유

Ming-3.0-audio-flash의 전체 128K 컨텍스트와 음성 출력을 위한 참조 서빙 프로필은 80GB H800 GPU 8개에 걸친 텐서 병렬 처리입니다. GPU 4개로도 검증된 SGLang 프로필을 사용할 수 있지만 텍스트 전용입니다. 저장소에는 전체 오디오 프로필이 GPU 7에서 Talker에 자체 메모리 예산을 부여한다고 명시되어 있습니다.

Sesame Preview는 배포 자체가 없기 때문에 하드웨어 요구 사항도 없습니다. 이는 비꼬는 농담이 아니라 실제 가치 제안입니다. 모바일 앱에 표현력 있는 음성을 구현하면서 GPU는 신경 쓰고 싶지 않은 팀은 벤더를 통해 Sesame 형태의 동작을 출시할 수 있고, YAML 파일은 볼 일이 없습니다.

이어지는 비용 비교는 격차가 크다. H800 8대는 감가상각 일정이 딸린 자본 결정이다. 앱은 다운로드다. 둘을 비교할 이유는 둘 다 말할 수 있다는 것 하나뿐이며, 말하는 비용은 흥미로운 변수가 아니다. 흥미로운 것은 듣는 비용인데, Sesame은 그것을 팔지 않는다.

각각이 진정으로 더 뛰어난 점

Ming-3.0-audio-flash는 오디오를 생성하는 일보다 이해하는 일과 관련된 모든 면에서 더 뛰어납니다. 긴 녹음, 여러 화자, 배경 소음, 음악, 음향 장면, 무엇이 말해졌고 어떻게 말해졌는지에 대한 질문 등에서요. 자체 카드에서는 방언과 억양 전반에 걸친 복잡한 인식을 주장합니다. 벤치마크 패널은 벤더가 운영하며 감사되지 않았지만, 그래도 존재한다는 점은 이번 대결의 경쟁 상대가 제공하는 것보다 많습니다.

Sesame Preview는 제품으로서 더 뛰어납니다. 메모리, 메일·캘린더·드라이브 연결, 자체 브라우징 및 실행 인터페이스, OAuth 기반 MCP 지원을 갖추고 있으며, 지난 10월부터는 다른 에이전트를 오케스트레이션하는 기능도 제공합니다. 이 중 어느 것도 음성 모델의 기능이 아닙니다. 그것은 어시스턴트이고, 음성은 인터페이스입니다. Ming은 이런 것들을 하나도 갖추지 않았고, 갖췄다고 주장하지도 않습니다.

아무도 결론을 내리지 못한 지연 시간 논쟁도 있습니다. 대화형 어시스턴트는 턴테이킹에 성패가 달려 있습니다. Sesame은 망설임과 끼어들기의 타이밍이 충분히 설득력 있어 초기 청취자들이 통화 상대가 사람이라고 여길 정도로 명성을 쌓았습니다. Ming-3.0-audio-flash의 인터페이스는 요청-응답 방식입니다. 오디오와 지시가 입력되면 텍스트나 음성이 출력됩니다. 스트리밍 예제는 있지만, 응답을 스트리밍하는 것과 barge-in을 처리하는 것은 같지 않으며, 해당 리포지토리는 전이중을 주장하지 않습니다.

만약 당신이 실제로 선택하고 있다면

당신은 아마 이 둘 중에서 선택하고 있지 않을 가능성이 크며, 그 점은 분명히 말할 가치가 있습니다. 현실적인 결정은 "Ming-3.0-audio-flash 대 호스팅형 오디오 이해 API"와 "Sesame Preview 대 앱이 이미 사용 중인 음성"입니다. 이 조합이 존재하는 이유는 둘 다 최근 뉴스가 있는 오디오 모델이기 때문이지, 구매자가 둘을 서로 견줘 검토할 것이기 때문은 아닙니다.

그렇긴 하지만, 오픈 오디오 모델을 애초에 셀프 호스팅해야 하는가라는 인접한 질문은 두 제품 모두가 피할 수 없이 던지는 질문이다. {{1}}Ming은 소유권의 손을 들어준다: MIT, 검사 가능, 수정 가능, 요청 경로에 벤더가 없음.{{/1}} {{2}}Sesame은 직접 구축하는 것에 반대하는 논리를 편다: 팀이 재현하는 데 1년을 써야 할 기능을 갖춘, 작동하는 앱.{{/2}} 대부분의 팀은 호스팅 버전이 그들이 명확히 짚을 수 있는 방식으로 실패할 때까지는 호스팅 버전을 사용해야 한다.

그 결정에서 OrcaRouter의 역할은 좁으며, 정확히 짚고 넘어갈 만합니다. 우리는 Ming-3.0-audio-flash를 호스팅하지 않고, Sesame Preview도 호스팅하지 않습니다. 하나는 직접 실행하는 체크포인트이고, 다른 하나는 앱입니다. 라우팅 계층이 제공하는 것은 비교 프레임워크입니다: 하나의 키로 200개 이상의 모델을 공급자 정가 그대로, 마크업 없이, 따라서 자체 호스팅 Ming과 실제로 저울질하는 호스팅 오디오 모델들을 동일한 트래픽에서 A/B 테스트할 수 있으며, 한 경로의 성능이 저하되면 자동 페일오버가 작동합니다. 이것이 바로 8개 GPU 베팅이 성과를 내는지, 베팅을 먼저 하지 않고도 알아내는 방법입니다.

열린 질문

Ming-3.0-audio-flash는 나흘 전 실행 가능해졌고 다운로드 수는 22회다. 이 글을 쓰는 날 모델 카드가 수정되었다. 벤치마크 수치는 이미지로만 제공되고, 음성 품질은 평가되지 않았으며, 서빙 프로필은 대부분의 팀이 보유하지 않은 랙을 전제로 한다. 그중 어느 것도 탈락 사유는 아니다 — 조용한 릴리스의 첫 주는 원래 이런 모습이며, 초기의 “현재까지 아는 것” 정리 글은 이에 대한 올바른 대응이다.

한편 Sesame Preview는 뒤받침할 공개 모델도 없이 제품에 기능을 계속 출시하고 있다. 들을 수 있는 것과 검사할 수 있는 것 사이의 격차가 그 회사의 전부이며, 그것은 1년 동안 변하지 않았다.

주목할 것은 벤치마크가 아니다. 어느 쪽이 격차를 좁히느냐다. Ming이 오퍼레이터와 지연 시간 수치를 확보하거나, Sesame가 실제로 앱에서 들리는 목소리인 체크포인트를 공개하거나. 둘 중 어느 쪽이 먼저 일어나느냐가 이 두 접근법 중 어느 쪽이 이기고 있는지를 알려준다.