Ming-3.0-audio-flash vs Sesame Preview: De een hoort alles, de ander hoeft alleen maar menselijk te klinken

Deze twee zijn geen rivalen. Ming-3.0-audio-flash is een audio-taal mixture-of-experts met 126 miljard parameters onder de MIT-licentie, met vijf opgegeven taken: spraakherkenning, begrip van lange audio, waarneming van niet-spraakgeluid en muziek, audioreasoning en — als optionele vijfde — terugpraten. Sesame Preview is een consumentenspraakassistent met vier persoonlijkheden, een iOS- en Android-app en helemaal geen API. De tweede hoeft niet te weten hoe een dichtslaande deur klinkt. De eerste is precies daarvoor gebouwd. Ze naast elkaar zetten is alleen nuttig omdat het de vraag opwerpt die de meeste vergelijkingen van audiomodellen overslaan: koop je een oor of een mond? De gedocumenteerde AI-fouten en agentincidenten achter releases zoals deze zijn verzameld in het OrcaRouter AI Incident Archive waar elk item zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwist-vlag heeft.

De timing maakt de mismatch alleen maar scherper. Ming-3.0-audio-flash verscheen op 3 september 2026 op Hugging Face zonder aankondiging en bleef daar zes weken staan voordat de servingcode, voorbeelden en herschreven kaart tussen 15 en 19 oktober online kwamen — de GitHub-repository werd op de 15e aangemaakt, en er werd op de 19e nog steeds aan de kaart gewerkt. De vermelding toont 22 downloads. Sesame Preview is sinds het voorjaar publiekelijk beschikbaar, en het downloadbare onderzoeksproduct CSM-1B staat sinds maart 2025 op Hugging Face met ongeveer 130.000 downloads in de afgelopen maand en circa 2.500 likes. De een heeft een gebruikersbasis en geen repository. De ander heeft een repository en nog geen gebruikers.

Waar elk van gemaakt is

Ming-3.0-audio-flash combineert een audio-encoder en projector met een mixture-of-experts-taalbackbone, en een optionele Talker-module die de tekstuitvoer van het model omzet in spraak. Het totale aantal parameters bedraagt 126 miljard, met 6,5 miljard geactiveerd per inferentiestap — de Hugging Face-zijbalk vermeldt 128B, een discrepantie die de kaart niet verantwoordt. Invoer bestaat uit audio plus een tekstinstructie. Uitvoer is tekst, of tekst met gesynthetiseerde spraak. Het ondersteunt Chinees en Engels, waarbij accenten en dialecten expliciet worden genoemd.

Sesame Preview wordt nergens openbaar op dat detailniveau beschreven. Wat wel openbaar is, is de app: een spraakinterface met vier persoonlijkheden met een naam, geheugen, connectors en sinds oktober 2026 de mogelijkheid om andere agenten te orkestreren. Wat ook openbaar is, is CSM-1B, Sesame's Apache-2.0-onderzoekscheckpoint — een Llama-backbone die het eerste audiocodeboek voorspelt en een kleinere dieptedecoder die de rest voorspelt, gedecodeerd via Kyutai's Mimi-codec op 24 kHz, alleen Engels. De modelkaart noemt het "een basisgeneratiemodel", en Sesame heeft expliciet gezegd dat een fijnafgestemde afgeleide ervan de interactieve demo aandrijft, in plaats van dat het checkpoint de demo is.

• Wat je kunt downloaden — Ming: de volledige 126B-checkpoint, processor, tokenizer, Talker-assets. Sesame: CSM-1B, een basismodel met 1 miljard parameters dat niet de stem in de app is.

• Wat je kunt aanroepen — Ming: een OpenAI-compatibel endpoint op vLLM-Omni of SGLang, zodra je het host. Sesame: een app. Geen endpoint, geen model-ID voor de productiestem.

• Waar het naar luistert — Ming: spraak, dialecten, lawaai, meerdere sprekers, niet-spraakgeluid, akoestische scènes, muziek. Sesame: je stem, in een gesprek.

• Wat het zegt — Ming: tekst, optioneel spraak via ingebouwde of van referentie gekloonde stemmen. Sesame: spraak gemaakt voor ademhaling, aarzeling en onderbreking.

• Talen — Ming: Chinees en Engels. Sesame: officieel Engels; de eigen richtlijnen van de app vermelden Frans, Italiaans, Duits, Spaans, Chinees, Japans en Koreaans als "early".

Licentie — Ming: MIT. Sesame: servicevoorwaarden van de app; Apache-2.0 alleen op het onderzoekscheckpoint.

De evaluatieasymmetrie is totaal

Met Ming-3.0-audio-flash kun je dezelfde zin honderd keer genereren en ernaar luisteren. Je kunt er dezelfde rumoerige vergadering aan voeren en het transcript controleren. Je kunt je eigen foutpercentage op je eigen audio bepalen, en dat foutpercentage is een getal dat van jou is.

Met Sesame Preview kun je niets genereren. Er is geen endpoint, geen checkpoint voor de productiestem, geen gepubliceerde benchmark ervoor. Je kunt naar de app luisteren en een mening vormen, en die mening is al het bewijs dat je hebt. Het onderzoekscheckpoint CSM-1B is testbaar — je kunt het draaien, fine-tunen, meten — maar het is expliciet niet het model achter de stem die Sesame beroemd heeft gemaakt.

Dit is de zeldzame confrontatie waarbij het open model het enige is dat je kunt evalueren, ook al is het gesloten model het enige met een echte gebruikersbasis. Die omkering is het waard om bij stil te staan, want het gebruikelijke argument loopt de andere kant op: van gesloten producten wordt verondersteld dat ze degenen zijn met een bewezen staat van dienst.

Waar de twee elkaar daadwerkelijk raken

Er is precies één overlap, en dat is de Talker. Ming-3.0-audio-flash kan spraak produceren, en de stemopzet is configureerbaarder dan een app met vier stemmen: het vLLM-Omni-pad levert ingebouwde IP-stemmen mee, de modelmap bevat vooraf ingestelde referentiestemmen met bijpassende transcripties, en je kunt elke referentie-WAV met de exacte transcriptie doorgeven om te klonen. Voor streaming spraak met latentiemetrieken is een werkend voorbeeld beschikbaar. Het SGLang-pad doet helemaal niets met spraak — het is alleen tekst — wat goed is om te weten voordat je een servingstack kiest.

Maar configureerbaarheid is niet hetzelfde als kwaliteit, en de Ming-repository publiceert helemaal geen evaluatie van spraakkwaliteit. De drie benchmarkpanelen ervan behandelen spraakherkenning, audio-intelligentie en tekst. Er is geen MOS-score, geen preferentietest, geen prosodievergelijking. Het eerlijke standpunt over "Ming klinkt beter dan Sesame" is dus dat niemand het heeft gemeten, en de mensen die het best geplaatst zijn om er een mening over te hebben — de gebruikers van Sesame — hebben Ming nooit gehoord.

Wat Ming's Talker je wel geeft en Sesame niet, is eigenaarschap over de stem. Een referentieclip en de transcriptie ervan, en het model spreekt in die stem, op jouw hardware, onder MIT, zonder dat een derde partij erbij betrokken is. Als de stem van je product een merkasset is, dan is dat geen functievergelijking. Het is iets van een andere categorie.

Hardware, en waarom dat het grootste deel hiervan bepaalt

Het referentie-servingprofiel van Ming-3.0-audio-flash voor de volledige 128K-context met spraakuitvoer is tensorparallelisme over acht 80GB-H800-GPU's. Met vier GPU's krijg je een gevalideerd SGLang-profiel, maar alleen voor tekst. De repository vermeldt dat het volledige-audioprofiel de Talker een eigen geheugenbudget op GPU 7 geeft.

Sesame Preview heeft geen hardwarevereisten omdat het geen deployment kent. Dat is geen grap ten koste van Sesame Preview; het is de werkelijke waardepropositie. Een team dat een expressieve stem in een mobiele app wil en niet aan GPU's wil denken, kan via een leverancier Sesame-achtig gedrag opleveren en nooit een YAML-bestand zien.

De kostenvergelijking die volgt is niet eens in de buurt. Acht H800's is een kapitaalbeslissing met een afschrijvingsschema. Een app is een download. De enige reden om ze te vergelijken is dat beide kunnen praten, en de kosten van praten zijn niet de interessante variabele — de kosten van horen zijn dat wel, en Sesame verkoopt dat niet.

Waarin elk van hen echt beter is

Ming-3.0-audio-flash is beter in alles waarbij het gaat om het begrijpen van audio in plaats van het produceren ervan. Lange opnames, meerdere sprekers, achtergrondgeluid, muziek, akoestische scènes, vragen over wat er is gezegd en hoe het is gezegd. De eigen kaart claimt complexe herkenning across dialecten en accenten; de benchmarkpanelen zijn door de leverancier uitgevoerd en niet gecontroleerd, maar ze bestaan, wat meer is dan de concurrentie in deze confrontatie biedt.

Sesame Preview is beter in het zijn van een product. Het heeft geheugen, connectors voor mail, agenda en Drive, een eigen surf- en actieoppervlak, MCP-ondersteuning via OAuth en sinds oktober de mogelijkheid om andere agents te orkestreren. Niets daarvan is een functie van een spraakmodel; het is een assistent, en spraak is de interface. Ming heeft niets daarvan en beweert dat ook niet.

Er is ook een latentieargument dat niemand heeft beslecht. Een conversationele assistent staat of valt bij beurtwisseling — Sesame bouwde zijn reputatie op aarzeling en onderbrekingstiming die overtuigend genoeg waren dat vroege luisteraars aannamen dat er een persoon aan de lijn was. De interface van Ming-3.0-audio-flash is verzoek-en-antwoord: audio plus een instructie als input, tekst of spraak als output. Er bestaan streamingvoorbeelden, maar een antwoord streamen is niet hetzelfde als barge-in afhandelen, en de repository maakt geen duplexclaim.

Als je daadwerkelijk aan het kiezen bent

Je kiest waarschijnlijk niet tussen deze twee, en het is de moeite waard dat gewoon te zeggen. De realistische beslissingen zijn {{1}}Ming-3.0-audio-flash versus een gehoste API voor het begrijpen van audio{{/1}} en {{2}}Sesame Preview versus de stem die je app al gebruikt{{/2}}. Deze combinatie bestaat omdat het beide audiomodellen zijn met recent nieuws, niet omdat een koper ze ooit tegen elkaar zou afwegen.

Dat gezegd hebbende, de naburige vraag — moet ik überhaupt een open audiomodel zelf hosten — is de vraag die beide producten opdringen. Ming pleit voor eigenaarschap: MIT, inspecteerbaar, aanpasbaar, geen leverancier in het aanvraagpad. Sesame pleit tegen zelf bouwen: een app die werkt, met mogelijkheden die je team een jaar zou kosten om te reproduceren. De meeste teams zouden de gehoste versie moeten draaien totdat de gehoste versie hen in de steek laat op een manier die ze kunnen benoemen.

De rol van OrcaRouter in die beslissing is beperkt en verdient een precieze formulering. Wij hosten Ming-3.0-audio-flash niet, en wij hosten Sesame Preview niet — het ene is een checkpoint dat je zelf draait, het andere is een app. Wat een routinglaag je biedt, is het vergelijkingskader: meer dan 200 modellen achter één sleutel tegen de lijstprijs van de provider, zonder extra marge, zodat de gehoste audiomodellen die je daadwerkelijk afweegt tegen een zelfgehoste Ming, op hetzelfde verkeer A/B-getest kunnen worden, met automatische failover als een pad verslechtert. Zo kom je erachter of de gok met acht GPU's loont, zonder de gok eerst te wagen.

De open vraag

Ming-3.0-audio-flash werd vier dagen geleden uitvoerbaar en heeft 22 downloads. De kaart werd bewerkt op de dag dat dit werd geschreven. De benchmarkcijfers zijn afbeeldingen, de spraakkwaliteit is niet geëvalueerd en het servingprofiel gaat uit van een rack dat de meeste teams niet hebben. Niets daarvan is diskwalificerend — het is hoe week één van een stille release eruitziet, en vroege stukken over wat we weten zijn de juiste reactie daarop.

Ondertussen blijft Sesame Preview functies uitbrengen in een product zonder gepubliceerd model erachter. De kloof tussen wat je kunt horen en wat je kunt inspecteren is het hele verhaal van dat bedrijf, en die is in een jaar tijd niet veranderd.

Het punt om in de gaten te houden is niet een benchmark. Het is of een van beide kanten de kloof dicht: Ming die een operator en een latentiegetal krijgt, of Sesame die een checkpoint publiceert dat daadwerkelijk de stem in de app is. Wat zich het eerst voordoet, vertelt je welke van deze twee benaderingen wint.