LFM3-Audio-2B vs Sesame Preview: Pobranie i aplikacja to nie ten sam wybór

Sesame Preview to głos, który ludzie opisują jako ludzki. LFM3-Audio-2B to checkpoint o 2 mld parametrów, który możesz pobrać i uruchomić na laptopie. Umieść je w jednym zdaniu, a dzieje się coś użytecznego: porównanie przestaje dotyczyć tego, który brzmi lepiej, i staje się dwoma osobnymi pytaniami — czy można to wdrożyć i czy można to zmierzyć? Sesame Preview nie spełnia pierwszego z nich. LFM3-Audio-2B, który Liquid AI wydało 27 października 2026 r. w ramach sześciomodelowej rodziny LFM3, nie spełnia drugiego. Żadna z tych porażek nie jest skandalem. To różne rodzaje produktów, a większość zespołów odkrywa, którego z nich potrzebuje, dopiero gdy zaczyna budować.

Tę asymetrię warto jasno przedstawić, zanim przejdziemy do szczegółów. Produkcyjny głos Sesame nie ma API, identyfikatora modelu ani poziomu enterprise; znajduje się w aplikacji na iOS i Androida z czterema nazwanymi agentami, pamięcią, konektorami oraz – od października – możliwością orkiestrowania innych agentów. LFM3-Audio-2B nie ma żadnej aplikacji. Ma wagi, kartę modelu, scalony pull request do llama.cpp i build Ollama o rozmiarze 2,1 GB. Jedno z nich to miejsce, w którym można spędzić popołudnie. Drugie to plik, który można umieścić w produkcie.

Pytanie pierwsze: czy możesz to wysłać?

Dla LFM3-Audio-2B odpowiedź brzmi: tak, z zastrzeżeniami. LFM Open License v1.0 pozwala na użycie komercyjne poniżej 10 mln USD rocznego przychodu, a powyżej wymaga płatnej licencji. Wagi są dostępne na Hugging Face; ścieżka Python to Transformers 5.20.2 lub nowszy z trust_remote_code; wsparcie dla llama.cpp zostało scalone w PR #31257; MLX 4-bit obsługuje Apple silicon; ONNX Runtime zapewnia przenośność. Wejściem jest tekst lub dźwięk 16 kHz, a wyjściem tekst, mowa 24 kHz lub przeplatany tekst i mowa. Kontekst wynosi 32 tys. tokenów i obejmuje oba kierunki — nie 256 tys., które należy do modelu tekstowego — a model wymienia 18 języków w 19 lokalizacjach, przy czym ASR na żywo obsługuje wyłącznie angielski.

W przypadku Sesame Preview odpowiedź brzmi nie, a powód jest strukturalny, a nie komercyjny. Nie istnieje endpoint dla produkcyjnego głosu. Nie ma ceny, ponieważ nie ma czego kupić. Aplikacja jest bezpłatna, rozmowy mają limit 30 minut, który po wylogowaniu spada do pięciu minut, a produktem jest czterech agentów. Jeśli chcesz zachowania w stylu Sesame we własnej aplikacji, nie możesz go mieć.

To, co wydało Sesame, to CSM-1B, badawczy checkpoint na licencji Apache-2.0. To blok syntezy, a nie asystent: szkielet Llama przewiduje pierwszy codebook Mimi, a mniejszy dekoder przewiduje resztę, renderowaną przez kodek Mimi przy 24 kHz. Obsługuje tylko język angielski, klonuje głos z 10–15-sekundowego klipu referencyjnego i nie potrafi generować tekstu — łączy się go z modelem językowym. Jego karta na Hugging Face mówi bez ogródek to, co zwykle się przemilcza: interaktywne demo napędza dostrojony wariant CSM, a ten wariant nie jest checkpointem, który można pobrać. Karta ma około 130 000 pobrań w ciągu ostatniego miesiąca i około 2500 polubień, co świadczy o tym, że ludzie eksperymentują z nim. Nie mówi jednak, że pozyskują głos z aplikacji.

Pytanie drugie: czy potrafisz to zmierzyć?

LFM3-Audio-2B publikuje sześciowierszową tabelę dostawcy, wszystkie pozycje w porównaniu z LFM2.5-Audio-1.5B, bez nazwanego zestawu testowego ani harnessu. Istotne wiersze to angielski TTS UTMOSv2 na poziomie 3,83 wobec 3,22, VoiceBench 73,13 wobec 55,17, rozumienie dźwięku MMAR 50,60 wobec 25,85, angielski ASR WER 6,23 wobec 6,13, wielojęzyczny WER/CER 6,03 oraz wewnętrzna ewaluacja wywoływania narzędzi na poziomie 58,50. Różnica w UTMOS jest duża — 0,6 punktu w skali, w której 4,0 zwykle uznaje się za poziom bliski ludzkiemu — a wiersz ASR jest płaski, co jest najbardziej wiarygodnym elementem tabeli: dostawca, który nie raportuje poprawy na jednej osi, przynajmniej nie optymalizuje tabeli pod narrację.

Nic z tego nie ma niezależnego potwierdzenia. Nie udało nam się znaleźć żadnej replikacji któregokolwiek wiersza przez stronę trzecią, a liczby porównują model z jego własnym poprzednikiem, a nie z konkurencją. Na tle innych pozycji w tabeli samego Liquid, LFM3-Audio-2B to dobry mały model, a nie lider: Voxtral Mini 3B osiąga 5.51 WER, a NVIDIA Audex 2B osiąga 5.99, Qwen2.5-Omni 3B zdobywa 54.41 w rozumieniu audio, a Gemma 4 E4B osiąga 72.40 w wywoływaniu narzędzi.

Sesame Preview nie ma w ogóle porównywalnej liczby. Jego twierdzenie o jakości to wrażenie odsłuchowe — na tyle mocne, że stało się punktem odniesienia dla głosu konwersacyjnego w 2026 roku, i takie, którego niezależny podmiot nigdy nie ocenił dla modelu produkcyjnego. To nie jest dowód, że głos jest zły. To dowód, że to, co wszyscy chwalą, jest jedyną rzeczą w tym porównaniu, której nikt nie potrafi zmierzyć.

To odwrócenie jest rzadkością. Zwykle to produkt zamknięty ma udokumentowane osiągnięcia, a otwarty checkpoint to ten, którego nikt nie ocenił. Tutaj otwarty model jest jedynym, który można ocenić, a zamknięty produkt jest jedynym z realną bazą użytkowników. Oba stwierdzenia są prawdziwe jednocześnie i żadne z nich nie rozstrzyga, czy głos jest dobry.

Dwa kodeki, dwa zakłady projektowe

Najbardziej techniczna różnica między tymi systemami jest zarazem najbardziej interesująca, ponieważ obie firmy postawiły na kodek, a te zakłady wskazują w przeciwnych kierunkach.

LiquidCodec pakuje 80 ms mowy w 12 dyskretnych tokenów i dekoduje z powrotem do 24 kHz ze wsparciem strumieniowania. Liquid mierzy to na poziomie około 87× czasu rzeczywistego na pojedynczym wątku CPU M4 Max, a to właśnie przyczynowy koder audio pozwala na prefill, gdy osoba wciąż mówi — stąd bierze się twierdzenie o „zaledwie 50 ms” do pierwszego tokenu. Te dwie liczby to pomiary dostawcy na wskazanym sprzęcie Apple, bez harnessu i bez percentyla. Opisują najlepszy przypadek. Telefon, Raspberry Pi czy współdzielona maszyna wirtualna x86 ich nie osiągną, a w materiałach wydania nie ma ani słowa o tym, jakie wartości osiągną zamiast tego.

CSM firmy Sesame wykorzystuje kodek Mimi firmy Kyutai przy 24 kHz, z backbone'em Llama przewidującym pierwszy codebook i mniejszym dekoderem głębokości przewidującym pozostałe. Celem projektowym jest ekspresyjna synteza z krótkiego klipu referencyjnego, a reputacja aplikacji sugeruje, że to działa. Różnica między CSM-1B a produkcyjnym głosem jest całym argumentem: architektura jest publiczna, ale fine-tuning, który sprawia, że brzmi jak Sesame, już nie.

To, co to oznacza dla twórcy, jest proste. Liquid daje ci cały pipeline i licencję; ty dostarczasz ewaluację. Sesame daje ci artefakt badawczy i demo; ty dostarczasz produkt, a demo nie możesz umieścić w produkcie.

Gdzie te dwa faktycznie się pokrywają

Jest dokładnie jedno przecięcie i jest nim wyjście głosowe. Oba mogą mówić. Różnice w obrębie tego przecięcia są praktyczne:

• Języki — LFM3-Audio-2B deklaruje 18 języków w 19 lokalizacjach, przy czym tłumaczenie działa najlepiej z języka angielskiego i na język angielski. Sesame Preview jest oficjalnie dostępny wyłącznie w języku angielskim; w wytycznych samej aplikacji francuski, włoski, niemiecki, hiszpański, chiński, japoński i koreański są wymienione jako „wczesne”. CSM-1B jest dostępny wyłącznie w języku angielskim.

• Sterowanie głosem — LFM3-Audio-2B: głos wybierany przez prompt; w karcie nie opublikowano procesu klonowania. CSM-1B: klonowanie na podstawie 10–15-sekundowego klipu referencyjnego, co jest jego główną funkcją.

• Rozmowa — LFM3-Audio-2B: żądanie i odpowiedź ze strumieniowaniem; brak deklaracji o wtrącaniu się do wypowiedzi. Sesame Preview: zbudowany wokół wahania, przerywania i naprzemiennego zabierania głosu — cechy, która przyniosła mu reputację.

• Co możesz uruchomić — LFM3-Audio-2B: 2,1 GB, działa na CPU, offline. Sesame: aplikacja, online, z limitem połączeń.

Jeśli Twój produkt potrzebuje głosu, który można przerwać, to nie jest to wyrównane porównanie: Sesame ma tę funkcję, a Liquid jej nie deklaruje. Jeśli Twój produkt potrzebuje głosu w języku szwedzkim lub niderlandzkim albo musi działać bez sieci, Sesame nie pomoże, a LFM3-Audio-2B może.

Co router może, a czego nie może tutaj zrobić

Żaden z tych modeli nie znajduje się w OrcaRouter i warto dokładnie wyjaśnić, dlaczego zwykła propozycja routingu nie dociera do warstwy mowy. LFM3-Audio-2B to checkpoint, który uruchamiasz samodzielnie; Sesame Preview to aplikacja. Nie ma hostowanego endpointu audio któregokolwiek z nich, między którymi można by przełączać się awaryjnie.

Warstwa nad nimi to miejsce, w którym routing uzasadnia swoje istnienie. Produkt głosowy zbudowany na którymkolwiek z modeli nadal przekazuje pracę modelom tekstowym — streszczanie rozmowy, wyodrębnianie rezerwacji, decydowanie, jakie pytanie zadać następne — i to właśnie ta delegacja jest źródłem zmienności kosztów i awarii dostawców. OrcaRouter udostępnia ponad 200 modeli tekstowych i multimodalnych za jednym kluczem w cenie katalogowej dostawcy bez doliczanej marży, z automatycznym przełączaniem awaryjnym i DSL routingu, który potrafi złożyć kilka modeli w jedno wywołanie. Pozwala też uruchomić fuzję modeli, gdy osąd pojedynczego modelu nie wystarcza. Dla zespołu prototypującego pętlę głosową oznacza to, że część tekstową można podmieniać i porównywać bez ingerencji w integrację audio.

Decyzja

Jeśli kalibrujesz wyczucie — decydujesz, ile ciepła powinien mieć Twój produkt, jak długa pauza jest komfortowa i jak szybko agent powinien oddać głos — Sesame Preview jest darmowe, naprawdę znakomite i to właściwe miejsce, by spędzić popołudnie. Traktuj je jako punkt odniesienia. Nie planuj wokół niego integracji, ponieważ nie ma się z czym integrować.

Jeśli wdrażasz to do produkcji, LFM3-Audio-2B jest realnym kandydatem z realnymi zastrzeżeniami: dane wyłącznie od dostawcy, ASR na żywo tylko po angielsku, kontekst 32K oraz próg licencyjny, na który trzeba uważać. Przetestuj go na własnych nagraniach, zanim uwierzysz w poprawę UTMOS, i przetestuj syntezę mowy w językach, których faktycznie potrzebujesz, zamiast ufać liczbie lokalizacji.

To, co zmieniłoby ten obraz, jest konkretne. API Sesame dla głosu produkcyjnego uczyniłoby go z dnia na dzień najsilniejszym kandydatem w kategorii. Niezależny test UTMOS lub test preferencji dla LFM3-Audio-2B powiedziałby ci, czy 3.83 to rzeczywisty krok w stronę naturalnej mowy, czy liczba zmierzona względem słabego poprzednika. Dopóki jedno z nich nie trafi na rynek, poprawne podsumowanie brzmi, że jedno z nich jest produktem, którym można się zachwycać, a drugie modelem, który można mieć — i tylko w przypadku jednego z nich jest to decyzja, którą można podjąć w tym tygodniu.