Ming-3.0-audio-flash vs Sesame Preview: Jeden słyszy wszystko, drugi tylko musi brzmieć jak człowiek

Te dwa nie są rywalami. Ming-3.0-audio-flash to audio-językowy model typu mixture-of-experts o 126 miliardach parametrów na licencji MIT, którego pięć deklarowanych zadań to rozpoznawanie mowy, rozumienie długich materiałów audio, percepcja dźwięków innych niż mowa oraz muzyki, rozumowanie audio i — jako opcjonalne piąte — odpowiadanie głosem. Sesame Preview to konsumencki asystent głosowy z czterema osobowościami, aplikacją na iOS i Androida oraz całkowitym brakiem API. Drugi z nich nie musi wiedzieć, jak brzmi trzaskające drzwi. Pierwszy został stworzony właśnie do tego. Zestawianie ich obok siebie jest przydatne tylko dlatego, że wymusza pytanie, które pomija większość porównań modeli audio: kupujesz ucho czy usta? Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom dotkliwości, stopień pewności i oznaczenie sporności.

Wyczucie czasu sprawia, że ta rozbieżność staje się jeszcze wyraźniejsza. Ming-3.0-audio-flash trafił na Hugging Face 3 września 2026 roku bez żadnego ogłoszenia i przesiedział tam sześć tygodni, zanim między 15 a 19 października pojawiły się kod serwujący, przykłady i przepisana karta — repozytorium GitHub utworzono 15 października, a kartę wciąż edytowano 19 października. We wpisie widnieją 22 pobrania. Sesame Preview jest publicznie dostępny od wiosny, a jego przeznaczony do pobrania artefakt badawczy, CSM-1B, znajduje się na Hugging Face od marca 2025 roku i ma około 130 000 pobrań w ciągu ostatniego miesiąca oraz około 2 500 polubień. Jeden ma bazę użytkowników, a nie ma repozytorium. Drugi ma repozytorium, a na razie nie ma użytkowników.

Z czego wykonano każdy z nich

Ming-3.0-audio-flash łączy enkoder audio i projektor z językowym szkieletem opartym na mieszaninie ekspertów oraz opcjonalnym modułem Talker, który przekształca tekstowe dane wyjściowe modelu w mowę. Łączna liczba parametrów wynosi 126 miliardów, z czego 6,5 miliarda jest aktywowanych na każdym kroku wnioskowania — pasek boczny Hugging Face podaje 128B, a karta nie wyjaśnia tej rozbieżności. Dane wejściowe to dźwięk oraz instrukcja tekstowa. Dane wyjściowe to tekst lub tekst z syntezowaną mową. Model obsługuje chiński i angielski, z wyraźnym wyróżnieniem akcentów i dialektów.

Sesame Preview nie jest opisywany z takim poziomem szczegółowości nigdzie publicznie. Publicznie znana jest aplikacja: interfejs głosowy z czterema nazwanymi osobowościami, pamięcią, konektorami, a od października 2026 r. także możliwością orkiestrowania innych agentów. Publicznie znany jest również CSM-1B, badawczy checkpoint Sesame na licencji Apache-2.0 — szkielet Llama przewidujący pierwszą książkę kodową audio i mniejszy dekoder głębokości przewidujący pozostałe, dekodowany przez kodek Mimi firmy Kyutai przy 24 kHz, wyłącznie w języku angielskim. Karta opisuje go jako „bazowy model generatywny”, a Sesame wyraźnie zaznaczyło, że interaktywne demo napędza dostrojona pochodna tego modelu, a nie sam checkpoint.

• Co możesz pobrać — Ming: pełny checkpoint 126B, procesor, tokenizer, zasoby Talker. Sesame: CSM-1B, model bazowy z 1B parametrów, który nie jest głosem w aplikacji.

• Co możesz wywołać — Ming: endpoint zgodny z OpenAI na vLLM-Omni lub SGLang, gdy go hostujesz. Sesame: aplikacja. Brak endpointu, brak identyfikatora modelu dla produkcyjnego głosu.

• Co słyszy — Ming: mowę, dialekty, hałas, wielu mówców, dźwięki niebędące mową, sceny akustyczne, muzykę. Sesame: Twój głos w rozmowie.

• Co mówi — Ming: tekst, opcjonalnie mowa za pomocą wbudowanych głosów lub głosów sklonowanych na podstawie próbki. Sesame: mowa stworzona z myślą o oddechu, wahaniu i przerywaniu.

• Języki — Ming: chiński i angielski. Sesame: oficjalnie angielski; wskazówki samej aplikacji wymieniają francuski, włoski, niemiecki, hiszpański, chiński, japoński i koreański jako „wczesne”.

• Licencja — Ming: MIT. Sesame: warunki korzystania z aplikacji; Apache-2.0 tylko w przypadku badawczego checkpointu.

Asymetria ewaluacji jest całkowita

Dzięki Ming-3.0-audio-flash możesz wygenerować to samo zdanie sto razy i je odsłuchać. Możesz podać mu to samo zaszumione spotkanie i sprawdzić transkrypcję. Możesz obliczyć własny wskaźnik błędów na podstawie własnego audio, a ten wskaźnik błędów to liczba, która należy do Ciebie.

Za pomocą Sesame Preview nie można niczego wygenerować. Nie ma punktu końcowego, nie ma checkpointu dla głosu produkcyjnego, nie ma dla niego opublikowanego benchmarku. Możesz posłuchać aplikacji i wyrobić sobie opinię, a ta opinia stanowi całość twoich dowodów. Badawczy checkpoint CSM-1B jest testowalny — możesz go uruchomić, dostroić, zmierzyć — ale wyraźnie nie jest modelem stojącym za głosem, który rozsławił Sesame.

To rzadkie starcie, w którym model otwarty jest jedynym, jaki można ocenić, choć model zamknięty jest jedynym, który ma realną bazę użytkowników. Warto zatrzymać się nad tą odwrotnością, ponieważ zwykle argumentacja biegnie w przeciwnym kierunku: to produkty zamknięte powinny mieć udokumentowane osiągnięcia.

Tam, gdzie te dwa faktycznie się stykają

Dokładnie jedno nakładanie się istnieje i jest nim Talker. Ming-3.0-audio-flash potrafi generować mowę, a jego obsługa głosu jest bardziej konfigurowalna niż w aplikacji z czterema głosami: ścieżka vLLM-Omni dostarcza wbudowane głosy IP, katalog modelu zawiera gotowe głosy referencyjne z pasującymi transkrypcjami, a do klonowania możesz przekazać dowolny referencyjny plik WAV wraz z jego dokładną transkrypcją. Strumieniowanie mowy z metrykami opóźnień ma działający przykład. Ścieżka SGLang w ogóle nie obsługuje mowy — jest wyłącznie tekstowa — co warto wiedzieć, zanim wybierzesz stos serwowania.

Ale konfigurowalność to nie to samo co jakość, a repozytorium Ming nie publikuje żadnej oceny jakości mowy. Jego trzy panele benchmarkowe obejmują rozpoznawanie mowy, inteligencję audio i tekst. Nie ma wyniku MOS, testu preferencji ani porównania prozodii. Uczciwe stanowisko w sprawie „Ming brzmi lepiej niż Sesame” jest więc takie, że nikt tego nie zmierzył, a osoby najlepiej predysponowane do wydania opinii — użytkownicy Sesame — nigdy nie słyszały Ming.

To, co Talker Minga daje ci, a czego Sesame nie może, to własność głosu. Klip referencyjny i jego transkrypcja — a model mówi tym głosem, na twoim sprzęcie, na licencji MIT, bez udziału żadnej strony trzeciej. Jeśli głos twojego produktu jest aktywem marki, to nie jest porównanie funkcji. To coś z zupełnie innej kategorii.

Sprzęt i dlaczego decyduje o większości tego

Referencyjny profil obsługi Ming-3.0-audio-flash dla pełnego kontekstu 128K z wyjściem mowy opiera się na równoległości tensorowej na ośmiu GPU H800 o pojemności 80 GB. Cztery GPU zapewniają zweryfikowany profil SGLang, ale tylko tekstowy. Repozytorium wskazuje, że profil pełnego audio przydziela Talkerowi własny budżet pamięci na GPU 7.

Sesame Preview nie ma żadnych wymagań sprzętowych, ponieważ nie ma wdrożenia. To nie jest żart na jego koszt; to jest rzeczywista propozycja wartości. Zespół, który chce uzyskać ekspresyjny głos w aplikacji mobilnej i nie chce myśleć o GPU, może dostarczyć zachowanie w stylu Sesame za pośrednictwem dostawcy i nigdy nie zobaczyć pliku YAML.

Następujące porównanie kosztów nie jest wyrównane. Osiem H800 to decyzja kapitałowa z harmonogramem amortyzacji. Aplikacja to tylko pobranie. Jedynym powodem, by je porównywać, jest to, że oba potrafią mówić, a koszt mówienia nie jest interesującą zmienną — jest nią koszt słuchania, a Sesame tego nie sprzedaje.

W czym każde z nich jest naprawdę lepsze

Ming-3.0-audio-flash jest lepszy we wszystkim, co polega na rozumieniu dźwięku, a nie na jego generowaniu. Długie nagrania, wielu mówców, hałas w tle, muzyka, sceny akustyczne, pytania o to, co zostało powiedziane i w jaki sposób. Jego własna karta produktu deklaruje złożone rozpoznawanie w różnych dialektach i akcentach; jego panele benchmarkowe są prowadzone przez dostawcę i nieaudytowane, ale istnieją, co jest więcej, niż oferuje konkurencja w tym zestawieniu.

Sesame Preview jest lepszy jako produkt. Ma pamięć, konektory do poczty, kalendarza i dysku, własną powierzchnię do przeglądania i działania, obsługę MCP przez OAuth, a od października możliwość orkiestrowania innymi agentami. Nic z tego nie jest funkcją modelu mowy; to asystent, a mowa jest interfejsem. Ming nie ma nic z tego i nie twierdzi, że ma.

Jest też argument dotyczący opóźnień, którego nikt nie rozstrzygnął. Asystent konwersacyjny żyje lub umiera na naprzemienności mówienia — Sesame zbudował swoją reputację na wahaniu i wyczuciu czasu przerwań, wystarczająco przekonującym, że pierwsi słuchacze sądzili, iż w słuchawce jest człowiek. Interfejs Ming-3.0-audio-flash działa w trybie żądanie–odpowiedź: na wejściu audio plus instrukcja, na wyjściu tekst lub mowa. Istnieją przykłady strumieniowania, ale strumieniowanie odpowiedzi to nie to samo co obsługa wtrącania się, a repozytorium nie deklaruje trybu pełnodupleksowego.

Jeśli faktycznie wybierasz

Prawdopodobnie nie wybierasz między tymi dwoma rozwiązaniami i warto powiedzieć to wprost. Realistyczne decyzje to „Ming-3.0-audio-flash kontra hostowane API do rozumienia dźwięku” oraz „Sesame Preview kontra ten głos, którego Twoja aplikacja już używa”. To zestawienie istnieje dlatego, że oba są modelami audio, o których ostatnio głośno, a nie dlatego, że jakikolwiek nabywca kiedykolwiek rozważałby je przeciwko sobie.

Powiedziawszy to, pokrewne pytanie — czy w ogóle powinienem samodzielnie hostować otwarty model audio — jest tym, do którego zmuszają oba produkty. Ming przemawia za własnością: licencja MIT, możliwość inspekcji i modyfikacji, brak dostawcy na ścieżce żądania. Sesame przemawia przeciw budowaniu: aplikacja, która działa, z możliwościami, których odtworzenie zajęłoby twojemu zespołowi rok. Większość zespołów powinna korzystać z wersji hostowanej, dopóki wersja hostowana nie zawiedzie ich w sposób, który potrafią nazwać.

Rola OrcaRouter w tej decyzji jest wąska i warta precyzyjnego określenia. Nie hostujemy Ming-3.0-audio-flash ani nie hostujemy Sesame Preview — jedno to checkpoint, który uruchamiasz samodzielnie, drugie to aplikacja. To, co daje warstwa routingu, to ramy porównania: ponad 200 modeli za jednym kluczem w cenie katalogowej dostawcy, bez doliczanej marży, więc hostowane modele audio, które faktycznie porównujesz z hostowanym samodzielnie Mingiem, możesz zestawić w teście A/B na tym samym ruchu, z automatycznym przełączaniem awaryjnym, jeśli jedna ze ścieżek ulegnie pogorszeniu. W ten sposób dowiesz się, czy zakład o osiem GPU się opłaca, zanim go postawisz.

Otwarte pytanie

Od czterech dni Ming-3.0-audio-flash można uruchomić, a model ma 22 pobrania. Jego karta modelu została zaktualizowana w dniu pisania tego tekstu. Wyniki benchmarków są obrazkami, jakość mowy nie została oceniona, a profil serwowania zakłada szafę rack, której większość zespołów nie posiada. Nic z tego nie jest dyskwalifikujące — tak wygląda pierwszy tydzień cichej premiery, a wczesne teksty typu „co wiemy” są na to właściwą odpowiedzią.

Tymczasem Sesame Preview wciąż dodaje funkcje do produktu, za którym nie stoi żaden opublikowany model. Przepaść między tym, co można usłyszeć, a tym, co można sprawdzić, to cała historia tej firmy — i od roku się nie zmieniła.

Na co trzeba uważać, to nie benchmark. Chodzi o to, czy którejkolwiek stronie uda się zamknąć lukę: Ming zdobędzie operatora i liczbę opóźnienia albo Sesame opublikuje checkpoint, który faktycznie jest głosem w aplikacji. To, co wydarzy się pierwsze, powie ci, które z tych dwóch podejść wygrywa.