Ming-3.0-audio-tiny vs Sesame Preview: jeden potrafi mówić i nie zostanie oceniony, drugi utrzymuje się z mówienia

Dziwna rzecz w zestawieniu Ming-3.0-audio-tiny z Sesame Preview polega na tym, że oczywista oś — jakość głosu — jest tą, której żadna ze stron nie pozwala zmierzyć. Ming-3.0-audio-tiny zawiera generator mowy: 1,4 GB Talker, 1,6 GB VAE, koder mówcy CAM++, trzy nazwane głosy i ścieżkę klonowania z klipu referencyjnego. A jego dostawca nie publikuje żadnego benchmarku syntezy mowy dla żadnego z tych elementów. Trzy obrazy ewaluacyjne w repozytorium obejmują rozpoznawanie, inteligencję audio i tekst. Nie ma wiersza podobieństwa mówców, wiersza współczynnika błędów słów dla mowy syntetycznej, niczego. Sesame Preview jest lustrzanym odbiciem: produktem, którego cała reputacja opiera się na brzmieniu jego głosu, bez identyfikatora modelu, bez API i bez wyniku przypisanego do głosu w aplikacji. Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są zebrane w the OrcaRouter AI Incident Archive gdzie każdy wpis zawiera własne źródła, poziom istotności, ocenę pewności i flagę sporności.

Oba milczą w tym samym kierunku, ale z różnych powodów — i to jest uczciwy punkt wyjścia. Ming-3.0-audio-tiny to checkpoint, który można pobrać; wagi są na Hugging Face od 3 września 2026 roku, a to, co zmieniło się między 16 a 19 października, to dokumentacja wokół nich: poprawiona konfiguracja, drzewo Talker, presety głosowe, profile wdrożeniowe, a 19 października pierwsza karta modelu. Sesame Preview to aplikacja, z którą się rozmawia, aktualizowana publicznie, opisywana przez firmę jej własnymi słowami i nigdy nie sprowadzona do pliku. Jeden jest niezmierzony, ponieważ jego dostawca zdecydował się go nie mierzyć; drugiego nie da się zmierzyć, ponieważ nie ma czego uruchomić.

Czym naprawdę jest ścieżka mowy małego modelu

To dodatek, a nie model. Thinker — 17,74 GB w dwóch shardach, łącznie 9,3 mld parametrów i 2,7 mld aktywnych — odczytuje audio i zapisuje tekst. Talker to drugi proces, który przekształca stan ukryty Thinkera w mowę, a wdrożenie referencyjne przydziela mu własny GPU. Profil tekstowy działa na urządzeniach: „0” z równoległością tensorową równą jeden; pełny profil audio umieszcza Thinker na GPU 0 przy 0,78 karty, a Talker na GPU 1 przy 0,18. Profil SGLang jest wyłącznie tekstowy, a karta mówi to wprost.

• Głosy — domyślnym głosem vLLM-Omni jest wbudowany głos IP o nazwie 灵小柔; repozytorium zawiera również 灵楷 i US_James jako gotowe głosy referencyjne w voice_presets/voice_audio/, z pasującymi transkrypcjami w voice_prompts.json.

• Klonowanie — referencyjny plik WAV wraz z jego dokładnym transkryptem. Karta ostrzega, że nie można połączyć wyboru głosu wbudowanego z klipem referencyjnym w jednym żądaniu.

• Języki — chiński i angielski, „w tym różne akcenty i dialekty”, bez osobnej listy języków dla Talker. To, czy mówi po angielsku z amerykańskim akcentem tak dobrze, jak go czyta, nie jest nigdzie stwierdzone.

• Licencja — MIT na wagach; presety głosowe to część, którą należy uważnie przeczytać, ponieważ klip referencyjny niesie ze sobą wszelkie prawa przysługujące jego mówcy. Repozytorium nie dostarcza oddzielnych warunków dla dwóch dołączonych głosów.

• Dowody — brak dla ścieżki mowy. Liczby dotyczące rozpoznawania i rozumowania pochodzą od samego inclusionAI; po stronie syntezy nie opublikowano żadnej liczby.

Ta ostatnia linijka jest powodem, dla którego to porównanie jest ubogie w werdykty. Dostawca, który mierzy swoje ASR z dokładnością do dwóch miejsc po przecinku, a o swoim TTS nie publikuje nic, dał ci znać, w której połowie modelu jest pewny.

Strona Sesame w tej samej księdze

Publiczne stanowisko Sesame jest odwrotne: głos tak dobry, że ludzie zakładali, że po drugiej stronie jest człowiek, dostarczany przez asystenta wyposażonego w pamięć, konektory, przeglądanie i — od aktualizacji z października 2026 r. — możliwość koordynowania innych agentów. Firma opisała tę aktualizację jako nowy Conversational Speech Model o lepszej ekspresyjności i wymowie. Nie opublikowała dla niego checkpointu, identyfikatora modelu, danych o opóźnieniach ani licencji. Nie ma punktu końcowego, więc nie ma żądania do wysłania ani odpowiedzi do oceny.

Jedynym artefaktem, który programista może trzymać w rękach, jest sesame/csm-1b na Hugging Face: Apache-2.0, tylko w języku angielskim, około 1,1 miliarda parametrów, szkielet z rodziny Llama przewidujący pierwszy codebook audio z mniejszym dekoderem głębokości dla pozostałych, dekodowany przez kodek Mimi firmy Kyutai przy 24 kHz. Pojawił się w marcu 2025 r. i w ciągu ostatniego miesiąca został pobrany około 130 000 razy, mając około 2500 polubień. Karta otwarcie przyznaje, że to bazowy model generacyjny — potrafi wytwarzać różnorodne głosy, nie jest dostrojony do żadnego konkretnego, a interaktywne demo jest pochodną, a nie samym checkpointem.

Uczciwie rzecz ujmując: architekturę Sesame z 2025 roku możesz zatrzymać. Głosu, który rozsławił tę firmę w 2026 roku, zatrzymać nie możesz.

Dwie różne prace pod tym samym słowem

Usuń słowo „audio" z obu opisów, a niedopasowanie stanie się oczywiste. Ming-3.0-audio-tiny to model słuchający, który potrafi też mówić. W jego ocenie dominuje rozumienie: MMAU 75,90, MMAR 67,70, MMSU 73,06, BigBenchAudio 99,20, średni błąd znakowy chińskiego ASR 3,79, średnia dla dialektów 10,29. To liczby, które jego dostawca zdecydował się opublikować, i wszystkie dotyczą rozumienia. Sesame Preview to mówiący produkt, który także słucha, a jego reputacja opiera się na naprzemienności mówienia — przerywaniu, sygnałach podtrzymujących rozmowę i wyczuciu czasu, dzięki któremu rozmowa sprawia wrażenie prawdziwej.

To nie są te same umiejętności i nie stoją one wobec siebie na zasadzie kompromisu. Model może być świetny w „co trzeci mówca powiedział o fakturze”, a przeciętny w brzmieniu jak człowiek, i odwrotność jest równie możliwa. Nic w materiałach któregokolwiek z dostawców nie pozwala uszeregować ich na wspólnej osi, ponieważ nigdy nie mierzono tej samej osi.

Najdotkliwiej asymetria daje się we znaki w przypadku taniego eksperymentu. W Ming-3.0-audio-tiny możesz zsyntetyzować to samo zdanie pięćdziesiąt razy, zmieniać klip referencyjny i słuchać — popołudnie pracy, bez potrzeby uzyskiwania pozwolenia. W Sesame Preview równoważny eksperyment polega na otwarciu aplikacji i wyrobieniu sobie opinii, ponieważ nie ma drugiej próbki, z której można by skorzystać.

Jedyna publikacja Sesame, którą warto wypożyczyć

W sierpniu 2026 r. Sesame udostępniła TurnBench, otwarty benchmark do oceny przejmowania tur w dialogu mówionym: około 30 godzin trzykrotnie anotowanej mowy dwuosobowej, protokół oceniania zapożyczony z analizy konwersacji, publiczny ranking i wyniki dla 14 systemów, opracowany we współpracy z Carnegie Mellon, Mundo AI i Oto. To najbardziej użyteczna rzecz w całym zestawieniu i jest użyteczna właśnie dlatego, że mierzy jakość, którą pomijają zarówno rankingi oparte na współczynniku błędów słów, jak i te oparte na preferencjach Elo.

Używaj go jako narzędzia pomiarowego, a nie jako tablicy wyników. Własnej aplikacji Sesame w nim nie ma, a Ming-3.0-audio-tiny z pewnością już nie. Ale jeśli rozważasz ten mały model do czegokolwiek konwersacyjnego — a jego Talker oraz okno 131 072 tokenów sprawiają, że to rozsądna rzecz do rozważenia — to obsługa przerwań i wyczucie czasu sygnałów backchannel powinny być tym, co oceniasz, a TurnBench daje ci protokół, by to robić, zamiast opierać się na wyczuciu.

Wniosek ten jest niewygodny dla obu dostawców. Model może zostać wydany z generatorem mowy i kontekstem 128K, a mimo to być fatalny w tym, z czego słynie Sesame, i żaden ze zbiorów danych w tym porównaniu by ci tego nie powiedział.

Koszt, gdy przestaniesz porównywać cenniki stawek

{{1}}Sesame Preview{{/1}} nie ma ceny, ponieważ nie ma produktu, który można by sprzedać za określoną cenę: aplikacja jest darmowa, firma twierdzi, że nie wyświetla reklam i nie sprzedaje danych, a żaden plan cenowy nie został opublikowany. {{2}}Ming-3.0-audio-tiny{{/2}} również nie ma cennika, ale ma coś lepszego — arytmetyczne minimum. Tekst i ASR działają na jednym GPU. Generowanie mowy działa na dwóch kartach, ponieważ Talker i jego VAE to drugi zestaw wag z własnym urządzeniem. Jeśli kiedykolwiek potrzebujesz tylko połowy odpowiedzialnej za słuchanie, druga karta to pieniądze, których nie wydajesz, a w przeciwieństwie do subskrypcji nie rośnie wraz z liczbą generowanych zdań.

To jedyne miejsce, w którym te dwie rzeczy są naprawdę porównywalne, i jest to porównanie kształtów, a nie liczb: stały, przewidywalny rachunek za sprzęt kontra darmowy produkt, którego warunków nie można zweryfikować, a którego przepustowości nie można kupić.

OrcaRouter stoi poza obydwoma. Nie obsługujemy Ming-3.0-audio-tiny — to checkpoint, który uruchamiasz sam, a nie endpoint, który hostujemy — i w ogóle nie ma modelu Sesame, który można by routować. Do czego router faktycznie dociera, to tekstowa połowa pipeline'u głosowego: skrypt, tłumaczenie, podsumowanie, klasyfikator, który decyduje, które nagranie wymaga człowieka. Jeden klucz do ponad 200 modeli w cenie katalogowej dostawcy bez doliczanej marży to krótsza umowa niż trzy, a automatyczne przełączanie awaryjne sprawia, że długa partia syntezy nie padnie tylko dlatego, że jednemu dostawcy przytrafił się gorszy dzień. Nic z tego nie sprawia, że któryś z tych modeli jest lepszy jako głos.

Co zmieniłoby odpowiedź

Po pierwsze, publikacja przez inclusionAI oceny syntezy mowy dla Ming-3.0-audio-tiny — naturalności, podobieństwa głosu mówcy do próbki referencyjnej, odsetka błędów w mowie syntezowanej — zmieniłaby Talker z niemierzonej funkcji w kandydata. Po drugie, udostępnienie przez Sesame checkpointu lub API dla głosu produkcyjnego uczyniłoby reputację aplikacji testowalną, a porównanie odbywałoby się wreszcie między dwoma uruchamialnymi rozwiązaniami. Po trzecie, niezależny podmiot, który oceniłby dowolny z modeli w TurnBench, rozstrzygnąłby tę jedną cechę jakości, na którą obaj dostawcy wskazują, a której żaden nie publikuje.

Dopóki jedno z nich nie trafi na rynek, trafny opis jest nieefektowny. Ming-3.0-audio-tiny to ważący 17,74 GB model słuchający z opcjonalnym 3 GB dodatkiem do mowy, wagami MIT, poprawioną konfiguracją, kartą modelu o cztery dni młodszą niż konfiguracja, którą opisuje, oraz bez opublikowanej liczby dla tej połowy, która mówi. Sesame Preview to głos, który można usłyszeć, podziwiać i nie zdobyć. Wybór między nimi nie jest wyborem między dwoma modelami. To wybór między samodzielnym zmierzeniem czegoś a brakiem pozwolenia na to.

Jeśli musisz zdecydować w tym tygodniu

W przypadku transkrypcji, rozumienia długich nagrań lub czegokolwiek, gdzie dane wyjściowe to tekst, który będziesz analizować, Ming-3.0-audio-tiny jest jedynym z tych dwóch, który w ogóle wchodzi w grę — przeznacz jeden GPU, użyj zwalidowanego promptu ASR z jego ogranicznikiem tabulacji i ustaw kontekst na długość, której faktycznie potrzebujesz. W przypadku prototypowanego przez Ciebie konsumenckiego doświadczenia głosowego Sesame jest punktem odniesienia, z którym należy porównywać swoją pracę, a nie zależnością, na której należy budować, ponieważ nie ma żadnej zależności do zainstalowania.

A jeśli chodzi o mowę wyjściową małego modelu: wypróbuj ją, zanim zaczniesz wokół niej planować. Dwie karty GPU, klip referencyjny, transkrypcja dokładnie zgodna z tym klipem i godzina słuchania powiedzą ci więcej niż cały folder benchmarków — bo folder benchmarków nie zawiera ani jednej liczby na ten temat.