LFM3-Audio-2B vs Sesame Preview: Um download e um aplicativo não são a mesma escolha

Sesame Preview é a voz que as pessoas descrevem como humana. LFM3-Audio-2B é um checkpoint de 2B que você pode baixar e executar em um laptop. Coloque os dois na mesma frase e algo útil acontece: a comparação deixa de ser sobre qual deles soa melhor e passa a ser duas perguntas separadas — dá para entregar o produto, e dá para medir? O Sesame Preview falha na primeira. O LFM3-Audio-2B, que a Liquid AI lançou em 27 de outubro de 2026 dentro da família LFM3 de seis modelos, falha na segunda. Nenhuma das falhas é um escândalo. São tipos diferentes de produto, e a maioria das equipes só descobre de qual precisa depois que começou a construir.

Vale enunciar a assimetria com clareza antes dos detalhes. A voz de produção da Sesame não tem API, nem ID de modelo, nem nível enterprise; ela vive dentro de um app para iOS e Android com quatro agentes nomeados, memória, conectores e, desde outubro, a capacidade de orquestrar outros agentes. O LFM3-Audio-2B não tem app algum. Ele tem pesos, um model card, um pull request integrado ao llama.cpp e uma build Ollama de 2,1 GB. Um é um lugar para passar uma tarde. O outro é um arquivo que você pode colocar em um produto.

Pergunta um: você consegue enviá-lo?

Para o LFM3-Audio-2B, a resposta é sim, com ressalvas. A LFM Open License v1.0 permite uso comercial abaixo de US$ 10 milhões de receita anual e exige uma licença paga acima disso. Os pesos estão no Hugging Face; Transformers 5.20.2 ou mais recente com trust_remote_code é o caminho em Python; o llama.cpp incorporou o suporte no PR #31257; o MLX 4-bit cobre o Apple silicon; o ONNX Runtime cobre a portabilidade. A entrada é texto ou áudio de 16 kHz, a saída é texto, fala de 24 kHz ou texto e fala intercalados. O contexto é de 32K tokens cobrindo ambas as direções — não o valor de 256K, que pertence ao modelo de texto — e o modelo lista 18 idiomas em 19 locales, com ASR ao vivo apenas em inglês.

Para o Sesame Preview, a resposta é não, e o motivo é estrutural, não comercial. Não há endpoint para a voz de produção. Não há preço, porque não há nada para comprar. O app é gratuito, as chamadas têm um limite de 30 minutos que cai para cinco minutos quando você está sem login, e os quatro agentes são o produto. Se você quer um comportamento no estilo Sesame em seu próprio aplicativo, não é possível tê-lo.

O que a Sesame lançou é o CSM-1B, um checkpoint de pesquisa Apache-2.0. É um bloco de síntese, não um assistente: uma espinha dorsal Llama prevê o primeiro codebook Mimi e um decodificador menor prevê o restante, renderizado pelo codec Mimi a 24 kHz. É apenas em inglês, clona uma voz a partir de um clipe de referência de 10 a 15 segundos e não consegue gerar texto — você o combina com um modelo de linguagem. O cartão dele no Hugging Face diz diretamente a parte que costuma ficar subentendida: uma variante ajustada do CSM alimenta a demonstração interativa, e essa variante não é o checkpoint que você pode baixar. O cartão tem cerca de 130.000 downloads no último mês e cerca de 2.500 curtidas, o que mostra que as pessoas estão experimentando-o. Isso não mostra que elas estão obtendo a voz a partir do aplicativo.

Segunda pergunta: você consegue medir isso?

LFM3-Audio-2B publica uma tabela de fornecedor com seis linhas, todas comparadas ao LFM2.5-Audio-1.5B, sem conjunto de testes ou harness nomeado. As linhas que importam aqui são UTMOSv2 de TTS em inglês em 3,83 contra 3,22, VoiceBench em 73,13 contra 55,17, compreensão de áudio MMAR em 50,60 contra 25,85, WER de ASR em inglês em 6,23 contra 6,13, WER/CER multilíngue em 6,03, e uma avaliação interna de chamada de ferramentas em 58,50. O avanço no UTMOS é grande — 0,6 ponto numa escala em que 4,0 costuma ser tratado como quase humano — e a linha de ASR está estagnada, que é a coisa mais crível da tabela: um fornecedor que não relata nenhuma melhoria em um eixo pelo menos não está otimizando a tabela para uma narrativa.

Nada disso tem testemunha independente. Não conseguimos encontrar nenhuma reprodução por terceiros de qualquer linha, e os números comparam um modelo com seu próprio antecessor, não com o setor. Em relação às outras entradas na própria tabela da Liquid, o LFM3-Audio-2B é um bom modelo pequeno, e não um líder: o Voxtral Mini 3B registra 5,51 de WER e o NVIDIA Audex 2B registra 5,99, o Qwen2.5-Omni 3B assume a compreensão de áudio com 54,41, e o Gemma 4 E4B assume a chamada de ferramentas com 72,40.

O Sesame Preview não tem nenhum número comparável. Sua alegação de qualidade é uma impressão de escuta — forte o suficiente para se tornar o ponto de referência para voz conversacional em 2026, e que nenhum terceiro jamais avaliou para o modelo de produção. Isso não é evidência de que a voz seja ruim. É evidência de que aquilo que todos elogiam é a única coisa nesta comparação que ninguém consegue medir.

Esta inversão é a parte rara. Normalmente, o produto fechado é o que tem histórico comprovado, e o checkpoint aberto é o que ninguém avaliou. Aqui, o modelo aberto é o único que você pode avaliar, e o produto fechado é o único com uma base real de usuários. Ambas as afirmações são verdadeiras ao mesmo tempo, e nenhuma delas resolve se a voz é boa.

Dois codecs, duas apostas de design

A diferença mais técnica entre esses sistemas também é a mais interessante, porque ambas as empresas apostaram em um codec e as apostas apontam em direções opostas.

O LiquidCodec compacta 80 ms de fala em 12 tokens discretos e decodifica de volta para 24 kHz com suporte a streaming. A Liquid mede cerca de 87× o tempo real em uma única thread de CPU de um M4 Max, e é o encoder de áudio causal que permite o prefill enquanto uma pessoa ainda está falando — a origem da alegação de "até 50 ms" para o tempo até o primeiro token. Esses dois números são medições do fornecedor em hardware Apple especificado, sem harness e sem percentil. Eles descrevem um melhor caso. Um celular, um Raspberry Pi ou uma VM x86 compartilhada não vão atingi-los, e nada no lançamento diz o que será atingido em vez disso.

O CSM da Sesame usa o codec Mimi da Kyutai a 24 kHz, com um backbone Llama prevendo o primeiro codebook e um decodificador de profundidade menor prevendo o restante. O objetivo do design é a síntese expressiva a partir de um clipe de referência curto, e a reputação do aplicativo sugere que funciona. A diferença entre o CSM-1B e a voz de produção é todo o argumento: a arquitetura é pública, o fine-tune que faz soar como a Sesame não é.

O que isso significa para um construtor é simples. A Liquid dá a você todo o pipeline e uma licença; você fornece a avaliação. A Sesame dá a você um artefato de pesquisa e uma demo; você fornece o produto, e não pode colocar a demo dentro dele.

Onde os dois realmente se sobrepõem

Há exatamente uma sobreposição, e ela é a saída de voz. Ambos conseguem falar. As diferenças dentro dessa sobreposição são práticas:

• Idiomas — O LFM3-Audio-2B afirma ter 18 idiomas em 19 locales, com tradução mais forte de ou para inglês. O Sesame Preview é oficialmente somente em inglês; as próprias orientações do aplicativo listam francês, italiano, alemão, espanhol, chinês, japonês e coreano como "iniciais". O CSM-1B é somente em inglês.

• Controle de voz — LFM3-Audio-2B: voz selecionada por prompt, sem fluxo de trabalho de clonagem publicado no card. CSM-1B: clonagem a partir de um clipe de referência de 10 a 15 segundos, que é seu principal recurso.

• Conversa — LFM3-Audio-2B: solicitação e resposta com streaming; sem alegação de barge-in. Sesame Preview: construído em torno de hesitação, interrupção e alternância de turnos, a qualidade que lhe rendeu sua reputação.

• O que você pode executar — LFM3-Audio-2B: 2,1 GB, compatível com CPU, offline. Sesame: um aplicativo, online, com limite de chamadas.

Se o seu produto precisa de uma voz que possa ser interrompida, esta não é uma comparação equilibrada: a Sesame tem o comportamento e a Liquid não reivindica isso. Se o seu produto precisa de uma voz em sueco ou holandês, ou precisa funcionar sem rede, a Sesame não pode ajudar, e o LFM3-Audio-2B pode.

O que um roteador pode e não pode fazer aqui

Nenhum dos dois modelos está no OrcaRouter, e vale a pena ser exato sobre por que o argumento usual de roteamento não chega à camada de fala. O LFM3-Audio-2B é um checkpoint que você mesmo executa; o Sesame Preview é um aplicativo. Não há endpoint de áudio hospedado de nenhum dos dois para alternar em caso de falha entre eles.

A camada acima deles é onde o roteamento se paga. Um produto de voz construído sobre qualquer um dos modelos ainda delega trabalho a modelos de texto — resumir uma chamada, extrair um agendamento, decidir a próxima pergunta — e é nessa delegação que vivem a variação de custos e as indisponibilidades de provedores. O OrcaRouter disponibiliza mais de 200 modelos de texto e multimodais por trás de uma única chave pelo preço de tabela do provedor, sem acréscimo, com failover automático e uma DSL de roteamento que pode compor vários modelos em uma única chamada. Ele também permite executar fusão de modelos quando o julgamento de um único modelo não é suficiente. Para uma equipe que está prototipando um loop de voz, isso significa que a metade de texto pode ser trocada e comparada sem tocar na integração de áudio.

A decisão

Se você está calibrando o gosto — decidindo quanta calor o seu produto deve ter, quanto tempo uma pausa é confortável, com que rapidez um agente deve ceder a vez — o Sesame Preview é gratuito, genuinamente excelente e o lugar certo para passar uma tarde. Use-o como referência. Não planeje uma integração em torno dele, porque não há nada com que integrar.

Se está a colocar em produção, o LFM3-Audio-2B é um candidato real com ressalvas reais: números apenas do fornecedor, ASR ao vivo apenas em inglês, um contexto de 32K e um limite de licença a ter em atenção. Teste-o com as suas próprias gravações antes de acreditar no ganho do UTMOS e teste a saída de fala nos idiomas de que realmente precisa, em vez de confiar na contagem de locales.

O que mudaria este quadro é específico. Uma API Sesame para a voz de produção o tornaria o candidato mais forte da categoria da noite para o dia. Um teste independente de UTMOS ou de preferência para o LFM3-Audio-2B diria se 3,83 é um passo real em direção à fala natural ou um número medido contra um antecessor fraco. Até que um desses apareça, o resumo correto é que um deles é um produto que você pode admirar e o outro é um modelo que você pode possuir — e apenas um desses é uma decisão sobre a qual você pode agir esta semana.