Ming-3.0-audio-tiny vs Sesame Preview: Um pode falar e não será pontuado, o outro fala para ganhar a vida

O estranho em colocar o Ming-3.0-audio-tiny ao lado do Sesame Preview é que o eixo óbvio — a qualidade da voz — é justamente aquele que nenhum dos dois lados deixa você medir. O Ming-3.0-audio-tiny traz um gerador de fala: um Talker de 1,4 GB, um VAE de 1,6 GB, um codificador de locutor CAM++, três vozes nomeadas e um caminho de clonagem por clipe de referência. E seu fornecedor não publica nenhum benchmark de conversão de texto em fala para nada disso. As três imagens de avaliação no repositório cobrem reconhecimento, inteligência de áudio e texto. Não há linha de similaridade de locutor, nem linha de taxa de erro de palavra para fala sintetizada, nada. O Sesame Preview é a imagem espelhada: um produto cuja reputação inteira é o som da sua voz, sem identificador de modelo, sem API e sem pontuação associada à voz no aplicativo. As falhas documentadas de IA e os incidentes de agentes por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e marcação de contestação.

Ambos estão silenciosos na mesma direção e por motivos diferentes, e esse é o ponto de partida honesto. Ming-3.0-audio-tiny é um checkpoint que você pode baixar — os pesos estão no Hugging Face desde 3 de setembro de 2026, e o que mudou entre 16 e 19 de outubro foi a documentação em torno deles: uma configuração corrigida, a árvore Talker, presets de voz, perfis de implantação e, em 19 de outubro, a primeira ficha do modelo. Sesame Preview é um app com o qual você conversa, atualizado em público, descrito pela empresa com suas próprias palavras e nunca reduzido a um arquivo. Um é não medido porque seu fornecedor optou por não medi-lo; o outro é imensurável porque não há nada para executar.

O que realmente é o caminho de fala do modelo minúsculo

É um anexo, não o modelo. O Thinker — 17,74 GB em dois shards, 9,3B parâmetros no total e 2,7B ativos — lê áudio e escreve texto. O Talker é um segundo processo que transforma o estado oculto do Thinker em fala, e a implantação de referência concede a ele uma GPU própria. O perfil de texto é executado em dispositivos: "0" com paralelismo de tensor igual a um; o perfil de áudio completo coloca o Thinker na GPU 0 com 0,78 da placa e o Talker na GPU 1 com 0,18. O perfil do SGLang é somente texto e o card diz isso claramente.

• Vozes — o padrão do vLLM-Omni é uma voz IP integrada chamada 灵小柔; o repositório também inclui 灵楷 e US_James como vozes de referência predefinidas em voice_presets/voice_audio/, com transcrições correspondentes em voice_prompts.json.

• Clonagem — um WAV de referência mais sua transcrição exata. O cartão avisa que você não pode combinar uma seleção de voz integrada com um clipe de referência em uma única solicitação.

• Idiomas — chinês e inglês, “incluindo sotaques e dialetos variados”, sem uma lista separada de idiomas para o Talker. Não é declarado em lugar algum se ele fala inglês com sotaque americano tão bem quanto o lê.

• Licença — MIT sobre os pesos; as predefinições de voz são a parte a ler com atenção, porque um clipe de referência carrega quaisquer direitos que o seu falante tivesse. O repositório não inclui termos separados para as duas vozes incluídas.

Evidência — nenhuma para a via de fala. Os números de reconhecimento e raciocínio são da própria inclusionAI; o lado da síntese não tem nenhum número publicado.

Essa última linha é o motivo pelo qual esta comparação tem poucos veredictos. Um fornecedor que mede seu ASR com duas casas decimais e não publica nada sobre seu TTS já lhe disse em qual metade do modelo ele confia.

O lado da Sesame do mesmo livro-razão

A posição pública da Sesame é a inversa: uma voz boa o suficiente para que as pessoas presumissem que havia um humano na linha, entregue por meio de um assistente com memória, conectores, navegação e, desde uma atualização de outubro de 2026, a capacidade de coordenar outros agentes. A empresa descreveu essa atualização como um novo Conversational Speech Model com melhor expressividade e pronúncia. Ela não publicou um checkpoint para ele, um ID de modelo, números de latência ou uma licença. Não há endpoint, então não há solicitação a fazer nem resposta a avaliar.

O único artefato que um desenvolvedor pode ter em mãos é sesame/csm-1b no Hugging Face: Apache-2.0, somente em inglês, cerca de 1,1 bilhão de parâmetros, um backbone da família Llama que prevê um primeiro codebook de áudio com um decodificador de profundidade menor para o restante, decodificado pelo codec Mimi da Kyutai a 24 kHz. Foi disponibilizado em março de 2025 e foi baixado cerca de 130.000 vezes no último mês, com aproximadamente 2.500 curtidas. O card é franco ao afirmar que se trata de um modelo de geração base — ele pode produzir vozes variadas, não é ajustado para nenhuma em particular, e a demonstração interativa é um derivado, e não o próprio checkpoint.

Então, a afirmação justa é: você pode manter a arquitetura da Sesame de 2025. Você não pode manter a voz que tornou a empresa famosa em 2026.

Dois trabalhos diferentes vestindo a mesma palavra

Tire a palavra "áudio" das duas descrições e a incompatibilidade fica óbvia. Ming-3.0-audio-tiny é um modelo de escuta que também fala. Sua avaliação é dominada pela compreensão: MMAU 75.90, MMAR 67.70, MMSU 73.06, BigBenchAudio 99.20, média de 3.79 de erro de caractere no ASR chinês, média de 10.29 nos dialetos. Esses são os números que seu fornecedor escolheu publicar, e todos dizem respeito a entender. Sesame Preview é um produto que fala e também escuta, e sua reputação se baseia na tomada de turno — interrupção, backchannel, o timing que faz uma conversa parecer uma só.

Essas não são a mesma habilidade e não se compensam mutuamente. Um modelo pode ser excelente em “o que o terceiro interlocutor disse sobre a fatura” e medíocre em soar como uma pessoa, e o inverso é igualmente possível. Nada no material de nenhum dos dois fornecedores permite classificá-los num eixo comum, porque eles nunca mediram o mesmo eixo.

Onde a assimetria pesa mais é no experimento barato. Com o Ming-3.0-audio-tiny, você pode sintetizar a mesma frase cinquenta vezes, variar o clipe de referência e escutar — uma tarde de trabalho, sem precisar de permissão. Com o Sesame Preview, o experimento equivalente é abrir o aplicativo e formar uma opinião, porque não há uma segunda amostra de onde tirar.

A única publicação da Sesame que vale a pena pegar emprestada

Em agosto de 2026, a Sesame lançou o TurnBench, um benchmark aberto para alternância de turnos em diálogo falado: cerca de 30 horas de fala diádica com tripla anotação, um protocolo de pontuação emprestado da análise da conversa, um placar público e resultados para 14 sistemas, construído com Carnegie Mellon, Mundo AI e Oto. Esta é a coisa mais útil de toda a comparação, e é útil justamente porque mede a qualidade que tanto os placares de erro de palavra quanto os de Elo de preferência deixam passar.

Use-o como instrumento, e não como placar. O app da própria Sesame não está nele, e o Ming-3.0-audio-tiny certamente também não. Mas se você está considerando o modelo tiny para qualquer uso conversacional — e o Talker dele, junto com sua janela de 131.072 tokens, tornam isso razoável de se considerar —, então o que você deveria avaliar é o tratamento de interrupções e o timing de backchannel, e o TurnBench oferece um protocolo para fazer isso em vez de ir pela vibe.

O corolário é desconfortável para ambos os fornecedores. Um modelo pode incluir um gerador de fala e um contexto de 128K e ainda assim ser terrível naquilo pelo que a Sesame é conhecida, e nenhum dos dois conjuntos de dados desta comparação lhe diria isso.

Custo, depois que você para de comparar tabelas de preços

Sesame Preview não tem preço porque não tem um produto para vender a um preço: o aplicativo é gratuito, a empresa diz que não exibe anúncios nem vende dados, e não há nível publicado. Ming-3.0-audio-tiny também não tem tabela de preços, mas tem algo melhor — um piso aritmético. Texto e ASR rodam em uma GPU. A saída de fala roda em duas, porque o Talker e seu VAE são um segundo conjunto de pesos com seu próprio dispositivo. Se você só precisar da metade de escuta, a segunda placa é dinheiro que você não gasta e, ao contrário de uma assinatura, não escala com quantas frases você gera.

Esse é o único ponto em que esses dois são genuinamente comparáveis, e é uma comparação de formas, não de números: uma conta de hardware fixa que você consegue prever, contra um produto gratuito cujos termos você não pode auditar e cuja capacidade você não pode comprar.

O OrcaRouter fica fora de ambos. Não servimos o Ming-3.0-audio-tiny — é um checkpoint que você executa, não um endpoint que hospedamos — e não há modelo Sesame para rotear, para começar. O que um roteador alcança é a metade textual de um pipeline de voz: o roteiro, a tradução, o resumo, o classificador que decide qual gravação precisa de uma pessoa. Uma única chave para mais de 200 modelos pelo preço de lista do provedor, sem acréscimo de margem é um contrato mais curto do que três, e failover automático evita que um lote longo de síntese morra porque um provedor teve uma tarde ruim. Nada disso torna qualquer um dos modelos melhor em ser uma voz.

O que mudaria a resposta

Três eventos, cada um verificável. Primeiro, a publicação, pela inclusionAI, de uma avaliação de conversão de texto em fala para o Ming-3.0-audio-tiny — naturalidade, similaridade do locutor com o clipe de referência, taxa de erro na fala sintetizada — transformaria o Talker de um recurso não medido em um candidato. Segundo, o lançamento, pela Sesame, do checkpoint ou de uma API para a voz de produção tornaria a reputação do aplicativo testável, e a comparação finalmente seria entre duas coisas executáveis. Terceiro, uma parte independente que avaliasse qualquer um dos modelos no TurnBench resolveria a única qualidade à qual ambos os fornecedores aludem e que nenhum publica.

Até que um deles chegue, a descrição precisa é sem glamour. Ming-3.0-audio-tiny é um modelo de escuta de 17,74 GB com um anexo opcional de fala de 3 GB, pesos MIT, uma configuração corrigida, uma ficha quatro dias mais nova que a configuração que descreve e nenhum número publicado para a metade que fala. Sesame Preview é uma voz que você pode ouvir, admirar e não obter. A escolha entre eles não é uma escolha entre dois modelos. É uma escolha entre medir algo por conta própria e não ter permissão para isso.

Se você tiver que decidir esta semana

Para transcrição, compreensão de gravações longas, ou qualquer coisa em que a saída seja texto que você vai analisar, o Ming-3.0-audio-tiny é o único dos dois que é sequer candidato — reserve uma GPU, use o prompt ASR validado com seu delimitador de tabulação e defina o contexto para o comprimento de que você realmente precisa. Para uma experiência de voz para consumidor que você está prototipando, o Sesame é a referência com a qual comparar seu trabalho, não uma dependência sobre a qual construir, porque não há dependência para instalar.

E quanto à saída de fala do modelo minúsculo: experimente antes de planejar em torno dela. Duas GPUs, um clipe de referência, uma transcrição que corresponda exatamente a esse clipe e uma hora de escuta lhe dirão mais do que a pasta de benchmarks inteira — porque a pasta de benchmarks não contém um único número sobre isso.