LFM3-Audio-2B vs Sesame Preview: скачивание и приложение — не один и тот же выбор

Sesame Preview — это голос, который люди называют человеческим. LFM3-Audio-2B — это 2B-чекпоинт, который можно скачать и запустить на ноутбуке. Поставьте их в одно предложение — и произойдёт нечто полезное: сравнение перестанет сводиться к тому, какой из них звучит лучше, и превратится в два отдельных вопроса: можно ли его выпустить и можно ли его измерить? Sesame Preview не проходит по первому пункту. LFM3-Audio-2B, который Liquid AI выпустила 27 октября 2026 года в составе семейства LFM3 из шести моделей, не проходит по второму. Ни одна из этих неудач не является скандалом. Это разные типы продуктов, и большинство команд узнают, какой из них им нужен, только после того, как уже начали разработку.

Асимметрию стоит обозначить прямо, прежде чем переходить к деталям. У производственной голосовой версии Sesame нет API, нет идентификатора модели и нет корпоративного уровня; она живёт внутри приложения для iOS и Android с четырьмя именованными агентами, памятью, коннекторами и — с октября — способностью оркестрировать других агентов. У LFM3-Audio-2B приложения нет вовсе. У неё есть веса, карточка модели, объединённый пул-реквест в llama.cpp и сборка для Ollama размером 2,1 ГБ. Одна — это место, где можно провести день. Другая — это файл, который можно встроить в продукт.

Вопрос первый: сможете ли вы это отгрузить?

Для {{1}}LFM3-Audio-2B{{/1}} ответ — {{2}}да{{/2}}, с {{3}}оговорками{{/3}}. {{4}}LFM Open License v1.0{{/4}} разрешает коммерческое использование при {{5}}годовом доходе ниже $10M{{/5}} и требует платную лицензию при превышении этого порога. Веса размещены на {{6}}Hugging Face{{/6}}; путь на Python — {{7}}Transformers 5.20.2 или новее{{/7}} с {{8}}trust_remote_code{{/8}}; поддержка {{9}}llama.cpp{{/9}} вошла в {{10}}PR #31257{{/10}}; {{11}}MLX 4-bit{{/11}} поддерживает {{12}}Apple silicon{{/12}}; {{13}}ONNX Runtime{{/13}} обеспечивает переносимость. На вход подаётся текст или {{14}}аудио 16 кГц{{/14}}, на выходе — текст, {{15}}речь 24 кГц{{/15}} или чередующиеся текст и речь. Контекст — {{16}}32K токенов{{/16}}, охватывающий оба направления, — а не {{17}}значение 256K{{/17}}, которое относится к текстовой модели, — и модель поддерживает {{18}}18 языков в 19 локалях{{/18}}, при этом живой ASR работает {{19}}только на английском{{/19}}.

Что касается Sesame Preview, ответ — нет, и причина структурная, а не коммерческая. Для продакшн-голоса нет эндпоинта. Цены нет, потому что покупать нечего. Приложение бесплатно, звонки ограничены 30 минутами, а при выходе из аккаунта лимит снижается до пяти минут, и четыре агента — это и есть продукт. Если вы хотите поведение в стиле Sesame в своём приложении, получить его нельзя.

То, что выпустила Sesame, — это CSM-1B, исследовательский чекпойнт под лицензией Apache-2.0. Это блок синтеза, а не ассистент: магистраль Llama предсказывает первую кодовую книгу Mimi, а меньший декодер предсказывает остальное, что воспроизводится через кодек Mimi на частоте 24 кГц. Он работает только с английским, клонирует голос по 10–15-секундному референсному клипу и не может генерировать текст — его используют в паре с языковой моделью. Его карточка на Hugging Face прямо говорит то, о чём обычно молчат: интерактивную демонстрацию питает дообученный вариант CSM, и этот вариант — не тот чекпойнт, который можно скачать. За последний месяц у карточки примерно 130 000 скачиваний и около 2 500 лайков, что говорит о том, что люди экспериментируют с ним. Но это не говорит о том, что голос они получают из приложения.

Вопрос второй: можете ли вы это измерить?

LFM3-Audio-2B публикует таблицу вендора из шести строк, все — в сравнении с LFM2.5-Audio-1.5B, без указания набора тестов или харнесса. Важные здесь строки: английский TTS UTMOSv2 — 3,83 против 3,22, VoiceBench — 73,13 против 55,17, понимание аудио MMAR — 50,60 против 25,85, WER для английского ASR — 6,23 против 6,13, многоязычный WER/CER — 6,03 и внутренняя оценка tool-calling — 58,50. Сдвиг по UTMOS велик — 0,6 балла по шкале, где 4,0 обычно считается уровнем, близким к человеческому, — а строка ASR ровная, и это самое достоверное в таблице: вендор, который сообщает об отсутствии улучшения по одной оси, по крайней мере не подгоняет таблицу под красивую историю.

Ничто из этого не имеет независимого подтверждения. Мы не смогли найти ни одного стороннего воспроизведения ни одной строки, а цифры сравнивают модель с её собственным предшественником, а не с другими участниками рынка. По сравнению с другими записями в собственной таблице Liquid, LFM3-Audio-2B — хорошая небольшая модель, а не лидер: Voxtral Mini 3B показывает WER 5.51, NVIDIA Audex 2B — 5.99, Qwen2.5-Omni 3B набирает 54.41 в понимании аудио, а Gemma 4 E4B — 72.40 в вызове инструментов.

У Sesame Preview вообще нет сопоставимого числового показателя. Его заявление о качестве — это впечатление от прослушивания, настолько сильное, что оно стало точкой отсчёта для разговорного голоса в 2026 году, и при этом такое, которое третья сторона никогда не оценивала для production-модели. Это не свидетельство того, что голос плох. Это свидетельство того, что то, что все хвалят, — единственное в этом сравнении, что никто не может измерить.

Эта инверсия — редкая часть. Обычно закрытый продукт — это тот, у которого есть послужной список, а открытый чекпойнт — тот, который никто не оценивал. Здесь открытая модель — единственная, которую можно оценить, а закрытый продукт — единственный, у которого есть реальная база пользователей. Оба утверждения верны одновременно, и ни одно из них не решает, хорош ли голос.

Два кодека, две ставки на дизайн

Самое техническое различие между этими системами — также и самое интересное, потому что обе компании сделали ставку на кодек, и эти ставки направлены в противоположные стороны.

LiquidCodec упаковывает 80 мс речи в 12 дискретных токенов и декодирует обратно в 24 кГц с поддержкой потоковой передачи. Liquid измеряет его примерно в 87 раз быстрее реального времени на одном потоке CPU M4 Max, а причинный аудиокодер как раз позволяет выполнять предзаполнение, пока человек ещё говорит, — именно отсюда берётся заявление о времени до первого токена «всего от 50 мс». Эти две цифры — измерения производителя на конкретном оборудовании Apple без тестового стенда и без указания процентиля. Они описывают наилучший случай. Телефон, Raspberry Pi или общая виртуальная машина x86 таких показателей не достигнут, и нигде в релизе не сказано, каких показателей они достигнут вместо этого.

CSM от Sesame использует кодек Mimi от Kyutai на частоте 24 кГц: бэкбон Llama предсказывает первую кодовую книгу, а меньший depth-декодер — остальные. Цель дизайна — выразительный синтез по короткому референсному клипу, и репутация приложения говорит о том, что это работает. Разрыв между CSM-1B и продакшн-голосом — это и есть весь аргумент: архитектура публична, а fine-tune, который заставляет его звучать как Sesame, — нет.

Что это означает для разработчика, просто. Liquid даёт вам весь конвейер и лицензию; оценку вы обеспечиваете сами. Sesame даёт исследовательский артефакт и демо; продукт вы создаёте сами, и вы не можете встроить демо в него.

Где эти два на самом деле пересекаются

Существует ровно одно пересечение, и это голосовой вывод. Оба умеют говорить. Различия внутри этого пересечения носят практический характер:

• Языки — LFM3-Audio-2B заявляет 18 языков в 19 локалях, при этом качество перевода наиболее высокое при работе с английским или с английского. Sesame Preview официально поддерживает только английский; в собственных рекомендациях приложения французский, итальянский, немецкий, испанский, китайский, японский и корейский указаны как «ранние». CSM-1B поддерживает только английский.

• Управление голосом — LFM3-Audio-2B: голос выбирается с помощью промпта, опубликованного рабочего процесса клонирования в карточке нет. CSM-1B: клонирование по 10–15-секундному референсному клипу — его основная функция.

• Разговор — LFM3-Audio-2B: запрос-ответ с потоковой передачей; без утверждения о перебивании. Sesame Preview: построен вокруг заминок, перебиваний и смены реплик — именно это качество и обеспечило ему репутацию.

• Что можно запустить — LFM3-Audio-2B: 2,1 ГБ, работает на CPU, офлайн. Sesame: приложение, онлайн, с лимитом вызовов.

Если вашему продукту нужен голос, который можно прервать, это не близкое сравнение: Sesame обладает таким поведением, а Liquid этого не заявляет. Если вашему продукту нужен голос на шведском или нидерландском языке либо нужна работа без сети, Sesame не поможет, а LFM3-Audio-2B сможет.

Что маршрутизатор может и не может делать здесь

Ни одна из этих моделей не размещена на OrcaRouter, и стоит точно объяснить, почему обычный аргумент о маршрутизации не применим к речевому уровню. LFM3-Audio-2B — это чекпоинт, который вы запускаете сами; Sesame Preview — это приложение. У них нет размещённых аудиоэндпоинтов, между которыми можно было бы переключаться при отказе.

Слой над ними — это место, где маршрутизация оправдывает себя. Голосовой продукт, построенный на любой из этих моделей, всё равно передаёт работу текстовым моделям — суммирование звонка, извлечение данных бронирования, выбор следующего вопроса — и именно в этой передаче кроются колебания затрат и сбои провайдеров. OrcaRouter предоставляет более 200 текстовых и мультимодальных моделей за одним ключом по прайс-листовой цене провайдера без наценки, с автоматическим переключением при сбоях и DSL маршрутизации, который позволяет объединять несколько моделей в один вызов. Он также позволяет запускать слияние моделей, когда суждения одной модели недостаточно. Для команды, создающей прототип голосового цикла, это означает, что текстовую половину можно заменять и сравнивать, не трогая аудиоинтеграцию.

Решение

Если вы калибруете вкус — решаете, сколько теплоты должно быть в вашем продукте, какая пауза комфортна, как быстро агент должен уступать слово, — Sesame Preview бесплатен, по-настоящему превосходен и идеально подходит, чтобы провести за ним день. Используйте его как ориентир. Не планируйте интеграцию с ним, потому что интегрировать не с чем.

Если вы готовите релиз, LFM3-Audio-2B — реальный кандидат с реальными оговорками: цифры только от вендора, live ASR только на английском, контекст 32K и порог лицензирования, за которым нужно следить. Протестируйте его на собственных записях, прежде чем поверить в прирост UTMOS, и проверяйте синтез речи на языках, которые вам действительно нужны, а не доверяйте количеству локалей.

Картину изменило бы нечто конкретное. API Sesame для голоса в продакшене сделал бы его сильнейшим кандидатом в категории буквально за ночь. Независимый UTMOS или тест предпочтений для LFM3-Audio-2B показал бы, является ли 3,83 реальным шагом к естественной речи или же цифрой, измеренной на фоне слабого предшественника. Пока не появится что-то из этого, правильный вывод таков: одно из них — продукт, которым можно восхищаться, а другое — модель, которой можно владеть, — и только одно из этого является решением, по которому можно действовать на этой неделе.