Ming-3.0-audio-flash против Sesame Preview: один слышит всё, а второму достаточно звучать по-человечески

Эти два продукта — не соперники. Ming-3.0-audio-flash — это аудио-языковая смесь экспертов с 126 млрд параметров под лицензией MIT, у которой заявлены пять задач: распознавание речи, понимание длинных аудиозаписей, восприятие неречевых звуков и музыки, аудио-рассуждения и — в качестве опциональной пятой — генерация ответной речи. Sesame Preview — это потребительский голосовой ассистент с четырьмя личностями, приложением для iOS и Android и вообще без API. Второму не нужно знать, как звучит хлопок двери. Первый был создан именно для этого. Ставить их рядом полезно только потому, что это заставляет задать вопрос, который пропускает большинство сравнений аудиомоделей: вы покупаете ухо или рот? Документированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в the OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг спорности.

Хронология делает несоответствие ещё заметнее. Ming-3.0-audio-flash появился на Hugging Face 3 сентября 2026 года без анонса и провисел там шесть недель, прежде чем 15–19 октября были выложены код для запуска, примеры и переписанная карточка — репозиторий GitHub был создан 15-го, а карточку всё ещё редактировали 19-го. В листинге указано 22 скачивания. Sesame Preview публично доступен с весны, а его скачиваемый исследовательский артефакт CSM-1B находится на Hugging Face с марта 2025 года — около 130 000 скачиваний за последний месяц и примерно 2 500 лайков. У одного есть пользовательская база и нет репозитория. У другого есть репозиторий, но пока нет пользователей.

Из чего сделано каждое из них

Ming-3.0-audio-flash объединяет аудиокодер и проектор с языковой основой на основе смеси экспертов, а также опциональный модуль Talker, который преобразует текстовый вывод модели в речь. Общее число параметров — 126 млрд, из которых 6,5 млрд активируются на каждом шаге инференса; в боковой панели Hugging Face указано 128B — это расхождение в карточке не объясняется. На вход подаются аудио и текстовая инструкция. На выходе — текст или текст с синтезированной речью. Модель поддерживает китайский и английский языки, причём акценты и диалекты указаны явно.

Sesame Preview нигде в открытых источниках не описывается на таком уровне детализации. В открытом доступе есть приложение: голосовой интерфейс с четырьмя именованными персонажами, памятью, коннекторами и — с октября 2026 года — возможностью оркестрировать других агентов. В открытом доступе также находится CSM-1B — исследовательский чекпоинт Sesame под лицензией Apache-2.0: основа Llama, предсказывающая первую кодовую книгу аудио, и меньший декодер глубины, предсказывающий остальные, с декодированием через кодек Mimi от Kyutai на частоте 24 кГц, только для английского языка. В карточке модели он назван «базовой генеративной моделью», и Sesame прямо указывала, что интерактивное демо работает на дообученной производной от него, а не на самом чекпоинте.

• Что можно скачать — Ming: полный чекпоинт 126B, процессор, токенизатор, ассеты Talker. Sesame: CSM-1B — базовая модель с 1 млрд параметров, которая не является голосом в приложении.

• Что можно вызвать — Ming: OpenAI-совместимый эндпоинт на vLLM-Omni или SGLang, как только вы его развернёте. Sesame: приложение. Нет эндпоинта, нет ID модели для production-голоса.

• Что он слушает — Ming: речь, диалекты, шум, несколько говорящих, неречевые звуки, акустические сцены, музыку. Sesame: ваш голос в разговоре.

• Что это произносит — Ming: текст, при необходимости озвучиваемый встроенными голосами или голосами, клонированными по образцу. Sesame: речь, созданная с учётом дыхания, запинок и перебиваний.

• Языки — Ming: китайский и английский. Sesame: официально английский; в собственных рекомендациях приложения французский, итальянский, немецкий, испанский, китайский, японский и корейский указаны как «ранние».

• Лицензия — Ming: MIT. Sesame: условия обслуживания приложения; Apache-2.0 только для исследовательского чекпойнта.

Асимметрия оценки абсолютна

С Ming-3.0-audio-flash вы можете сгенерировать одно и то же предложение сто раз и прослушать его. Вы можете подать ему одну и ту же шумную запись совещания и проверить расшифровку. Вы можете рассчитать собственный процент ошибок на своих аудиозаписях, и этот процент ошибок — число, которое принадлежит вам.

С Sesame Preview нельзя ничего сгенерировать. Для голоса из продакшена нет ни эндпоинта, ни чекпоинта, ни опубликованного бенчмарка. Вы можете послушать приложение и составить мнение — и это мнение будет всей вашей доказательной базой. Исследовательский чекпоинт CSM-1B можно протестировать — вы можете запустить его, дообучить, измерить — но он явно не является той моделью, что стоит за голосом, который прославил Sesame.

Это редкое противостояние, в котором открытая модель — единственная, что поддаётся оценке, хотя реальная пользовательская база есть только у закрытой. Над такой инверсией стоит поразмыслить, ведь обычно довод звучит противоположно: предполагается, что именно закрытые продукты имеют послужной список.

Где эти два на самом деле соприкасаются

Есть ровно одно пересечение, и это Talker. Ming-3.0-audio-flash умеет синтезировать речь, а его голосовые возможности настраиваются шире, чем в приложении с четырьмя голосами: путь через vLLM-Omni поставляется со встроенными IP-голосами, каталог модели содержит предустановленные референсные голоса с соответствующими транскриптами, а для клонирования можно передать любой референсный WAV вместе с его точной транскрипцией. Для потоковой речи с метриками задержки есть рабочий пример. Путь через SGLang вообще не работает с речью — он только текстовый — и это стоит знать, прежде чем выбирать стек обслуживания.

Но настраиваемость — не то же самое, что качество, и репозиторий Ming вообще не публикует никаких оценок качества речи. Его три панели бенчмарков охватывают распознавание речи, аудиоинтеллект и текст. Там нет ни оценки MOS, ни теста предпочтений, ни сравнения просодии. Поэтому честная позиция по поводу утверждения «Ming звучит лучше Sesame» такова: никто это не измерял, а люди, лучше всех способные иметь мнение, — пользователи Sesame — никогда не слышали Ming.

То, что Ming's Talker действительно даёт вам, а Sesame — нет, — это владение голосом. Референсный клип и его транскрипция, и модель говорит этим голосом, на вашем оборудовании, под MIT, без участия третьих сторон. Если голос вашего продукта — брендовый актив, это не сравнение функций. Это совершенно иная категория.

Аппаратное обеспечение, и почему оно определяет большую часть этого

Эталонный профиль обслуживания Ming-3.0-audio-flash для полного контекста 128K с речевым выводом — это тензорный параллелизм на восьми GPU H800 объёмом 80 ГБ. Четыре GPU обеспечивают проверенный профиль SGLang, но только для текста. В репозитории отмечается, что профиль полного аудио выделяет Talker собственный бюджет памяти на GPU 7.

У Sesame Preview нет требований к оборудованию, потому что у него нет развёртывания. Это не шутка за его счёт; это и есть его реальное ценностное предложение. Команда, которая хочет выразительный голос в мобильном приложении и не хочет думать о GPU, может внедрить поведение в стиле Sesame через поставщика и никогда не увидеть YAML-файл.

Сравнение затрат, о котором пойдёт речь, не будет даже близким. Восемь H800 — это решение о капитальных затратах с графиком амортизации. Приложение — это загрузка. Единственная причина сравнивать их — то, что оба умеют говорить, а стоимость говорения не является интересной переменной; интересна стоимость слушания, и Sesame её не продаёт.

В чём каждое из них действительно лучше

Ming-3.0-audio-flash лучше во всём, что связано с пониманием аудио, а не с его созданием. Длинные записи, несколько говорящих, фоновый шум, музыка, акустические сцены, вопросы о том, что было сказано и как это было сказано. В его собственной карточке заявлено сложное распознавание диалектов и акцентов; его бенчмарк-панели проводятся поставщиком и не проходят аудит, но они существуют, а это больше, чем предлагают конкуренты в этом сравнении.

Sesame Preview лучше справляется с ролью продукта. У него есть память, коннекторы к почте, календарю и диску, собственная среда для просмотра и действий, поддержка MCP через OAuth, а с октября — возможность оркестрировать других агентов. Ничто из этого не является функцией речевой модели; это ассистент, а речь — интерфейс. У Ming ничего этого нет, и он на это не претендует.

Есть также довод о задержке, который никто так и не разрешил. Разговорный ассистент живёт или умирает от чередования реплик — Sesame заработала репутацию на убедительных запинках и тайминге перебиваний, настолько, что первые слушатели решали, будто на линии человек. Интерфейс Ming-3.0-audio-flash работает по схеме «запрос — ответ»: на входе аудио и инструкция, на выходе текст или речь. Примеры потоковой передачи есть, но потоковая передача ответа — не то же самое, что обработка перебиваний, и репозиторий не заявляет о дуплексном режиме.

Если вы на самом деле выбираете

Скорее всего, вы не выбираете между этими двумя вариантами, и об этом стоит сказать прямо. Реалистичные решения — это «Ming-3.0-audio-flash против облачного API для понимания аудио» и «Sesame Preview против того голоса, который уже использует ваше приложение». Это сопоставление существует потому, что обе модели — аудиомодели с недавними новостями, а не потому, что покупатель когда-либо стал бы сравнивать их друг с другом.

Тем не менее смежный вопрос — стоит ли вообще размещать открытую аудиомодель у себя — неизбежно возникает из-за обоих продуктов. Ming приводит доводы в пользу владения: MIT, возможность инспектировать, модифицировать, никакого вендора в пути запроса. Sesame приводит доводы против создания собственного решения: приложение, которое работает, с возможностями, на воспроизведение которых ваша команда потратила бы год. Большинству команд следует использовать хостинговую версию, пока хостинговая версия не подведёт их так, что они смогут сформулировать, в чём именно.

Роль OrcaRouter в этом решении узка и заслуживает точной формулировки. Мы не размещаем у себя Ming-3.0-audio-flash и не размещаем Sesame Preview — одно из них это чекпоинт, который вы запускаете сами, другое — приложение. Что даёт вам слой маршрутизации — это основу для сравнения: более 200 моделей за одним ключом по цене провайдера из прайс-листа, без наценки, так что размещённые аудиомодели, которые вы на самом деле сопоставляете с самостоятельно развёрнутым Ming, можно прогнать в A/B на одном и том же трафике, с автоматическим переключением при сбое, если один из путей деградирует. Именно так вы выясняете, окупается ли ставка на восемь GPU, не делая эту ставку заранее.

Открытый вопрос

Ming-3.0-audio-flash стала доступна для запуска четыре дня назад, и у неё 22 скачивания. Её карточка была отредактирована в день написания этого текста. Её цифры бенчмарков — это изображения, качество речи не оценено, а профиль обслуживания предполагает стойку, которой нет у большинства команд. Ничто из этого не дисквалифицирует — так выглядит первая неделя тихого релиза, и ранние материалы в формате «что мы знаем» — правильный отклик на это.

Sesame Preview, тем временем, продолжает добавлять функции в продукт, за которым не стоит опубликованная модель. Разрыв между тем, что вы можете услышать, и тем, что можете проверить, — это и есть вся история этой компании, и за год она не изменилась.

Следить нужно не за бенчмарком, а за тем, закроет ли какая-либо из сторон свой разрыв: получит ли Ming оператора и показатель задержки или Sesame опубликует чекпоинт, который действительно является голосом в приложении. Что произойдёт первым, то и покажет, какой из этих двух подходов побеждает.