Ming-3.0-audio-tiny против Sesame Preview: один умеет говорить, но оценки не получит, а другой зарабатывает на жизнь речью

Самое странное в соседстве Ming-3.0-audio-tiny с Sesame Preview — это то, что очевидная ось — качество голоса — оказывается той самой, которую ни одна из сторон не даёт измерить. Ming-3.0-audio-tiny поставляется с генератором речи: Talker на 1,4 ГБ, VAE на 1,6 ГБ, кодировщик диктора CAM++, три именованных голоса и путь клонирования по эталонному фрагменту. И его поставщик не публикует ни одного бенчмарка синтеза речи ни для одного из этих компонентов. Три изображения с результатами оценки в репозитории охватывают распознавание, аудиоинтеллект и текст. Нет строки сходства дикторов, нет строки ошибок в словах для синтезированной речи — ничего. Sesame Preview — зеркальное отражение: продукт, вся репутация которого держится на звучании его голоса, без идентификатора модели, без API и без оценки, привязанной к голосу в приложении. Задокументированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в the OrcaRouter AI Incident Archive где каждая запись содержит собственные источники, уровень серьёзности, оценку уверенности и флаг спорности.

Оба молчат в одном и том же направлении, но по разным причинам, и это честная отправная точка. Ming-3.0-audio-tiny — это чекпойнт, который можно скачать: веса лежат на Hugging Face с 3 сентября 2026 года, а то, что изменилось между 16 и 19 октября, — это сопровождающие их материалы: исправленный конфиг, дерево Talker, голосовые пресеты, профили развёртывания, а 19 октября — первая карточка модели. Sesame Preview — это приложение, с которым разговариваешь, обновляемое публично, описанное компанией её собственными словами и никогда не сведённое к файлу. Один не измерен, потому что его поставщик решил его не измерять; другой неизмерим, потому что запускать нечего.

Что на самом деле представляет собой речевой путь крошечной модели

Это дополнение, а не сама модель. The Thinker — 17,74 ГБ в двух шардах, всего 9,3 млрд параметров, из них 2,7 млрд активных — читает аудио и выдаёт текст. The Talker — это второй процесс, который превращает скрытое состояние The Thinker в речь, а в эталонном развёртывании ему выделяется собственный GPU. Текстовый профиль работает на устройствах: «0» с тензорным параллелизмом, равным единице; профиль полного аудио размещает The Thinker на GPU 0 с долей 0,78 от карты, а The Talker — на GPU 1 с долей 0,18 от карты. Профиль SGLang предназначен только для текста, и в карточке это прямо указано.

• Голоса — по умолчанию в vLLM-Omni используется встроенный IP-голос под названием 灵小柔; репозиторий также содержит 灵楷 и US_James в качестве предустановленных эталонных голосов в voice_presets/voice_audio/, с соответствующими транскриптами в voice_prompts.json.

• Клонирование — референсный WAV-файл вместе с его точной транскрипцией. В карточке предупреждается, что нельзя сочетать выбор встроенного голоса с референсным клипом в одном запросе.

• Языки — китайский и английский, «включая разнообразные акценты и диалекты», при этом отдельного списка языков для Talker нет. Нигде не указано, говорит ли он на английском с американским акцентом так же хорошо, как читает его.

• Лицензия — MIT на веса; голосовые пресеты — это та часть, которую стоит читать внимательно, потому что референсный клип несёт в себе те права, которыми обладал его говорящий. Репозиторий не содержит отдельных условий для двух входящих в комплект голосов.

• Доказательства — по речевому пути отсутствуют. Цифры по распознаванию и рассуждению — собственные данные inclusionAI; по синтезу опубликованных цифр нет вообще.

Эта последняя строка — причина, по которой в этом сравнении мало вердиктов. Вендор, который измеряет свой ASR с точностью до двух знаков после запятой и ничего не публикует о своём TTS, уже дал понять, в какой половине модели он уверен.

Сторона Sesame в том же реестре

Публичная позиция Sesame — обратная: голос, достаточно хороший, чтобы люди думали, что на линии человек, предоставляемый через ассистента с памятью, коннекторами, браузингом и — после обновления в октябре 2026 года — способностью координировать других агентов. Компания описала это обновление как новую Conversational Speech Model с лучшей выразительностью и произношением. Она не опубликовала для неё чекпоинт, идентификатор модели, показатели задержки или лицензию. Эндпоинта нет, поэтому нет запроса, который можно отправить, и нет ответа, который можно оценить.

Единственный артефакт, который разработчик может подержать в руках, — это sesame/csm-1b на Hugging Face: Apache-2.0, только на английском, примерно 1,1 млрд параметров, магистраль семейства Llama, предсказывающая первую аудиокодовую книгу, а остальные — с помощью меньшего depth-декодера, с декодированием через кодек Mimi от Kyutai на частоте 24 кГц. Модель появилась в марте 2025 года, и за последний месяц её скачали около 130 000 раз, а лайков у неё примерно 2500. В карточке честно сказано, что это базовая генеративная модель — она способна выдавать разнообразные голоса, но не настроена под какой-либо конкретный, а интерактивная демонстрация является производной, а не самим чекпоинтом.

Справедливая формулировка такова: архитектуру Sesame 2025 года сохранить можно. Голос, который сделал компанию знаменитой в 2026 году, сохранить нельзя.

Две разные работы под одним и тем же словом

Уберите слово "audio" из обоих описаний — и несоответствие станет очевидным. Ming-3.0-audio-tiny — это модель, которая в первую очередь слушает, но также умеет говорить. В её оценке доминирует понимание: MMAU 75.90, MMAR 67.70, MMSU 73.06, BigBenchAudio 99.20, средняя ошибка на уровне символов для китайского ASR — 3.79, средняя по диалектам — 10.29. Это те цифры, которые производитель решил опубликовать, и все они — о понимании. Sesame Preview — это продукт, который в первую очередь говорит и при этом слушает, и его репутация держится на очерёдности реплик — перебивании, кратких подтверждающих репликах, тайминге, благодаря которому разговор ощущается как единое целое.

Это не один и тот же навык, и они не находятся в обратной зависимости друг от друга. Модель может превосходно справляться с вопросом «что третий говорящий сказал о счёте» и при этом посредственно звучать как человек, и обратное столь же возможно. Ничто в материалах ни одного из поставщиков не позволяет ранжировать их по общей шкале, поскольку они никогда не измеряли одну и ту же шкалу.

Самое болезненное проявление этой асимметрии — дешёвый эксперимент. С Ming-3.0-audio-tiny вы можете синтезировать одно и то же предложение пятьдесят раз, менять референсный клип и слушать — работа на один день, и никаких разрешений не нужно. С Sesame Preview эквивалентный эксперимент — это открыть приложение и составить мнение, потому что взять второй образец просто неоткуда.

Единственное издание Sesame, которое стоит взять.

В августе 2026 года Sesame выпустила TurnBench — открытый бенчмарк для смены реплик в устном диалоге: около 30 часов диадической речи с тройной аннотацией, протокол оценки, заимствованный из конверсационного анализа, публичная таблица лидеров и результаты для 14 систем, созданный совместно с Carnegie Mellon, Mundo AI и Oto. Это самое полезное во всём сравнении, и полезно оно именно потому, что измеряет то качество, которое упускают и таблицы word-error, и таблицы preference-Elo.

Используйте его как инструмент, а не как табло. Собственного приложения Sesame в нём нет, и Ming-3.0-audio-tiny — тем более. Но если вы рассматриваете крошечную модель для чего-либо разговорного — а её Talker вместе с окном в 131 072 токена делают это разумным к рассмотрению — то оценивать вам следует обработку перебиваний и тайминг бэкчейнелов, и TurnBench даёт вам протокол для этого вместо вайба.

Это следствие неудобно для обоих вендоров. Модель может поставляться с генератором речи и контекстом 128K и всё равно быть ужасной в том, чем известна Sesame, и ни один из наборов данных в этом сравнении вам об этом не скажет.

Стоимость — когда вы перестаёте сравнивать тарифные карты

Sesame Preview не имеет цены, потому что у него нет продукта, который можно было бы продавать за цену: приложение бесплатное, компания заявляет, что не показывает рекламу и не продаёт данные, а опубликованного тарифа нет. У Ming-3.0-audio-tiny тоже нет прайс-листа, но есть кое-что получше — арифметический минимум. Текст и ASR работают на одном GPU. Синтез речи работает на двух, потому что Talker и его VAE — это второй набор весов со своим устройством. Если вам всегда нужна только половина, отвечающая за прослушивание, вторая карта — это деньги, которые вы не тратите, и, в отличие от подписки, этот расход не масштабируется с количеством сгенерированных предложений.

Это единственная область, где эти два варианта действительно сопоставимы, и это сравнение форм, а не чисел: фиксированный счёт за оборудование, который можно предсказать, против бесплатного продукта, условия которого нельзя проверить, а мощность которого нельзя купить.

OrcaRouter находится вне обоих. Мы не обслуживаем Ming-3.0-audio-tiny — это чекпойнт, который вы запускаете сами, а не эндпоинт, который мы хостим, — и модели Sesame, которую можно было бы маршрутизировать, в принципе не существует. Роутер действительно охватывает текстовую половину голосового конвейера: сценарий, перевод, сводку, классификатор, который решает, какая запись требует участия человека. Один ключ для более 200 моделей по прайсовой цене провайдера без каких-либо наценок — это более короткий контракт, чем три, и автоматическое переключение при сбое не даёт длинному пакету синтеза умереть из-за того, что у одного провайдера выдался неудачный день. Ничто из этого не делает ни одну из моделей лучше в роли голоса.

Что изменило бы ответ?

Во-первых, если inclusionAI опубликует оценку синтеза речи для Ming-3.0-audio-tiny — естественность, сходство голоса с эталонным аудиофрагментом, частоту ошибок в синтезированной речи, — это превратило бы Talker из неизмеренной функции в кандидата. Во-вторых, если Sesame выпустит чекпойнт или API для production-голоса, репутацию приложения можно будет проверить, и сравнение наконец будет между двумя запускаемыми вариантами. В-третьих, если независимая сторона оценит любую из моделей на TurnBench, это окончательно решило бы вопрос о том единственном качестве, на которое намекают оба поставщика и которое ни один из них не публикует.

Пока что-то из этого не выйдет, точное описание будет неприглядным. Ming-3.0-audio-tiny — это модель для прослушивания размером 17,74 ГБ с опциональным речевым модулем на 3 ГБ, весами под лицензией MIT, исправленным конфигом, карточкой, которая на четыре дня моложе описываемого ею конфига, и без опубликованной цифры для той половины, которая говорит. Sesame Preview — это голос, который можно услышать, которым можно восхищаться и который нельзя получить. Выбор между ними — не выбор между двумя моделями. Это выбор между тем, чтобы измерить что-то самому, и тем, чтобы вам не разрешали это сделать.

Если вам нужно принять решение на этой неделе

Для транскрибации, понимания длинных записей или любых задач, где вывод — это текст, который вы будете разбирать, Ming-3.0-audio-tiny — единственный из двух, который вообще является кандидатом: выделите одну GPU, используйте проверенный ASR-промпт с его разделителем-табуляцией и задайте контекст той длины, которая вам действительно нужна. Для потребительского голосового опыта, который вы прототипируете, Sesame — это эталон, с которым нужно сверять вашу работу, а не зависимость, на которую нужно опираться, потому что устанавливать нечего.

А что до речевого вывода крошечной модели: попробуйте его, прежде чем строить вокруг него планы. Две GPU, эталонный фрагмент, транскрипт, который точно соответствует этому фрагменту, и час прослушивания дадут вам больше, чем вся папка с бенчмарками, — потому что в папке с бенчмарками нет ни одного числа об этом.