LFM3-Audio-2B vs Sesame Preview: En nedladdning och en app är inte samma val

Sesame Preview är den röst som folk beskriver som mänsklig. LFM3-Audio-2B är en 2B-checkpoint som du kan ladda ner och köra på en laptop. Sätter man dem i samma mening händer något användbart: jämförelsen handlar inte längre om vilken som låter bättre utan blir två separata frågor – kan du leverera den, och kan du mäta den? Sesame Preview klarar inte den första. LFM3-Audio-2B, som Liquid AI släppte den 27 oktober 2026 inom LFM3-familjen med sex modeller, klarar inte den andra. Ingen av dessa brister är en skandal. De är olika typer av produkter, och de flesta team upptäcker vilken de behöver först efter att de har börjat bygga.

Asymmetrin är värd att klargöra rakt på sak innan detaljerna. Sesames produktionsröst har inget API, inget modell-ID och ingen företagsnivå; den lever inuti en iOS- och Android-app med fyra namngivna agenter, minne, kopplingar och, sedan oktober, förmågan att orkestrera andra agenter. LFM3-Audio-2B har ingen app alls. Den har vikter, ett modellkort, en mergad pull request för llama.cpp och ett Ollama-bygge på 2,1 GB. Den ena är en plats att tillbringa en eftermiddag på. Den andra är en fil du kan lägga in i en produkt.

Fråga ett: kan du leverera det?

För LFM3-Audio-2B är svaret ja, med förbehåll. LFM Open License v1.0 tillåter kommersiell användning under 10 miljoner USD i årlig omsättning och kräver en betald licens över det. Vikterna finns på Hugging Face; Transformers 5.20.2 eller nyare med trust_remote_code är Python-vägen; llama.cpp slog samman stödet i PR #31257; MLX 4-bit täcker Apple silicon; ONNX Runtime täcker portabilitet. Indata är text eller 16 kHz-ljud, utdata är text, 24 kHz-tal eller sammanflätad text och tal. Kontexten är 32K tokens som täcker båda riktningarna – inte 256K-siffran som tillhör textmodellen – och modellen listar 18 språk över 19 språkvarianter, med live-ASR endast på engelska.

För Sesame Preview är svaret nej, och anledningen är strukturell snarare än kommersiell. Det finns ingen slutpunkt för produktionsrösten. Det finns inget pris, eftersom det inte finns något att köpa. Appen är gratis, samtalen har en övre gräns på 30 minuter som sjunker till fem minuter när man är utloggad, och de fyra agenterna är produkten. Om du vill ha beteende i Sesame-stil i din egen applikation går det inte.

Det Sesame har släppt är CSM-1B, en forskningscheckpoint under Apache-2.0. Det är en syntesbyggsten, inte en assistent: en Llama-backbone förutsäger den första Mimi-kodboken och en mindre dekoder förutsäger resten, renderat genom Mimi-kodeken vid 24 kHz. Den är endast för engelska, klonar en röst från ett referensklipp på 10–15 sekunder och kan inte generera text – du parar den med en språkmodell. Dess Hugging Face-kort säger det tysta rakt ut: en finjusterad variant av CSM driver den interaktiva demon, och den varianten är inte den checkpoint du kan ladda ner. Kortet har ungefär 130 000 nedladdningar den senaste månaden och omkring 2 500 gilla-markeringar, vilket säger att folk experimenterar med den. Det säger inte att de får rösten från appen.

Fråga två: kan du mäta det?

LFM3-Audio-2B publicerar en leverantörstabell med sex rader, allt jämfört med LFM2.5-Audio-1.5B, utan namngivet testset eller testramverk. De rader som spelar roll här är engelsk TTS UTMOSv2 på 3,83 mot 3,22, VoiceBench på 73,13 mot 55,17, ljudförståelse MMAR på 50,60 mot 25,85, engelsk ASR WER på 6,23 mot 6,13, flerspråkig WER/CER på 6,03 och en intern tool-calling-utvärdering på 58,50. UTMOS-förflyttningen är stor – 0,6 punkter på en skala där 4,0 vanligtvis betraktas som nära mänsklig – och ASR-raden är oförändrad, vilket är det mest trovärdiga i tabellen: en leverantör som rapporterar ingen förbättring på en axel optimerar åtminstone inte tabellen för ett narrativ.

Inget av detta har något oberoende vittne. Vi kunde inte hitta någon tredjepartsreproduktion av någon rad, och siffrorna jämför en modell med dess egen föregångare, inte med fältet. Jämfört med de andra posterna i Liquids egen tabell är LFM3-Audio-2B en bra liten modell snarare än en ledare: Voxtral Mini 3B redovisar 5,51 WER och NVIDIA Audex 2B redovisar 5,99, Qwen2.5-Omni 3B får 54,41 i ljudförståelse och Gemma 4 E4B får 72,40 i verktygsanrop.

Sesame Preview har ingen jämförbar siffra alls. Dess kvalitetsanspråk är ett lyssningsintryck – ett så starkt sådant att det blev referenspunkten för samtalsröst 2026, och ett som en tredje part aldrig har poängsatt för produktionsmodellen. Det är inte bevis för att rösten är dålig. Det är bevis för att det som alla hyllar är det enda i den här jämförelsen som ingen kan mäta.

Den här inversionen är det sällsynta. Normalt är det den stängda produkten som har dokumenterad historik och den öppna checkpointen den som ingen har utvärderat. Här är den öppna modellen den enda du kan utvärdera, och den stängda produkten är den enda med en verklig användarbas. Båda påståendena är sanna samtidigt, och inget av dem avgör om rösten är bra.

Två codecs, två designval

Den mest tekniska skillnaden mellan dessa system är också den mest intressanta, eftersom båda företagen satsade på en kodek och satsningarna pekar i motsatta riktningar.

LiquidCodec packar 80 ms tal i 12 diskreta token och avkodar tillbaka till 24 kHz med stöd för strömning. Liquid mäter det till cirka 87× realtid på en enda CPU-tråd i en M4 Max, och det är den kausala ljudkodaren som möjliggör prefill medan en person fortfarande talar – källan till påståendet om en tid till första token på "så lågt som 50 ms". De två siffrorna är leverantörens mätningar på namngiven Apple-hårdvara utan testramverk och utan percentiler. De beskriver ett bästa fall. En telefon, en Raspberry Pi eller en delad x86-VM kommer inte att nå dem, och inget i utgåvan säger vad som kommer att nås i stället.

Sesames CSM använder Kyutais Mimi-codec vid 24 kHz, med en Llama-stomme som förutsäger den första kodboken och en mindre djupavkodare som förutsäger resten. Designmålet är uttrycksfull syntes från ett kort referensklipp, och appens rykte tyder på att det fungerar. Klyftan mellan CSM-1B och produktionsrösten är hela argumentet: arkitekturen är offentlig, finjusteringen som får den att låta som Sesame är det inte.

Vad det innebär för den som bygger är enkelt. Liquid ger dig hela pipelinen och en licens; utvärderingen står du för. Sesame ger dig en forskningsartefakt och en demo; produkten står du för, och du kan inte lägga demon i den.

Där de två faktiskt överlappar varandra

Det finns exakt en överlappning, och det är röstutdata. Båda kan tala. Skillnaderna inom den överlappningen är praktiska:

• Språk — LFM3-Audio-2B uppger sig ha 18 språk fördelade på 19 språkvarianter, med starkast översättning till eller från engelska. Sesame Preview är officiellt endast på engelska; appens egen vägledning listar franska, italienska, tyska, spanska, kinesiska, japanska och koreanska som "tidiga". CSM-1B är endast på engelska.

• Röststyrning – LFM3-Audio-2B: promptvald röst, inget publicerat kloningsarbetsflöde i kortet. CSM-1B: kloning från ett referensklipp på 10–15 sekunder, vilket är dess huvudfunktion.

• Konversation — LFM3-Audio-2B: förfrågan-och-svar med streaming; inget påstående om barge-in. Sesame Preview: byggd kring tvekan, avbrott och turtagning, vilket är den kvalitet som gav den dess rykte.

• Vad du kan köra — LFM3-Audio-2B: 2,1 GB, kan köras på CPU, offline. Sesame: en app, online, med en samtalsgräns.

Om din produkt behöver en röst som kan avbrytas är detta inte en nära jämförelse: Sesame har beteendet, och Liquid gör inte anspråk på det. Om din produkt behöver en röst på svenska eller nederländska, eller behöver köras utan nätverk, kan Sesame inte hjälpa till och LFM3-Audio-2B kan.

Vad en router kan och inte kan göra här

Ingen av modellerna finns på OrcaRouter, och det är värt att vara exakt om varför det vanliga routingargumentet inte når talskiktet. LFM3-Audio-2B är en checkpoint som du kör själv; Sesame Preview är en app. Det finns ingen hostad ljudendpunkt för någon av dem att växla över mellan.

Lagret ovanför dem är där routing gör nytta. En röstprodukt som bygger på endera modellen skickar fortfarande arbete till textmodeller – sammanfattar ett samtal, extraherar en bokning, beslutar nästa fråga – och det är i den delegeringen som kostnadsvariation och leverantörsavbrott uppstår. OrcaRouter tillhandahåller fler än 200 text- och multimodala modeller bakom en enda nyckel till leverantörens listpris utan påslag, med automatisk failover och ett routnings-DSL som kan sätta samman flera modeller till ett enda anrop. Det låter dig också köra modellfusion när en enskild modells omdöme inte räcker till. För ett team som prototypar en röstloop innebär det att textdelen kan bytas ut och jämföras utan att röra ljudintegrationen.

Beslutet

Om du håller på att kalibrera smaken – bestämmer hur mycket värme din produkt ska förmedla, hur lång en paus kan vara och fortfarande kännas behaglig, hur snabbt en agent bör lämna över ordet – är Sesame Preview gratis, genuint utmärkt och rätt ställe att tillbringa en eftermiddag på. Använd det som referens. Planera inte en integration kring det, för det finns inget att integrera med.

Om du ska driftsätta är LFM3-Audio-2B en verklig kandidat med verkliga förbehåll: siffror endast från leverantören, live-ASR endast på engelska, ett 32K-kontext och en licenströskel att hålla ögonen på. Testa den på dina egna inspelningar innan du tror på UTMOS-vinsten, och testa talutdata på de språk du faktiskt behöver i stället för att lita på antalet språkversioner.

Det som skulle förändra bilden är en konkret sak. Ett Sesame-API för produktionsrösten skulle över en natt göra den till den starkaste kandidaten i kategorin. Ett oberoende UTMOS- eller preferenstest för LFM3-Audio-2B skulle visa om 3,83 är ett verkligt steg mot naturligt tal eller en siffra uppmätt mot en svag föregångare. Tills ett av dessa blir verklighet är den korrekta sammanfattningen att en av dessa är en produkt du kan beundra och den andra är en modell du kan äga – och bara ett av dem är ett beslut du kan agera utifrån den här veckan.