Ming-3.0-audio-flash vs Sesame Preview: Den ena hör allt, den andra behöver bara låta mänsklig

Dessa två är inte rivaler. Ming-3.0-audio-flash är en ljudspråklig mixture-of-experts-modell med 126 miljarder parametrar under MIT-licens, vars fem angivna uppgifter är taligenkänning, förståelse av långt ljud, uppfattning av icke-talljud och musik, ljudresonemang och – som en valfri femte – att tala tillbaka. Sesame Preview är en röstassistent för konsumenter med fyra personligheter, en iOS- och Android-app och inget API alls. Den andra behöver inte veta hur det låter när en dörr slår igen. Den första byggdes just för det. Att ställa dem sida vid sida är bara användbart eftersom det tvingar fram frågan som de flesta jämförelser av ljudmodeller hoppar över: köper du ett öra eller en mun? De dokumenterade AI-felen och agentincidenterna bakom lanseringar som denna samlas i OrcaRouter AI Incident Archive där varje post har egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.

Tidsaspekten gör missförhållandet ännu tydligare. Ming-3.0-audio-flash dök upp på Hugging Face den 3 september 2026 utan något tillkännagivande och låg där i sex veckor innan serveringskoden, exemplen och det omskrivna kortet publicerades mellan den 15 och 19 oktober – GitHub-repositoriet skapades den 15:e, och kortet redigerades fortfarande den 19:e. Listningen visar 22 nedladdningar. Sesame Preview har funnits offentligt sedan i våras, och dess nedladdningsbara forskningsartefakt, CSM-1B, har legat på Hugging Face sedan mars 2025 med ungefär 130 000 nedladdningar den senaste månaden och omkring 2 500 gillamarkeringar. Den ena har en användarbas men inget repositorium. Den andra har ett repositorium men inga användare ännu.

Vad var och en är gjord av

Ming-3.0-audio-flash kombinerar en ljudkodare och projektor med en språkryggrad med expertblandning, samt en valfri Talker-modul som omvandlar modellens textutdata till tal. Det totala antalet parametrar är 126 miljarder, varav 6,5 miljarder aktiveras per inferenssteg – Hugging Face-sidofältet anger 128B, en avvikelse som modellkortet inte reder ut. Indata är ljud plus en textinstruktion. Utdata är text, eller text med syntetiserat tal. Den hanterar kinesiska och engelska, med accenter och dialekter som uttryckligen anges.

Sesame Preview beskrivs inte på den detaljnivån någonstans offentligt. Det som är offentligt är appen: ett röstgränssnitt med fyra namngivna personligheter, minne, anslutningar och, sedan oktober 2026, förmågan att orkestrera andra agenter. Det som också är offentligt är CSM-1B, Sesames Apache-2.0-forskningscheckpoint – en Llama-stomme som förutsäger den första ljudkodboken och en mindre djupavkodare som förutsäger resten, avkodad genom Kyutais Mimi-codec vid 24 kHz, endast engelska. Modellkortet kallar den "en basgenerationsmodell", och Sesame har varit tydliga med att en finjusterad derivata av den driver den interaktiva demon snarare än att checkpointen är demon.

• Vad du kan ladda ner — Ming: den fullständiga 126B-checkpointen, processorn, tokenizern, Talker-tillgångar. Sesame: CSM-1B, en basmodell med 1B parametrar som inte är rösten i appen.

• Vad du kan anropa – Ming: en OpenAI-kompatibel endpoint på vLLM-Omni eller SGLang, när du väl har hostat den. Sesame: en app. Ingen endpoint, inget modell-ID för produktionsrösten.

• Vad den lyssnar på — Ming: tal, dialekter, brus, flera talare, icke-talsljud, akustiska scener, musik. Sesame: din röst, i en konversation.

• Vad den säger — Ming: text, eventuellt tal via inbyggda eller referensklonade röster. Sesame: tal byggt för andning, tvekan och avbrott.

Språk — Ming: kinesiska och engelska. Sesame: engelska officiellt; appens egen vägledning listar franska, italienska, tyska, spanska, kinesiska, japanska och koreanska som "tidiga".

• Licens — Ming: MIT. Sesame: appens användarvillkor; Apache-2.0 endast för forskningscheckpointen.

Utvärderingsasymmetrin är total

Med Ming-3.0-audio-flash kan du generera samma mening hundra gånger och lyssna på den. Du kan mata den med samma brusiga möte och kontrollera transkriptionen. Du kan bygga din egen felkvot på din egen ljudinspelning, och den felkvoten är ett tal som du äger.

Med Sesame Preview kan du inte generera någonting. Det finns ingen endpoint, ingen checkpoint för produktionsrösten, ingen publicerad benchmark för den. Du kan lyssna på appen och bilda dig en uppfattning, och den uppfattningen är hela ditt underlag. Forskningscheckpointen CSM-1B går att testa – du kan köra den, finjustera den, mäta den – men den är uttryckligen inte modellen bakom rösten som gjorde Sesame berömt.

Det här är den sällsynta jämförelsen där den öppna modellen är den enda du kan utvärdera, även om den slutna är den enda som har en verklig användarbas. Den omvändningen är värd att fundera över, eftersom det vanliga argumentet går i motsatt riktning: slutna produkter förväntas vara de som har dokumenterad historik.

Där de två faktiskt vidrör varandra

Det finns exakt en överlappning, och det är Talker. Ming-3.0-audio-flash kan producera tal, och dess röstberättelse är mer konfigurerbar än en app med fyra röster: vLLM-Omni-vägen levereras med inbyggda IP-röster, modellkatalogen innehåller förinställda referensröster med matchande transkript, och du kan skicka valfri referens-WAV plus dess exakta transkript för kloning. Strömmande tal med latensmått har ett fungerande exempel. SGLang-vägen hanterar inte tal alls – den är endast text – vilket är värt att veta innan du väljer serveringsstack.

Men konfigurerbarhet är inte samma sak som kvalitet, och Ming-repositoriet publicerar ingen utvärdering av talsynteskvalitet alls. Dess tre benchmarkpaneler täcker taligenkänning, ljudintelligens och text. Det finns ingen MOS-poäng, inget preferenstest, ingen prosodijämförelse. Så den ärliga ståndpunkten i frågan om att "Ming låter bättre än Sesame" är att ingen har mätt det, och de som är bäst lämpade att ha en åsikt – Sesames användare – har aldrig hört Ming.

Det som Ming's Talker ger dig som Sesame inte kan är ägande av rösten. Ett referensklipp och dess transkription, och modellen talar i den rösten, på din hårdvara, under MIT, utan att någon tredje part är inblandad. Om din produkts röst är en varumärkestillgång är det inte en funktionsjämförelse. Det är en annan kategori av sak.

Hårdvara, och varför det avgör det mesta av detta

Ming-3.0-audio-flash:s referensserveringsprofil för den fulla 128K-kontexten med talutdata är tensorparallelism över åtta H800-GPU:er med 80 GB. Fyra GPU:er ger dig en validerad SGLang-profil, men endast text. Repositoriet noterar att fulljudsprofilen ger Talker en egen minnesbudget på GPU 7.

Sesame Preview har inget hårdvarukrav eftersom det inte har någon driftsättning. Det är inte ett skämt på dess bekostnad; det är själva värdeerbjudandet. Ett team som vill ha en uttrycksfull röst i en mobilapp och inte vill behöva tänka på GPU:er kan leverera Sesame-formade beteenden via en leverantör och aldrig behöva se en YAML-fil.

Kostnadsjämförelsen som följer är inte ens nära. Åtta H800s är ett kapitalbeslut med en avskrivningsplan. En app är en nedladdning. Det enda skälet att jämföra dem är att båda kan tala, och kostnaden för att tala är inte den intressanta variabeln — det är kostnaden för att höra, och Sesame säljer inte den.

Vad var och en är genuint bättre på

Ming-3.0-audio-flash är bättre på allt som handlar om att förstå ljud snarare än att producera det. Långa inspelningar, flera talare, bakgrundsbuller, musik, akustiska scener, frågor om vad som sades och hur det sades. Dess eget kort hävdar komplex igenkänning över dialekter och accenter; dess benchmark-paneler körs av leverantören och är ogranskade, men de finns, vilket är mer än vad konkurrenterna i den här matchen erbjuder.

Sesame Preview är bättre på att vara en produkt. Den har minne, kopplingar till e-post, kalender och drive, en egen yta för surfning och agerande, MCP-stöd via OAuth och har sedan oktober kunnat orkestrera andra agenter. Inget av detta är en funktion i talmodellen; det är en assistent, och talet är gränssnittet. Ming har inget av det och gör inte anspråk på det.

Det finns också ett latensargument som ingen har avgjort. En samtalsassistent står och faller med turtagning – Sesame byggde sitt rykte på tvekan och avbrottstajming som var tillräckligt övertygande för att tidiga lyssnare skulle anta att en människa var på tråden. Ming-3.0-audio-flashs gränssnitt är förfrågan-och-svar: ljud plus en instruktion in, text eller tal ut. Det finns exempel på strömning, men att strömma ett svar är inte samma sak som att hantera barge-in, och kodförrådet gör inga anspråk på duplex.

Om du faktiskt väljer

Du väljer förmodligen inte mellan dessa två, och det är värt att säga rakt ut. De realistiska besluten är "Ming-3.0-audio-flash kontra ett hostat API för ljudförståelse" och "Sesame Preview kontra vilken röst din app än redan använder". Den här sammanställningen finns eftersom båda är ljudmodeller med färska nyheter, inte för att en köpare någonsin skulle ställa dem mot varandra.

Med det sagt är den närliggande frågan – bör jag över huvud taget självhosta en öppen ljudmodell – den som båda produkterna tvingar fram. Ming argumenterar för ägande: MIT, granskningsbar, modifierbar, ingen leverantör i anropsvägen. Sesame argumenterar mot att bygga själv: en app som fungerar, med funktioner som ditt team skulle lägga ett år på att återskapa. De flesta team bör köra den hostade versionen tills den hostade versionen sviker dem på ett sätt de kan sätta fingret på.

OrcaRouters roll i det beslutet är begränsad och värd att uttryckas exakt. Vi är inte värd för Ming-3.0-audio-flash, och vi är inte värd för Sesame Preview – den ena är en checkpoint som du kör själv, den andra är en app. Det ett routningslager ger dig är jämförelseramen: fler än 200 modeller bakom en enda nyckel till leverantörens listpris utan påslag, så de värdbaserade ljudmodeller som du faktiskt väger mot en självhostad Ming kan A/B-testas på samma trafik, med automatiskt failover om en väg försämras. Det är så du får reda på om satsningen på åtta GPU:er lönar sig, utan att först göra satsningen.

Den öppna frågan

Ming-3.0-audio-flash blev körbart för fyra dagar sedan och har 22 nedladdningar. Dess modellkort redigerades samma dag som detta skrevs. Dess benchmarksiffror är bilder, dess talkvalitet är inte utvärderad, och dess serveringsprofil förutsätter en rack som de flesta team inte har. Inget av detta är diskvalificerande – det är hur vecka ett av en tyst lansering ser ut, och tidiga "det vi vet"-artiklar är rätt svar på det.

Sesame Preview fortsätter samtidigt att släppa funktioner till en produkt utan någon publicerad modell bakom dem. Klyftan mellan det man kan höra och det man kan granska är hela historien om det företaget, och den har inte förändrats på ett år.

Det man ska hålla ögonen på är inte ett benchmark. Det är huruvida någon av sidorna sluter sitt gap: att Ming får en operatör och en latenssiffra, eller att Sesame publicerar en checkpoint som faktiskt är rösten i appen. Vilket som än händer först säger dig vilken av dessa två strategier som vinner.