LFM3-Audio-2B vs Sesame Preview: การดาวน์โหลดกับแอปไม่ใช่ทางเลือกเดียวกัน

Sesame Preview คือเสียงที่ผู้คนบรรยายว่าฟังดูเป็นมนุษย์ LFM3-Audio-2B เป็นเช็กพอยต์ขนาด 2B ที่คุณดาวน์โหลดและรันบนแล็ปท็อปได้ เมื่อนำทั้งสองมาไว้ในประโยคเดียวกัน สิ่งที่มีประโยชน์ก็จะเกิดขึ้น: การเปรียบเทียบจะไม่ใช่เรื่องของตัวไหนฟังดูดีกว่าอีกต่อไป และกลายเป็นคำถามแยกกันสองข้อ — คุณปล่อยมันออกสู่ตลาดได้หรือไม่ และคุณวัดผลมันได้หรือไม่? Sesame Preview ตกข้อแรก LFM3-Audio-2B ซึ่ง Liquid AI เปิดตัวเมื่อวันที่ 27 ตุลาคม 2026 ภายในตระกูล LFM3 ที่มีหกโมเดล ตกข้อที่สอง การที่ตกกันคนละข้อไม่ใช่เรื่องอื้อฉาว ทั้งสองเป็นผลิตภัณฑ์คนละประเภท และทีมส่วนใหญ่จะรู้ว่าตัวเองต้องการอันไหนก็ต่อเมื่อเริ่มลงมือสร้างแล้วเท่านั้น

ความไม่สมมาตรนี้ควรกล่าวอย่างตรงไปตรงมาก่อนลงรายละเอียด เสียงระดับโปรดักชันของ Sesame ไม่มี API ไม่มี model ID และไม่มีแพ็กเกจสำหรับองค์กร มันอยู่ในแอป iOS และ Android ที่มีเอเจนต์ที่ตั้งชื่อไว้สี่ตัว มีระบบความจำ มีคอนเนกเตอร์ และตั้งแต่เดือนตุลาคมเป็นต้นมา ยังมีความสามารถในการออร์เคสเตรตเอเจนต์อื่นได้ ส่วน LFM3-Audio-2B ไม่มีแอปเลย มันมีเวต มีการ์ดโมเดล มีพูลรีเควสต์ของ llama.cpp ที่ merge แล้ว และมีบิลด์ Ollama ขนาด 2.1 GB อันหนึ่งเป็นที่ให้คุณใช้เวลาสักบ่าย อีกอันเป็นไฟล์ที่คุณใส่ลงในผลิตภัณฑ์ได้

คำถามข้อหนึ่ง: คุณจัดส่งได้ไหม

สำหรับ LFM3-Audio-2B คำตอบคือใช่ แต่มีข้อแม้ LFM Open License v1.0 อนุญาตให้ใช้เชิงพาณิชย์ได้เมื่อรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์ และต้องมีสัญญาอนุญาตแบบเสียค่าใช้จ่ายเมื่อสูงกว่านั้น เวตต์อยู่บน Hugging Face; เส้นทาง Python ใช้ Transformers 5.20.2 หรือใหม่กว่าพร้อม trust_remote_code; llama.cpp ได้รวมการรองรับใน PR #31257; MLX 4-bit รองรับ Apple silicon; ONNX Runtime รองรับความสามารถในการพอร์ต อินพุตเป็นข้อความหรือเสียง 16 kHz เอาต์พุตเป็นข้อความ เสียงพูด 24 kHz หรือข้อความและเสียงพูดสลับกัน คอนเท็กซ์มี 32K โทเค็น ครอบคลุมทั้งสองทิศทาง — ไม่ใช่ตัวเลข 256K ซึ่งเป็นของโมเดลข้อความ — และโมเดลระบุ 18 ภาษาครอบ 19 โลแคล โดย ASR แบบเรียลไทม์รองรับเฉพาะภาษาอังกฤษ

สำหรับ Sesame Preview คำตอบคือไม่ และเหตุผลเป็นเรื่องเชิงโครงสร้างมากกว่าเชิงพาณิชย์ ไม่มี endpoint สำหรับเสียงเวอร์ชันใช้งานจริง ไม่มีราคา เพราะไม่มีอะไรให้ซื้อ แอปนี้ใช้ฟรี การโทรมีเพดานที่ 30 นาที ซึ่งจะลดลงเหลือห้านาทีเมื่อออกจากระบบ และเอเจนต์ทั้งสี่คือตัวผลิตภัณฑ์ หากคุณต้องการพฤติกรรมแบบที่ Sesame มีในแอปพลิเคชันของคุณเอง คุณจะไม่ได้มันมา

สิ่งที่ Sesame เปิดตัวคือ CSM-1B ซึ่งเป็น checkpoint สำหรับงานวิจัยภายใต้ Apache-2.0 มันเป็นบล็อกสำหรับการสังเคราะห์เสียง ไม่ใช่ผู้ช่วย: โครงหลัง Llama ทำนาย Mimi codebook แรก และตัวถอดรหัสที่เล็กกว่าทำนายส่วนที่เหลือ โดยเรนเดอร์ผ่าน Mimi codec ที่ 24 kHz มันรองรับเฉพาะภาษาอังกฤษ โคลนเสียงจากคลิปอ้างอิงความยาว 10 ถึง 15 วินาที และไม่สามารถสร้างข้อความได้ — คุณต้องจับคู่มันกับโมเดลภาษา การ์ดบน Hugging Face ของมันพูดตรง ๆ ถึงส่วนที่มักไม่ค่อยมีใครพูดถึง: variant ที่ผ่านการ fine-tune ของ CSM ขับเคลื่อนเดโมแบบอินเทอร์แอกทีฟ และ variant นั้นไม่ใช่ checkpoint ที่คุณดาวน์โหลดได้ การ์ดนี้มีการดาวน์โหลดราว 130,000 ครั้งในเดือนที่ผ่านมา และถูกใจราว 2,500 ครั้ง ซึ่งบอกคุณว่าผู้คนกำลังทดลองกับมัน แต่มันไม่ได้บอกคุณว่าพวกเขาได้เสียงนั้นมาจากแอป

คำถามข้อสอง: คุณวัดมันได้ไหม

LFM3-Audio-2B เผยแพร่ตารางจากผู้จำหน่ายหกแถว โดยเทียบทั้งหมดกับ LFM2.5-Audio-1.5B และไม่ได้ระบุชุดทดสอบหรือฮาร์เนสที่ใช้ แถวที่สำคัญตรงนี้คือ English TTS UTMOSv2 ที่ 3.83 เทียบกับ 3.22, VoiceBench ที่ 73.13 เทียบกับ 55.17, ความเข้าใจเสียง MMAR ที่ 50.60 เทียบกับ 25.85, English ASR WER ที่ 6.23 เทียบกับ 6.13, WER/CER หลายภาษา ที่ 6.03 และการประเมิน tool-calling ภายในที่ 58.50 การขยับของ UTMOS นั้นมาก — 0.6 คะแนนบนสเกลที่โดยปกติ 4.0 ถือว่าใกล้ระดับมนุษย์ — และแถว ASR นั้นนิ่ง ซึ่งเป็นสิ่งที่น่าเชื่อถือที่สุดในตาราง: ผู้จำหน่ายที่รายงานว่าไม่มีการปรับปรุงในแกนหนึ่งอย่างน้อยก็ไม่ได้ปรับแต่งตารางเพื่อเล่าเรื่อง

ไม่มีส่วนใดมีพยานอิสระ เราไม่พบการทำซ้ำโดยบุคคลที่สามสำหรับแถวใด ๆ และตัวเลขเหล่านั้นเปรียบเทียบโมเดลกับรุ่นก่อนของตัวเอง ไม่ได้เปรียบเทียบกับคู่แข่งในตลาด เมื่อเทียบกับรายการอื่นในตารางของ Liquid เอง LFM3-Audio-2B เป็นโมเดลเล็กที่ดี แต่ไม่ใช่ผู้นำ: Voxtral Mini 3B ทำได้ 5.51 WER และ NVIDIA Audex 2B ทำได้ 5.99, Qwen2.5-Omni 3B ได้คะแนนความเข้าใจเสียง 54.41 และ Gemma 4 E4B ได้คะแนนการเรียกใช้เครื่องมือ 72.40

Sesame Preview ไม่มีตัวเลขที่เทียบเคียงได้เลย คำกล่าวอ้างเรื่องคุณภาพของมันเป็นเพียงความรู้สึกจากการฟัง ซึ่งแรงพอจนกลายเป็นจุดอ้างอิงสำหรับเสียงสนทนาในปี 2026 และเป็นสิ่งที่บุคคลที่สามไม่เคยให้คะแนนกับโมเดลที่ใช้งานจริง นั่นไม่ใช่หลักฐานว่าเสียงแย่ แต่เป็นหลักฐานว่าสิ่งที่ทุกคนยกย่องคือสิ่งเดียวในการเปรียบเทียบครั้งนี้ที่ไม่มีใครวัดได้

การกลับด้านนี้เป็นส่วนที่หายาก โดยปกติผลิตภัณฑ์แบบปิดคือสิ่งที่มักมีประวัติผลงานที่พิสูจน์แล้ว และเช็กพอยต์แบบเปิดคือสิ่งที่ยังไม่มีใครประเมิน ตรงนี้โมเดลแบบเปิดเป็นเพียงสิ่งเดียวที่คุณประเมินได้ และผลิตภัณฑ์แบบปิดเป็นเพียงสิ่งเดียวที่มีฐานผู้ใช้จริง ทั้งสองข้อความเป็นจริงพร้อมกัน และไม่มีข้อใดตัดสินได้ว่าเสียงนั้นดีหรือไม่

โคเดกสองตัว เดิมพันการออกแบบสองทาง

ความแตกต่างเชิงเทคนิคที่มากที่สุดระหว่างระบบเหล่านี้ก็เป็นสิ่งที่น่าสนใจที่สุดเช่นกัน เพราะทั้งสองบริษัทต่างเดิมพันกับโคเดก และการเดิมพันนั้นชี้ไปในทิศทางที่ตรงกันข้าม

LiquidCodec อัดเสียงพูด 80 ms ให้เหลือ 12 โทเค็นแบบไม่ต่อเนื่อง และถอดรหัสกลับเป็น 24 kHz พร้อมรองรับการสตรีมming Liquid วัดได้ประมาณ 87 เท่าของเวลาจริงบน CPU หนึ่งเธรดของ M4 Max และตัวเข้ารหัสเสียงแบบ causal คือสิ่งที่ทำให้สามารถ prefill ขณะที่คนยังพูดอยู่ — ซึ่งเป็นที่มาของคำกล่าวอ้างเรื่อง time-to-first-token ที่ "ต่ำถึง 50 ms" ตัวเลขสองค่านี้เป็นการวัดโดยผู้ขายบนฮาร์ดแวร์ Apple ที่ระบุชื่อ โดยไม่มีฮาร์เนสและไม่มีเปอร์เซ็นไทล์ ทั้งสองอธิบายกรณีที่ดีที่สุด โทรศัพท์ Raspberry Pi หรือ x86 VM ที่ใช้ร่วมกันจะไม่ได้ตัวเลขเหล่านั้น และไม่มีสิ่งใดในรีลีสที่ระบุว่าจะได้ตัวเลขใดแทน

CSM ของ Sesame ใช้โคเด็ก Mimi ของ Kyutai ที่ 24 kHz โดยมีแกนหลัก Llama ที่ทำนายโค้ดบุ๊กแรก และตัวถอดรหัสความลึกที่เล็กกว่าซึ่งทำนายส่วนที่เหลือ เป้าหมายการออกแบบคือการสังเคราะห์ที่แสดงออกได้จากคลิปอ้างอิงสั้น ๆ และชื่อเสียงของแอปบ่งชี้ว่ามันได้ผล ช่องว่างระหว่าง CSM-1B กับเสียงเวอร์ชันโปรดักชันคือประเด็นทั้งหมด: สถาปัตยกรรมเปิดเผยต่อสาธารณะ แต่การไฟน์ทูนที่ทำให้มันฟังดูเหมือน Sesame ไม่ได้เปิดเผย

สิ่งที่หมายถึงสำหรับนักพัฒนานั้นง่ายมาก Liquid มอบไปป์ไลน์แบบครบวงจรและใบอนุญาตให้คุณ คุณต้องจัดหาส่วนการประเมินเอง Sesame มอบชิ้นงานวิจัยและเดโมให้คุณ คุณต้องสร้างผลิตภัณฑ์เอง และคุณไม่สามารถนำเดโมนั้นไปใส่ไว้ในผลิตภัณฑ์ได้

ตรงจุดที่ทั้งสองทับซ้อนกันจริง ๆ

มีจุดทับซ้อนกันอยู่เพียงจุดเดียว และนั่นคือเอาต์พุตเสียง ทั้งสองอย่างสามารถพูดได้ ความแตกต่างภายในจุดทับซ้อนนั้นเป็นเรื่องในทางปฏิบัติ:

• ภาษา — LFM3-Audio-2B อ้างว่ารองรับ 18 ภาษาใน 19 โลแคล โดยการแปลจะแข็งแกร่งที่สุดเมื่อแปลไปหรือมาจากภาษาอังกฤษ Sesame Preview เป็นภาษาอังกฤษเท่านั้นอย่างเป็นทางการ ส่วนคำแนะนำของแอปเองระบุว่าภาษาฝรั่งเศส อิตาลี เยอรมัน สเปน จีน ญี่ปุ่น และเกาหลีอยู่ในระยะ "early" CSM-1B เป็นภาษาอังกฤษเท่านั้น

• การควบคุมด้วยเสียง — LFM3-Audio-2B: เลือกเสียงผ่านพรอมต์ ไม่มีเวิร์กโฟลว์การโคลนเสียงที่เผยแพร่ในการ์ด CSM-1B: การโคลนจากคลิปอ้างอิงความยาว 10–15 วินาที ซึ่งเป็นคุณสมบัติหลักของมัน

• บทสนทนา — LFM3-Audio-2B: การร้องขอและการตอบสนองพร้อมสตรีมมิ่ง; ไม่ได้อ้างว่าสามารถพูดแทรกได้ Sesame Preview: ออกแบบโดยเน้นความลังเล การขัดจังหวะ และการผลัดกันพูด ซึ่งเป็นคุณสมบัติที่สร้างชื่อเสียงให้

• สิ่งที่คุณสามารถรันได้ — LFM3-Audio-2B: 2.1 GB, ทำงานบน CPU ได้, ออฟไลน์. Sesame: แอป, ออนไลน์, มีขีดจำกัดจำนวนการเรียก

หากผลิตภัณฑ์ของคุณต้องการเสียงที่สามารถถูกขัดจังหวะได้ นี่ไม่ใช่การเปรียบเทียบที่สูสีกัน: {{1}}Sesame มีพฤติกรรมนี้ และ Liquid ไม่ได้อ้างว่ามี{{/1}} หากผลิตภัณฑ์ของคุณต้องการเสียงในภาษาสวีเดนหรือดัตช์ หรือต้องการทำงานโดยไม่ต้องใช้เครือข่าย {{2}}Sesame ช่วยไม่ได้ แต่ LFM3-Audio-2B ช่วยได้{{/2}}

เราเตอร์สามารถทำอะไรได้และทำอะไรไม่ได้ที่นี่

โมเดลทั้งสองไม่ได้อยู่บน OrcaRouter และควรพูดให้ชัดเจนว่าทำไมข้อเสนอเรื่องการกำหนดเส้นทางแบบปกติจึงไปไม่ถึงชั้นเสียง LFM3-Audio-2B คือเช็กพอยต์ที่คุณรันเอง ส่วน Sesame Preview คือแอป จึงไม่มีเอนด์พอยต์เสียงแบบโฮสต์ของทั้งสองตัวให้สลับไปมาระหว่างกันได้

เลเยอร์ที่อยู่เหนือขึ้นไปคือจุดที่การจัดเส้นทางพิสูจน์คุณค่าของตัวเอง ผลิตภัณฑ์ด้านเสียงที่สร้างบนโมเดลใดก็ตามยังต้องส่งงานต่อให้โมเดลข้อความ ไม่ว่าจะเป็นการสรุปบทสนทนา การดึงข้อมูลการจอง หรือการตัดสินใจว่าจะถามอะไรต่อไป และการมอบหมายงานนี้เองคือที่มาของความแปรปรวนด้านต้นทุนและเหตุขัดข้องของผู้ให้บริการ OrcaRouter ให้บริการ โมเดลข้อความและมัลติโมดัลกว่า 200 โมเดลภายใต้คีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม พร้อมระบบสลับไปใช้ผู้ให้บริการสำรองอัตโนมัติ และ DSL สำหรับการจัดเส้นทางที่ประกอบหลายโมเดลเข้าเป็นการเรียกครั้งเดียวได้ อีกทั้งยังให้คุณรันการหลอมรวมโมเดลได้เมื่อการตัดสินใจของโมเดลเดียวไม่เพียงพอ สำหรับทีมที่กำลังสร้างต้นแบบลูปเสียง นั่นหมายความว่าสามารถสลับและเปรียบเทียบครึ่งที่เป็นข้อความได้โดยไม่ต้องแตะการเชื่อมต่อส่วนเสียง

การตัดสินใจ

หากคุณกำลังปรับเทียบรสนิยม — ตัดสินใจว่าผลิตภัณฑ์ของคุณควรมีความอบอุ่นมากแค่ไหน ช่วงหยุดนานแค่ไหนจึงจะรู้สึกสบาย และเอเจนต์ควรปล่อยให้อีกฝ่ายได้พูดต่อเร็วเพียงใด — Sesame Preview นั้นฟรี ดีเยี่ยมจริง ๆ และเป็นที่ที่เหมาะจะใช้เวลาสักบ่าย ใช้มันเป็นข้อมูลอ้างอิง อย่าวางแผนสร้างการผสานรวมโดยอิงกับมัน เพราะไม่มีอะไรให้ผสานรวมด้วย

หากคุณกำลังนำไปใช้งานจริง LFM3-Audio-2B ถือเป็นตัวเลือกที่น่าสนใจจริงพร้อมข้อควรระวังจริง ๆ ได้แก่ ตัวเลขที่มาจากผู้ขายเท่านั้น, ASR แบบเรียลไทม์ที่รองรับเฉพาะภาษาอังกฤษ, คอนเท็กซ์ 32K และเกณฑ์สิทธิ์การใช้งานที่ต้องจับตา ทดสอบกับไฟล์บันทึกของคุณเองก่อนจะเชื่อในผลตอบแทนจาก UTMOS และทดสอบเอาต์พุตเสียงในภาษาที่คุณต้องการใช้จริง แทนที่จะเชื่อจำนวน locale

สิ่งที่จะเปลี่ยนภาพรวมนี้ต้องเฉพาะเจาะจง Sesame API สำหรับ voice ระดับโปรดักชันจะทำให้มันกลายเป็นตัวเลือกที่แข็งแกร่งที่สุดในหมวดหมู่นี้ทันที ส่วนการทดสอบ UTMOS หรือ preference test ที่เป็นอิสระสำหรับ LFM3-Audio-2B จะบอกคุณว่า 3.83 เป็นก้าวที่แท้จริงไปสู่เสียงพูดที่เป็นธรรมชาติ หรือเป็นเพียงตัวเลขที่วัดเทียบกับรุ่นก่อนที่อ่อนแอ จนกว่าหนึ่งในนั้นจะเกิดขึ้น สรุปที่ถูกต้องคือ หนึ่งในนั้นเป็นผลิตภัณฑ์ที่คุณชื่นชมได้ และอีกอันเป็นโมเดลที่คุณเป็นเจ้าของได้ — และมีเพียงหนึ่งเดียวเท่านั้นที่เป็นการตัดสินใจที่คุณลงมือทำได้ในสัปดาห์นี้