Ming-3.0-audio-flash กับ Sesame Preview: ตัวหนึ่งได้ยินทุกสิ่ง ส่วนอีกตัวเพียงแค่ต้องฟังดูเป็นมนุษย์

สองตัวนี้ไม่ใช่คู่แข่งกัน Ming-3.0-audio-flash เป็นโมเดล mixture-of-experts แบบเสียง-ภาษา ขนาด 126 พันล้านพารามิเตอร์ภายใต้สัญญาอนุญาต MIT ซึ่งมีงานที่ระบุไว้ห้าประการ ได้แก่ การรู้จำเสียงพูด การทำความเข้าใจเสียงยาว การรับรู้เสียงที่ไม่ใช่คำพูดและดนตรี การให้เหตุผลด้านเสียง และ—เป็นอย่างที่ห้าซึ่งเป็นทางเลือก—การพูดตอบกลับ Sesame Preview เป็นผู้ช่วยเสียงสำหรับผู้บริโภคที่มีบุคลิกสี่แบบ มีแอป iOS และ Android และไม่มี API เลย ตัวที่สองไม่จำเป็นต้องรู้ว่าเสียงประตูกระแทกเป็นอย่างไร ตัวแรกถูกสร้างมาเพื่อสิ่งนั้นโดยเฉพาะ การนำมาเปรียบเทียบกันมีประโยชน์เพียงเพราะมันบังคับให้ถามคำถามที่การเปรียบเทียบโมเดลเสียงส่วนใหญ่มองข้าม: คุณกำลังซื้อ "หู" หรือ "ปาก" กันแน่ ความล้มเหลวของ AI และเหตุการณ์เอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวลักษณะนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิงของตัวเอง ระดับความรุนแรง ระดับความมั่นใจ และสถานะถูกโต้แย้ง

กำหนดเวลาทำให้ความไม่สอดคล้องชัดเจนยิ่งขึ้น Ming-3.0-audio-flash เปิดตัวบน Hugging Face เมื่อวันที่ 3 กันยายน 2026 โดยไม่มีการประกาศ และอยู่เฉย ๆ ตรงนั้นเป็นเวลาหกสัปดาห์ ก่อนที่โค้ดให้บริการ ตัวอย่าง และการ์ดที่เขียนใหม่จะถูกอัปโหลดระหว่างวันที่ 15 ถึง 19 ตุลาคม — รีโพซิทอรี GitHub ถูกสร้างขึ้นเมื่อวันที่ 15 และการ์ดยังคงถูกแก้ไขอยู่เมื่อวันที่ 19 รายการแสดงจำนวนดาวน์โหลด 22 ครั้ง Sesame Preview เผยแพร่สู่สาธารณะมาตั้งแต่ฤดูใบไม้ผลิ และชิ้นงานวิจัยที่ดาวน์โหลดได้ของมัน คือ CSM-1B อยู่บน Hugging Face ตั้งแต่เดือนมีนาคม 2025 โดยมีผู้ดาวน์โหลดประมาณ 130,000 ครั้งในเดือนที่แล้ว และมีไลก์ประมาณ 2,500 ครั้ง อันหนึ่งมีฐานผู้ใช้แต่ไม่มีรีโพซิทอรี อีกอันมีรีโพซิทอรีแต่ยังไม่มีผู้ใช้

แต่ละอันทำมาจากอะไร

Ming-3.0-audio-flash รวมตัวเข้ารหัสเสียงและโปรเจกเตอร์เข้ากับโครงข่ายหลักภาษาที่ใช้ mixture-of-experts และมีโมดูล Talker แบบเลือกใช้ได้ซึ่งแปลงเอาต์พุตข้อความของโมเดลให้เป็นเสียงพูด จำนวนพารามิเตอร์ทั้งหมดอยู่ที่ 126 พันล้านพารามิเตอร์ โดยเปิดใช้งาน 6.5 พันล้านพารามิเตอร์ต่อขั้นตอนการอนุมาน — แถบด้านข้างของ Hugging Face ระบุว่า 128B ซึ่งเป็นความคลาดเคลื่อนที่การ์ดไม่ได้อธิบายให้สอดคล้องกัน อินพุตประกอบด้วยเสียงและคำสั่งข้อความ เอาต์พุตเป็นข้อความ หรือข้อความพร้อมเสียงพูดสังเคราะห์ รองรับภาษาจีนและภาษาอังกฤษ โดยระบุสำเนียงและภาษาถิ่นไว้อย่างชัดเจน

Sesame Preview ไม่ได้รับการอธิบายในระดับรายละเอียดขนาดนั้นในแหล่งสาธารณะใด ๆ สิ่งที่เปิดเผยต่อสาธารณะคือตัวแอป ซึ่งเป็นอินเทอร์เฟซเสียงที่มีบุคลิกมีชื่อสี่แบบ มีหน่วยความจำ มีคอนเนกเตอร์ และตั้งแต่เดือนตุลาคม 2026 มีความสามารถในการสั่งการและประสานเอเจนต์อื่น ๆ สิ่งที่เปิดเผยต่อสาธารณะเช่นกันคือ CSM-1B เช็กพอยต์งานวิจัยของ Sesame ภายใต้ Apache-2.0 ซึ่งเป็นแบ็กโบน Llama ที่ทำนาย codebook เสียงชุดแรก และ depth decoder ขนาดเล็กกว่าที่ทำนายส่วนที่เหลือ ถอดรหัสผ่าน Mimi codec ของ Kyutai ที่ 24 kHz รองรับเฉพาะภาษาอังกฤษ การ์ดโมเดลเรียกมันว่า “a base generation model” และ Sesame ระบุไว้อย่างชัดเจนว่าเวอร์ชันอนุพันธ์ที่ผ่านการ fine-tune ของมันเป็นตัวขับเคลื่อนเดโมแบบอินเทอร์แอกทีฟ ไม่ใช่ตัวเช็กพอยต์เองที่เป็นเดโม

• สิ่งที่คุณสามารถดาวน์โหลดได้ — Ming: checkpoint ขนาด 126B แบบเต็ม, processor, tokenizer และแอสเซ็ตของ Talker. Sesame: CSM-1B ซึ่งเป็นโมเดลฐานขนาด 1B พารามิเตอร์ที่ไม่ใช่เสียงในแอป

• สิ่งที่คุณเรียกใช้ได้ — Ming: endpoint ที่เข้ากันได้กับ OpenAI บน vLLM-Omni หรือ SGLang เมื่อคุณโฮสต์มันเอง Sesame: แอปหนึ่ง ไม่มี endpoint และไม่มี model ID สำหรับเสียงในโปรดักชัน

• สิ่งที่ระบบฟัง — Ming: คำพูด ภาษาถิ่น เสียงรบกวน ผู้พูดหลายคน เสียงที่ไม่ใช่คำพูด ฉากเสียง ดนตรี Sesame: เสียงของคุณ ในการสนทนา

• สิ่งที่มันพูด — Ming: ข้อความ หรือจะเป็นเสียงพูดผ่านเสียงในตัวหรือเสียงที่โคลนจากตัวอย่างอ้างอิงก็ได้ Sesame: เสียงพูดที่สร้างมาเพื่อรองรับลมหายใจ ความลังเล และการพูดขัดจังหวะ

• ภาษา — Ming: จีนและอังกฤษ Sesame: อังกฤษอย่างเป็นทางการ; คำแนะนำของแอปเองระบุว่าฝรั่งเศส อิตาลี เยอรมัน สเปน จีน ญี่ปุ่น และเกาหลีอยู่ใน "ระยะเริ่มต้น"

• {{1}}สัญญาอนุญาต{{/1}} — Ming: MIT. Sesame: ข้อกำหนดการให้บริการของแอป; Apache-2.0 เฉพาะบนเช็กพอยต์งานวิจัยเท่านั้น

ความไม่สมมาตรของการประเมินเป็นไปอย่างสิ้นเชิง

ด้วย Ming-3.0-audio-flash คุณสามารถสร้างประโยคเดิมหนึ่งร้อยครั้งแล้วฟังมันได้ คุณสามารถป้อนการประชุมที่มีเสียงรบกวนชุดเดิมให้มันและตรวจดูข้อความถอดเสียงได้ คุณสามารถสร้างอัตราความผิดพลาดของคุณเองจากเสียงของคุณเอง และอัตราความผิดพลาดนั้นคือตัวเลขที่คุณเป็นเจ้าของ

ด้วย Sesame Preview คุณไม่สามารถสร้างสิ่งใดได้เลย ไม่มี endpoint ไม่มี checkpoint สำหรับเสียงในโปรดักชัน และไม่มี benchmark ที่เผยแพร่สำหรับเสียงนั้น คุณสามารถฟังแอปและสร้างความเห็นขึ้นมาได้ และความเห็นนั้นก็เป็นหลักฐานทั้งหมดของคุณ checkpoint งานวิจัย CSM-1B นั้นทดสอบได้ — คุณรันมัน ปรับแต่งละเอียด และวัดผลมันได้ — แต่โดยชัดเจนแล้ว มันไม่ใช่โมเดลที่อยู่เบื้องหลังเสียงที่ทำให้ Sesame โด่งดัง

นี่เป็นการเปรียบเทียบที่หาได้ยาก ซึ่งโมเดลเปิดเป็นเพียงโมเดลเดียวที่คุณประเมินได้ แม้ว่าโมเดลปิดจะเป็นเพียงโมเดลเดียวที่มีฐานผู้ใช้จริงก็ตาม การกลับด้านนี้ชวนให้ครุ่นคิด เพราะข้อโต้แย้งตามปกติมักไปในทางตรงกันข้าม: ผลิตภัณฑ์แบบปิดน่าจะเป็นสิ่งที่พิสูจน์ผลงานที่ผ่านมาได้

ตรงจุดที่ทั้งสองสัมผัสกันจริง ๆ

มีความทับซ้อนอยู่เพียงจุดเดียว และนั่นคือ Talker Ming-3.0-audio-flash สามารถสร้างเสียงพูดได้ และระบบเสียงของมันปรับแต่งได้มากกว่าแอปที่มีสี่เสียง: เส้นทาง vLLM-Omni มาพร้อมเสียง IP ในตัว ไดเรกทอรีโมเดลมีเสียงอ้างอิงที่ตั้งไว้ล่วงหน้าพร้อมทรานสคริปต์ที่ตรงกัน และคุณสามารถส่งไฟล์ WAV อ้างอิงใดก็ได้พร้อมทรานสคริปต์ที่ตรงกันทุกตัวอักษรเพื่อโคลนเสียง การสตรีมเสียงพูดพร้อมตัวชี้วัด latency มีตัวอย่างที่ใช้งานได้ เส้นทาง SGLang ไม่รองรับเสียงพูดเลย — เป็นข้อความเท่านั้น — ซึ่งควรรู้ก่อนเลือก serving stack

แต่ความสามารถในการปรับแต่งไม่เหมือนกับคุณภาพ และคลังเก็บ Ming ก็ไม่ได้เผยแพร่การประเมินคุณภาพเสียงเลยแม้แต่น้อย แผงการทดสอบมาตรฐานสามชุดของมันครอบคลุมการรู้จำเสียง ความฉลาดทางเสียง และข้อความ ไม่มีคะแนน MOS ไม่มีการทดสอบความชอบ ไม่มีการเปรียบเทียบฉันทลักษณ์เสียง ดังนั้นจุดยืนที่ตรงไปตรงมาต่อคำกล่าวที่ว่า "Ming ฟังดูดีกว่า Sesame" ก็คือยังไม่มีใครวัดผลเรื่องนี้ และผู้ที่เหมาะสมที่สุดที่จะมีความเห็น — ผู้ใช้ของ Sesame — ก็ไม่เคยได้ยิน Ming

สิ่งที่ Ming's Talker ให้คุณได้จริง ๆ และ Sesame ทำไม่ได้ คือความเป็นเจ้าของเสียง คุณมีคลิปอ้างอิงและบทถอดเสียงของคลิปนั้น แล้วโมเดลก็พูดด้วยเสียงนั้น บนฮาร์ดแวร์ของคุณ ภายใต้ MIT โดยไม่มีบุคคลที่สามเข้ามาเกี่ยวข้อง หากเสียงของผลิตภัณฑ์คุณเป็นสินทรัพย์ของแบรนด์ นี่ไม่ใช่การเปรียบเทียบฟีเจอร์ แต่เป็นสิ่งที่อยู่คนละหมวดหมู่กัน

ฮาร์ดแวร์ และเหตุใดฮาร์ดแวร์จึงเป็นตัวตัดสินเรื่องนี้เป็นส่วนใหญ่

โปรไฟล์การให้บริการอ้างอิงของ Ming-3.0-audio-flash สำหรับบริบทเต็ม 128K พร้อมเอาต์พุตเสียงพูด คือการใช้ tensor parallelism ข้าม GPU H800 ขนาด 80 GB จำนวนแปดตัว GPU สี่ตัวจะทำให้คุณได้โปรไฟล์ SGLang ที่ผ่านการตรวจสอบแล้ว แต่รองรับเฉพาะข้อความเท่านั้น รีโพซิทอรีระบุว่าโปรไฟล์แบบเสียงเต็มจะจัดสรรงบหน่วยความจำแยกต่างหากให้กับ Talker บน GPU 7

Sesame Preview ไม่มีข้อกำหนดด้านฮาร์ดแวร์ เพราะไม่มีการติดตั้งใช้งาน นั่นไม่ใช่เรื่องตลกที่ล้อเลียนมัน แต่เป็นข้อเสนอคุณค่าที่แท้จริงของมัน ทีมที่ต้องการเสียงที่สื่ออารมณ์ได้ในแอปมือถือและไม่อยากคิดเรื่อง GPU สามารถส่งมอบพฤติกรรมในรูปแบบ Sesame ผ่านผู้ให้บริการรายหนึ่งโดยไม่ต้องเห็นไฟล์ YAML เลย

การเปรียบเทียบต้นทุนที่ตามมานั้นไม่ใช่เรื่องที่สูสีกันเลย H800 แปดตัวคือการตัดสินใจลงทุนที่มีตารางค่าเสื่อมราคา ส่วนแอปหนึ่งตัวคือการดาวน์โหลด เหตุผลเดียวที่ต้องเปรียบเทียบทั้งสองก็คือทั้งคู่พูดได้ และต้นทุนของการพูดไม่ใช่ตัวแปรที่น่าสนใจ — ต้นทุนของการได้ยินต่างหากคือตัวแปรนั้น และ Sesame ไม่ได้ขายสิ่งนั้น

แต่ละอย่างเก่งกว่าจริง ๆ ในเรื่องไหน

Ming-3.0-audio-flash ทำได้ดีกว่าในทุกเรื่องที่เกี่ยวกับการทำความเข้าใจเสียงมากกว่าการสร้างเสียง การบันทึกเสียงยาว ผู้พูดหลายคน เสียงรบกวนพื้นหลัง ดนตรี ฉากเสียง คำถามเกี่ยวกับสิ่งที่พูดและวิธีการพูด การ์ดของมันเองอ้างว่าสามารถจดจำรูปแบบที่ซับซ้อนข้ามภาษาถิ่นและสำเนียงได้ แผงเกณฑ์มาตรฐานของมันดำเนินการโดยผู้ขายและไม่ผ่านการตรวจสอบ แต่ก็มีอยู่ ซึ่งมากกว่าที่คู่แข่งในการจับคู่ครั้งนี้มีให้

Sesame Preview เก่งกว่าในแง่ของการเป็นผลิตภัณฑ์ มันมีความจำ มีคอนเนกเตอร์เชื่อมต่อกับอีเมล ปฏิทิน และ Drive มีพื้นที่สำหรับการท่องเว็บและลงมือทำเป็นของตัวเอง รองรับ MCP ผ่าน OAuth และตั้งแต่เดือนตุลาคมก็มีความสามารถในการประสานงานเอเจนต์อื่น ๆ ไม่มีสิ่งใดในนั้นเป็นฟีเจอร์ของโมเดลเสียง มันคือผู้ช่วย และเสียงคืออินเทอร์เฟซ Ming ไม่มีสิ่งเหล่านั้นเลยและไม่ได้อ้างว่ามี

ยังมีข้อโต้แย้งเรื่องความหน่วง (latency) ที่ยังไม่มีใครหาข้อสรุปได้เช่นกัน ผู้ช่วยสนทนาจะอยู่หรือตายขึ้นอยู่กับการสลับผลัดกันพูด (turn-taking) — Sesame สร้างชื่อเสียงจากจังหวะการลังเลและการขัดจังหวะที่สมจริงพอจนผู้ฟังในช่วงแรกคิดว่ามีคนคุยสายอยู่จริง อินเทอร์เฟซของ Ming-3.0-audio-flash เป็นแบบร้องขอ-ตอบกลับ: ป้อนเสียงพร้อมคำสั่งเข้า แล้วได้ข้อความหรือเสียงออก มีตัวอย่างการสตรีมอยู่ แต่การสตรีมคำตอบไม่เหมือนกับการจัดการการแทรกเสียง (barge-in) และรีโพซิทอรีไม่ได้อ้างว่าสามารถสื่อสารสองทางพร้อมกัน (duplex) ได้

ถ้าคุณกำลังเลือกจริง ๆ

คุณคงไม่ได้เลือกหว่างสองตัวนี้จริงๆ และก็ควรพูดตรงๆ แบบนั้น การตัดสินใจที่สมจริงคือ "Ming-3.0-audio-flash กับ API เข้าใจเสียงแบบโฮสต์" และ "Sesame Preview กับเสียงที่แอปของคุณใช้อยู่แล้ว" การจับคู่นี้มีอยู่เพราะทั้งคู่เป็นโมเดลเสียงที่มีข่าวล่าสุด ไม่ใช่เพราะคนซื้อจะเอามาชั่งน้ำหนักเทียบกันจริงๆ

ถึงอย่างนั้น คำถามที่อยู่ติดกัน — ฉันควรโฮสต์โมเดลเสียงแบบเปิดด้วยตัวเองหรือไม่ — คือคำถามที่ทั้งสองผลิตภัณฑ์บังคับให้ต้องตอบ Ming เสนอเหตุผลสนับสนุนการเป็นเจ้าของ: MIT ตรวจสอบได้ แก้ไขได้ ไม่มีผู้ขายอยู่ในเส้นทางคำขอ Sesame เสนอเหตุผลคัดค้านการสร้างเอง: แอปที่ใช้งานได้ พร้อมความสามารถที่ทีมของคุณต้องใช้เวลาหนึ่งปีกว่าจะทำซ้ำได้ ทีมส่วนใหญ่ควรใช้เวอร์ชันโฮสต์จนกว่าเวอร์ชันโฮสต์จะทำให้พวกเขาผิดหวังในลักษณะที่พวกเขาระบุชื่อได้

บทบาทของ OrcaRouter ในการตัดสินใจนั้นมีขอบเขตแคบและควรระบุให้ชัดเจน เราไม่ได้โฮสต์ Ming-3.0-audio-flash และเราไม่ได้โฮสต์ Sesame Preview — ตัวหนึ่งเป็น checkpoint ที่คุณรันเอง อีกตัวเป็นแอป สิ่งที่เลเยอร์การกำหนดเส้นทางมอบให้คุณคือกรอบการเปรียบเทียบ: โมเดลมากกว่า 200 รายการภายใต้คีย์เดียวในราคาตามรายการของผู้ให้บริการ โดยไม่บวกเพิ่ม ดังนั้นโมเดลเสียงแบบโฮสต์ที่คุณกำลังชั่งน้ำหนักเทียบกับ Ming ที่โฮสต์เองจึงสามารถทำ A/B บนทราฟฟิกเดียวกันได้ พร้อมการ failover อัตโนมัติหากเส้นทางหนึ่งเสื่อมประสิทธิภาพ นั่นคือวิธีที่คุณจะรู้ว่าการเดิมพันด้วย GPU แปดตัวคุ้มค่าหรือไม่ โดยไม่ต้องเดิมพันก่อน

คำถามที่เปิดอยู่

Ming-3.0-audio-flash เริ่มรันได้เมื่อสี่วันก่อนและมี 22 ดาวน์โหลด การ์ดของมันถูกแก้ไขในวันที่เขียนสิ่งนี้ ตัวเลข benchmark ของมันเป็นรูปภาพ คุณภาพเสียงพูดยังไม่ได้ประเมิน และโปรไฟล์การให้บริการของมันตั้งสมมติฐานว่าใช้แร็คที่ทีมส่วนใหญ่ไม่มี ไม่มีสิ่งใดในนั้นที่ทำให้หมดสิทธิ์ — มันคือสิ่งที่สัปดาห์แรกของการเปิดตัวแบบเงียบ ๆ ดูเป็นเช่นนั้น และบทความแบบ what-we-know ในช่วงแรก ๆ คือการตอบสนองที่เหมาะสมกับมัน

ในขณะเดียวกัน Sesame Preview ยังคงทยอยปล่อยฟีเจอร์ต่าง ๆ เข้าสู่ผลิตภัณฑ์ที่ไม่มีโมเดลซึ่งเผยแพร่ต่อสาธารณะรองรับอยู่เบื้องหลัง ช่องว่างระหว่างสิ่งที่คุณได้ยินกับสิ่งที่คุณตรวจสอบได้คือเรื่องราวทั้งหมดของบริษัทนั้น และมันไม่เปลี่ยนแปลงเลยในรอบหนึ่งปี

สิ่งที่ต้องจับตาดูไม่ใช่เบนช์มาร์ก แต่คือว่าฝ่ายใดฝ่ายหนึ่งจะปิดช่องว่างของตนได้หรือไม่: Ming จะได้โอเปอเรเตอร์และตัวเลข latency หรือ Sesame จะเผยแพร่เช็กพอยต์ที่เป็นเสียงในแอปจริง ๆ อันไหนเกิดขึ้นก่อนจะบอกคุณว่าวิธีการใดในสองวิธีนี้กำลังชนะ