Ming-3.0-audio-tiny vs Sesame Preview: ตัวหนึ่งพูดได้แต่จะไม่ถูกให้คะแนน ส่วนอีกตัวพูดเป็นอาชีพ

สิ่งแปลกเกี่ยวกับการวางMing-3.0-audio-tinyไว้ข้างSesame Previewก็คือ แกนที่ชัดเจนที่สุด — คุณภาพเสียง — กลับเป็นแกนที่ทั้งสองฝ่ายไม่ยอมให้คุณวัดได้ Ming-3.0-audio-tiny มาพร้อมเครื่องสร้างเสียงพูด: Talker ขนาด 1.4 GB, VAE ขนาด 1.6 GB, ตัวเข้ารหัสผู้พูด CAM++, เสียงที่ตั้งชื่อไว้สามเสียง และเส้นทางการโคลนเสียงจากคลิปอ้างอิง และผู้จำหน่ายของมันไม่เผยแพร่เกณฑ์มาตรฐานการแปลงข้อความเป็นเสียงพูดสำหรับสิ่งใดในนั้นเลย ภาพการประเมินสามภาพในที่เก็บโค้ดครอบคลุมการรู้จำ ความเข้าใจเสียง และข้อความ ไม่มีแถวความคล้ายของผู้พูด ไม่มีแถวอัตราคำผิดสำหรับเสียงพูดสังเคราะห์ ไม่มีอะไรเลย Sesame Preview เป็นภาพสะท้อนกลับ: ผลิตภัณฑ์ที่ชื่อเสียงทั้งหมดอยู่ที่เสียงของมัน โดยไม่มีตัวระบุโมเดล ไม่มี API และไม่มีคะแนนผูกกับเสียงในแอป ความล้มเหลวของ AI และเหตุการณ์ของเอเจนต์ที่มีเอกสารบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวแบบนี้ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive ซึ่งแต่ละรายการมีแหล่งที่มาของตัวเอง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะถูกโต้แย้ง

ทั้งสองเงียบไปในทิศทางเดียวกันและด้วยเหตุผลที่ต่างกัน และนั่นคือจุดเริ่มต้นที่ซื่อตรง Ming-3.0-audio-tiny คือเช็กพอยต์ที่คุณดาวน์โหลดได้ โดยน้ำหนักโมเดลอยู่บน Hugging Face ตั้งแต่ 3 กันยายน 2026 และสิ่งที่เปลี่ยนไประหว่างวันที่ 16 ถึง 19 ตุลาคมคือเอกสารโดยรอบตัวมัน ได้แก่ คอนฟิกที่แก้ไขแล้ว โครงสร้างต้นไม้ Talker พรีเซ็ตเสียง โปรไฟล์การดีพลอย และในวันที่ 19 ตุลาคมก็มีการ์ดโมเดลฉบับแรก Sesame Preview คือแอปที่คุณพูดคุยด้วย ได้รับการอัปเดตต่อสาธารณะ บริษัทอธิบายด้วยคำของตัวเอง และไม่เคยถูกลดทอนให้เหลือเป็นไฟล์ ตัวหนึ่งไม่ถูกวัดเพราะผู้ขายเลือกที่จะไม่วัดมัน ส่วนอีกตัววัดไม่ได้เพราะไม่มีอะไรให้รัน

เส้นทางการพูดของโมเดลขนาดเล็กนั้นจริง ๆ แล้วคืออะไร

มันเป็นส่วนเสริม ไม่ใช่ตัวโมเดล The Thinker — 17.74 GB กระจายอยู่ในสองชาร์ด พารามิเตอร์รวม 9.3B และพารามิเตอร์ที่ใช้งาน 2.7B — อ่านเสียงและเขียนข้อความ The Talker เป็นโปรเซสที่สองที่เปลี่ยน hidden state ของ The Thinker ให้เป็นเสียงพูด และการติดตั้งอ้างอิงให้ GPU ของตัวเอง โปรไฟล์ข้อความทำงานบน devices: "0"ด้วย tensor parallelism เท่ากับหนึ่ง; โปรไฟล์เสียงเต็มวาง The Thinker บน GPU 0 ที่ 0.78 ของการ์ด และ The Talker บน GPU 1 ที่ 0.18 โปรไฟล์ SGLang เป็นข้อความเท่านั้น และการ์ดระบุไว้อย่างชัดเจน

• เสียง — ค่าเริ่มต้นของ vLLM-Omni คือเสียง IP ที่มีมาในตัวชื่อ 灵小柔; รีโพซิทอรีนี้ยังมาพร้อมกับ 灵楷 และ US_James เป็นเสียงอ้างอิงที่ตั้งไว้ล่วงหน้าภายใต้ voice_presets/voice_audio/ โดยมีข้อความถอดเสียงที่ตรงกันใน voice_prompts.json.

• การโคลนเสียง — ไฟล์ WAV อ้างอิงพร้อมข้อความถอดเสียงที่ตรงกันทุกคำ การ์ดเตือนว่าคุณไม่สามารถรวมการเลือกเสียงในตัวกับคลิปอ้างอิงไว้ในคำขอเดียวได้

• ภาษา — จีนและอังกฤษ “รวมถึงสำเนียงและภาษาถิ่นที่หลากหลาย” โดยไม่มีรายการภาษาแยกต่างหากสำหรับ Talker ไม่มีการระบุไว้ที่ใดว่า Talker พูดภาษาอังกฤษด้วยสำเนียงอเมริกันได้ดีเท่ากับที่อ่านได้หรือไม่

• สัญญาอนุญาต — MIT ครอบคลุมน้ำหนักโมเดล; พรีเซ็ตเสียงคือส่วนที่ต้องอ่านอย่างละเอียด เพราะคลิปอ้างอิงมีสิทธิ์ใด ๆ ที่ผู้พูดของคลิปนั้นมีอยู่ ทั้งนี้ repository ไม่ได้มีข้อกำหนดแยกต่างหากสำหรับเสียงสองเสียงที่บันเดิลมาด้วย

• หลักฐาน — ไม่มีสำหรับเส้นทางเสียงพูด ตัวเลขด้านการรู้จำและการให้เหตุผลเป็นของ inclusionAI เอง ส่วนฝั่งการสังเคราะห์นั้นไม่มีตัวเลขที่เผยแพร่เลยแม้แต่ตัวเดียว

ประโยคสุดท้ายนั่นแหละคือเหตุผลที่การเปรียบเทียบนี้มีข้อสรุปน้อย ผู้ขายที่วัด ASR ของตนถึงทศนิยมสองตำแหน่ง แต่ไม่เผยแพร่ข้อมูลใด ๆ เกี่ยวกับ TTS ของตน ได้บอกคุณแล้วว่าตนมั่นใจในครึ่งไหนของโมเดล

ฝั่งของ Sesame ในสมุดบัญชีเล่มเดียวกัน

จุดยืนต่อสาธารณะของ Sesame กลับกันตรงข้าม: เสียงที่ดีพอจนผู้คนคิดว่ามีมนุษย์อยู่ในสาย ซึ่งส่งมอบผ่านผู้ช่วยที่มีความจำ มีตัวเชื่อมต่อ การท่องเว็บ และตั้งแต่การอัปเดตในเดือนตุลาคม 2026 ก็มีความสามารถในการประสานงานเอเจนต์อื่น ๆ บริษัทอธิบายการอัปเดตนั้นว่าเป็น Conversational Speech Model ใหม่ที่มีความสามารถในการแสดงออกและการออกเสียงดีขึ้น บริษัทไม่ได้เผยแพร่ checkpoint สำหรับมัน ไม่ได้เผยแพร่ model ID ตัวเลขความหน่วง หรือใบอนุญาต ไม่มี endpoint ดังนั้นจึงไม่มีคำขอให้ส่ง และไม่มีคำตอบให้ให้คะแนน

อาร์ติแฟกต์หนึ่งเดียวที่นักพัฒนาสามารถถือได้คือ sesame/csm-1b บน Hugging Face: Apache-2.0, ภาษาอังกฤษเท่านั้น, ประมาณ 1.1 พันล้านพารามิเตอร์, แบ็กโบนตระกูล Llama ที่ทำนายโค้ดบุ๊กเสียงชุดแรกด้วยตัวถอดรหัสความลึกที่เล็กกว่าสำหรับส่วนที่เหลือ, ถอดรหัสผ่าน Mimi codec ของ Kyutai ที่ 24 kHz เปิดตัวในเดือนมีนาคม 2025 และถูกดาวน์โหลดประมาณ 130,000 ครั้งในเดือนที่ผ่านมา พร้อมไลก์ประมาณ 2,500 ครั้ง การ์ดโมเดลระบุอย่างตรงไปตรงมาว่าเป็นโมเดลสร้างพื้นฐาน — สามารถสร้างเสียงที่หลากหลาย ไม่ได้ปรับแต่งให้เข้ากับเสียงใดเสียงหนึ่งโดยเฉพาะ และเดโมแบบอินเทอร์แอกทีฟเป็นสิ่งที่ต่อยอดขึ้นมา ไม่ใช่ตัวเช็กพอยต์เอง

พูดอย่างเป็นธรรมได้ว่า คุณสามารถรักษาสถาปัตยกรรมของ Sesame จากปี 2025 ไว้ได้ แต่คุณไม่สามารถรักษาเสียงที่ทำให้บริษัทโด่งดังในปี 2026 ไว้ได้

สองงานที่แตกต่างกันแต่ใช้คำเดียวกัน

ถอดคำว่า “audio” ออกจากคำอธิบายทั้งสองอัน แล้วความไม่สอดคล้องกันจะชัดเจนขึ้น Ming-3.0-audio-tiny เป็นโมเดลการฟังที่พูดได้ด้วย การประเมินของมันถูกครอบงำด้วยความเข้าใจ: MMAU 75.90, MMAR 67.70, MMSU 73.06, BigBenchAudio 99.20, ค่าเฉลี่ยข้อผิดพลาดระดับอักขระของ ASR ภาษาจีน 3.79, ค่าเฉลี่ยภาษาถิ่น 10.29 ตัวเลขเหล่านี้เป็นตัวเลขที่ผู้ขายเลือกเผยแพร่ และล้วนเกี่ยวกับการทำความเข้าใจ Sesame Preview เป็นผลิตภัณฑ์ที่พูดได้ซึ่งฟังได้ด้วย และชื่อเสียงของมันตั้งอยู่บนการผลัดกันพูด — การขัดจังหวะ การส่งเสียงตอบรับ และจังหวะเวลาที่ทำให้บทสนทนารู้สึกเป็นบทสนทนาเดียวกัน

สิ่งเหล่านั้นไม่ใช่ทักษะเดียวกัน และมันไม่ได้เป็นสิ่งที่ต้องแลกกัน โมเดลหนึ่งอาจเก่งมากในเรื่อง “ผู้พูดคนที่สามพูดอะไรเกี่ยวกับใบแจ้งหนี้” แต่ทำได้แค่พอใช้ในการทำให้ฟังดูเหมือนคน และกลับกันก็เป็นไปได้เช่นกัน ไม่มีอะไรในเอกสารของทั้งสองผู้ขายที่ให้คุณจัดอันดับพวกมันบนแกนเดียวกันได้ เพราะพวกเขาไม่เคยวัดแกนเดียวกัน

จุดที่ความไม่สมมาตรกัดหนักที่สุดคือการทดลองต้นทุนต่ำ ด้วย Ming-3.0-audio-tiny คุณสามารถสังเคราะห์ประโยคเดิมห้าสิบครั้ง เปลี่ยนคลิปอ้างอิง แล้วฟังได้ — ใช้เวลาบ่ายเดียว ไม่ต้องขออนุญาต ส่วนกับ Sesame Preview การทดลองที่เทียบเท่ากันคือการเปิดแอปแล้วสร้างความเห็น เพราะไม่มีตัวอย่างที่สองให้เลือกใช้

สิ่งพิมพ์ Sesame เพียงหนึ่งเดียวที่คุ้มค่าที่จะยืม

ในเดือนสิงหาคม 2026 Sesame ได้เปิดตัว TurnBench ซึ่งเป็นเบนช์มาร์กแบบเปิดสำหรับการผลัดกันพูดในบทสนทนาเสียง ประกอบด้วยข้อมูลเสียงสนทนาแบบสองคนที่มีการกำกับโดยผู้ประเมินสามรายรวมประมาณ 30 ชั่วโมง โปรโตคอลการให้คะแนนที่ยืมมาจากการวิเคราะห์บทสนทนา กระดานจัดอันดับสาธารณะ และผลลัพธ์ของระบบ 14 ระบบ โดยสร้างร่วมกับ Carnegie Mellon, Mundo AI และ Oto นี่คือสิ่งที่มีประโยชน์ที่สุดในการเปรียบเทียบครั้งนี้ และมีประโยชน์ก็เพราะมันวัดคุณภาพที่ทั้งกระดาน word-error และ preference-Elo ต่างก็มองข้ามไป

ใช้มันเป็นเครื่องมือวัดมากกว่าที่จะเป็นกระดานคะแนน แอปของ Sesame เองไม่ได้อยู่ในนั้น และ Ming-3.0-audio-tiny ก็แน่นอนว่าไม่อยู่เช่นกัน แต่หากคุณกำลังพิจารณาโมเดล tiny สำหรับการใช้งานเชิงบทสนทนาใด ๆ — และ Talker ของมันพร้อมหน้าต่าง 131,072 โทเคนทำให้การพิจารณาเช่นนั้นสมเหตุสมผล — สิ่งที่คุณควรให้คะแนนคือการจัดการการขัดจังหวะและจังหวะของ backchannel และ TurnBench ก็ให้โปรโตคอลแก่คุณในการทำเช่นนั้น แทนที่จะอาศัยความรู้สึก

ข้อสรุปนี้ทำให้ผู้ขายทั้งสองรายอึดอัด โมเดลหนึ่งอาจมีตัวสร้างเสียงพูดและบริบท 128K แต่ก็ยังแย่มากในสิ่งที่ Sesame ขึ้นชื่อ และไม่มีชุดข้อมูลใดในการเปรียบเทียบนี้ที่จะบอกคุณได้

ต้นทุน เมื่อคุณเลิกเปรียบเทียบอัตราค่าบริการ

Sesame Preview ไม่มีราคา เพราะไม่มีสินค้าที่จะขายในราคาหนึ่งได้: แอปนี้ฟรี บริษัทระบุว่าไม่ลงโฆษณาและไม่ขายข้อมูล และไม่มีแพ็กเกจระดับใดที่ประกาศไว้ Ming-3.0-audio-tiny ก็ไม่มีตารางราคาเช่นกัน แต่มีสิ่งที่ดีกว่า นั่นคือต้นทุนขั้นต่ำเชิงคำนวณ ข้อความและ ASR ทำงานบน GPU หนึ่งตัว เอาต์พุตเสียงทำงานบนสองตัว เพราะ Talker และ VAE ของมันเป็นชุดน้ำหนักชุดที่สองที่มีอุปกรณ์ของตัวเอง หากคุณต้องการเพียงครึ่งที่ใช้ฟัง การ์ดใบที่สองคือเงินที่คุณไม่ต้องจ่าย และต่างจากการสมัครสมาชิก ตรงที่มันไม่ขยายตามจำนวนประโยคที่คุณสร้าง

นั่นคือจุดเดียวที่สองสิ่งนี้เทียบกันได้จริง และเป็นการเปรียบเทียบเชิงรูปร่างมากกว่าเชิงตัวเลข นั่นคือ ค่าฮาร์ดแวร์แบบคงที่ที่คุณคาดการณ์ได้ เทียบกับผลิตภัณฑ์ฟรีที่คุณตรวจสอบเงื่อนไขไม่ได้และซื้อความจุเพิ่มไม่ได้

OrcaRouter อยู่ภายนอกทั้งสองอย่าง เราไม่ได้ให้บริการ Ming-3.0-audio-tiny — มันเป็น checkpoint ที่คุณรันเอง ไม่ใช่ endpoint ที่เราโฮสต์ — และไม่มีโมเดล Sesame ให้เราเราเตอร์ตั้งแต่แรก สิ่งที่เราเตอร์เข้าถึงได้คือครึ่งที่เป็นข้อความของไปป์ไลน์เสียง ได้แก่ บทพูด การแปล บทสรุป และตัวจำแนกที่ตัดสินว่าการบันทึกใดต้องให้คนตรวจ มากกว่า 200 โมเดลในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่มเป็นสัญญาที่สั้นกว่าสามสัญญา และการสลับเมื่อเกิดข้อขัดข้องอัตโนมัติช่วยไม่ให้งานสังเคราะห์เสียงแบบกลุ่มยาว ๆ ล้มลงเพราะผู้ให้บริการรายหนึ่งมีวันที่แย่ ทั้งหมดนั้นไม่ได้ทำให้โมเดลใดโมเดลหนึ่งทำหน้าที่เป็นเสียงได้ดีขึ้น

อะไรจะเปลี่ยนคำตอบ

สามเหตุการณ์ โดยแต่ละเหตุการณ์ตรวจสอบได้ ประการแรก การที่ inclusionAI เผยแพร่การประเมินระบบแปลงข้อความเป็นเสียงสำหรับ Ming-3.0-audio-tiny — ความเป็นธรรมชาติ ความคล้ายของผู้พูดกับคลิปอ้างอิง อัตราข้อผิดพลาดของเสียงสังเคราะห์ — จะเปลี่ยน Talker จากฟีเจอร์ที่ยังไม่ถูกวัดให้กลายเป็นตัวเลือกหนึ่ง ประการที่สอง การที่ Sesame ปล่อย checkpoint หรือ API สำหรับเสียงระดับโปรดักชันจะทำให้ชื่อเสียงของแอปสามารถทดสอบได้ และในที่สุดการเปรียบเทียบก็จะอยู่ระหว่างสองสิ่งที่รันได้จริง ประการที่สาม การที่บุคคลที่สามให้คะแนนโมเดลใดโมเดลหนึ่งบน TurnBench จะยุติคุณภาพหนึ่งเดียวที่ผู้ขายทั้งสองรายต่างอ้างถึงแต่ไม่มีรายใดเผยแพร่

จนกว่าหนึ่งในนั้นจะเปิดตัว คำอธิบายที่ถูกต้องก็ไม่หรูหราเอาเสียเลย Ming-3.0-audio-tiny เป็นโมเดลสำหรับฟังขนาด 17.74 GB พร้อมส่วนเสริมด้านเสียงพูดขนาด 3 GB ที่เป็นตัวเลือก มีค่าน้ำหนักโมเดลภายใต้ MIT มีคอนฟิกที่แก้ไขแล้ว มีการ์ดที่อายุน้อยกว่าคอนฟิกที่มันอธิบายอยู่สี่วัน และไม่มีตัวเลขที่เผยแพร่สำหรับครึ่งที่พูดได้ Sesame Preview คือเสียงที่คุณได้ยิน ชื่นชม และไม่สามารถได้รับมา การเลือกระหว่างสองสิ่งนี้ไม่ใช่การเลือกระหว่างสองโมเดล แต่เป็นการเลือกระหว่างการวัดบางสิ่งด้วยตัวเอง กับการไม่ได้รับอนุญาตให้ทำเช่นนั้น

ถ้าคุณต้องตัดสินใจในสัปดาห์นี้

สำหรับการถอดเสียง การทำความเข้าใจการบันทึกเสียงยาว หรือกรณีใดก็ตามที่ผลลัพธ์เป็นข้อความที่คุณจะนำไปแยกวิเคราะห์ Ming-3.0-audio-tiny เป็นตัวเดียวในสองตัวที่เป็นตัวเลือกที่พอจะเป็นไปได้ — กัน GPU ไว้หนึ่งตัว ใช้พรอมต์ ASR ที่ผ่านการตรวจสอบแล้วพร้อมตัวคั่นแท็บ และตั้งค่าคอนเท็กซ์ให้มีความยาวตามที่คุณต้องการจริง สำหรับประสบการณ์เสียงสำหรับผู้บริโภคที่คุณกำลังสร้างต้นแบบ Sesame คือเกณฑ์มาตรฐานที่คุณควรใช้เปรียบเทียบงานของคุณ ไม่ใช่ dependency ที่จะนำมาสร้างต่อ เพราะไม่มี dependency ให้ติดตั้ง

และสำหรับเอาต์พุตเสียงพูดของโมเดลขนาดเล็ก: ลองใช้มันก่อนที่จะวางแผนโดยอิงกับมัน GPU สองตัว คลิปอ้างอิง ทรานสคริปต์ที่ตรงกับคลิปนั้นเป๊ะ ๆ และการฟังหนึ่งชั่วโมงจะบอกคุณได้มากกว่าโฟลเดอร์ benchmark ทั้งหมด — เพราะโฟลเดอร์ benchmark ไม่มีตัวเลขแม้แต่ตัวเดียวเกี่ยวกับเรื่องนี้