LFM3-Audio-2B vs Sesame Preview: Tải xuống và một ứng dụng không phải là cùng một lựa chọn

Sesame Preview là giọng nói mà người ta mô tả là giống con người. LFM3-Audio-2B là một checkpoint 2B bạn có thể tải xuống và chạy trên laptop. Đặt chúng vào cùng một câu và một điều hữu ích sẽ xảy ra: cuộc so sánh không còn là việc cái nào nghe hay hơn mà trở thành hai câu hỏi riêng biệt — bạn có thể phát hành nó không, và bạn có thể đo lường nó không? Sesame Preview không đáp ứng được câu hỏi đầu tiên. LFM3-Audio-2B, sản phẩm mà Liquid AI phát hành vào ngày 27 tháng 10 năm 2026 trong gia đình LFM3 gồm sáu mô hình, không đáp ứng được câu hỏi thứ hai. Không thất bại nào trong hai thất bại đó là bê bối. Chúng là những loại sản phẩm khác nhau, và hầu hết các nhóm chỉ nhận ra mình cần loại nào sau khi đã bắt đầu xây dựng.

Sự bất đối xứng này đáng được nói thẳng trước khi đi vào chi tiết. Giọng nói production của Sesame không có API, không có model ID và không có gói doanh nghiệp; nó sống bên trong một ứng dụng iOS và Android với bốn agent có tên, bộ nhớ, connector và, kể từ tháng Mười, khả năng điều phối các agent khác. LFM3-Audio-2B không có ứng dụng nào cả. Nó có trọng số, một model card, một pull request llama.cpp đã được merge và một bản dựng Ollama 2,1 GB. Một bên là nơi để dành một buổi chiều. Bên kia là một tệp bạn có thể đưa vào sản phẩm.

Câu hỏi thứ nhất: bạn có thể giao hàng không?

Đối với LFM3-Audio-2B, câu trả lời là có, kèm theo một số lưu ý. Giấy phép Mở LFM v1.0 cho phép sử dụng thương mại khi doanh thu hằng năm dưới 10 triệu USD và yêu cầu giấy phép trả phí khi vượt mức đó. Trọng số có trên Hugging Face; Transformers 5.20.2 trở lên với trust_remote_code là hướng triển khai bằng Python; hỗ trợ cho llama.cpp đã được hợp nhất qua PR #31257; MLX 4-bit hỗ trợ Apple silicon; ONNX Runtime đảm bảo tính di động. Đầu vào là văn bản hoặc âm thanh 16 kHz, đầu ra là văn bản, giọng nói 24 kHz, hoặc văn bản và giọng nói xen kẽ. Ngữ cảnh là 32K token bao quát cả hai chiều — không phải con số 256K thuộc về mô hình văn bản — và mô hình liệt kê 18 ngôn ngữ trên 19 locale, với ASR trực tiếp chỉ hỗ trợ tiếng Anh.

Đối với Sesame Preview, câu trả lời là không, và lý do mang tính cấu trúc chứ không phải thương mại. Không có endpoint nào cho giọng nói production. Không có giá, vì chẳng có gì để mua. Ứng dụng miễn phí, các cuộc gọi chạy đến mức tối đa 30 phút, giảm còn năm phút khi đăng xuất, và bốn agent chính là sản phẩm. Nếu bạn muốn hành vi kiểu Sesame trong ứng dụng của riêng mình, bạn không thể có được.

Thứ Sesame đã phát hành là CSM-1B, một checkpoint nghiên cứu theo Apache-2.0. Đây là một khối tổng hợp, không phải trợ lý: một xương sống Llama dự đoán codebook Mimi đầu tiên và một bộ giải mã nhỏ hơn dự đoán phần còn lại, được kết xuất qua codec Mimi ở 24 kHz. Nó chỉ hỗ trợ tiếng Anh, sao chép giọng nói từ một clip tham chiếu dài 10 đến 15 giây, và không thể tạo văn bản — bạn ghép nó với một mô hình ngôn ngữ. Card Hugging Face của nó nói thẳng điều ít được nhắc đến: một biến thể đã được tinh chỉnh của CSM vận hành bản demo tương tác, và biến thể đó không phải là checkpoint bạn có thể tải xuống. Card này có khoảng 130.000 lượt tải xuống trong tháng qua và khoảng 2.500 lượt thích, điều đó cho thấy mọi người đang thử nghiệm nó. Nó không cho bạn biết rằng họ đang lấy giọng nói từ ứng dụng.

Câu hỏi thứ hai: bạn có thể đo lường nó không?

LFM3-Audio-2B công bố một bảng sáu dòng của nhà cung cấp, tất cả đều so với LFM2.5-Audio-1.5B, mà không nêu tên bộ kiểm thử hay harness nào. Những dòng đáng chú ý ở đây là TTS tiếng Anh UTMOSv2 ở mức 3,83 so với 3,22; VoiceBench ở mức 73,13 so với 55,17; hiểu âm thanh MMAR ở mức 50,60 so với 25,85; WER ASR tiếng Anh ở mức 6,23 so với 6,13; WER/CER đa ngôn ngữ ở mức 6,03; và một đánh giá gọi công cụ nội bộ ở mức 58,50. Mức tăng của UTMOS là lớn — 0,6 điểm trên thang điểm mà 4,0 thường được coi là gần mức con người — và dòng ASR thì đi ngang, đây là điều đáng tin nhất trong bảng: một nhà cung cấp báo cáo không có cải thiện trên một trục thì ít nhất cũng không tối ưu hóa bảng để phục vụ một câu chuyện.

Không có phần nào trong đó có nhân chứng độc lập. Chúng tôi không thể tìm thấy bất kỳ bản tái tạo nào từ bên thứ ba cho bất kỳ hàng nào, và các con số so sánh một mô hình với chính phiên bản tiền nhiệm của nó, chứ không so với toàn bộ các mô hình khác. So với các mục khác trong bảng của chính Liquid, LFM3-Audio-2B là một mô hình nhỏ tốt chứ không phải mô hình dẫn đầu: Voxtral Mini 3B đạt 5.51 WER và NVIDIA Audex 2B đạt 5.99, Qwen2.5-Omni 3B đạt 54.41 ở phần hiểu âm thanh, và Gemma 4 E4B đạt 72.40 ở gọi công cụ.

Sesame Preview hoàn toàn không có con số nào có thể so sánh được. Tuyên bố về chất lượng của nó là một ấn tượng khi nghe — đủ mạnh đến mức nó trở thành điểm tham chiếu cho giọng hội thoại vào năm 2026, và là thứ mà một bên thứ ba chưa từng chấm điểm cho mô hình sản xuất. Đó không phải bằng chứng cho thấy giọng nói tệ. Đó là bằng chứng rằng thứ mà mọi người ca ngợi chính là thứ duy nhất trong màn so tài này mà không ai có thể đo lường.

Sự đảo ngược này là phần hiếm gặp. Thông thường, sản phẩm đóng là thứ có thành tích đã được chứng minh, còn checkpoint mở là thứ chưa ai đánh giá. Ở đây, mô hình mở là thứ duy nhất bạn có thể đánh giá, và sản phẩm đóng là thứ duy nhất có cơ sở người dùng thực sự. Cả hai nhận định đều đúng cùng lúc, và không nhận định nào giải quyết được liệu giọng có tốt hay không.

Hai codec, hai canh bạc thiết kế

Sự khác biệt mang tính kỹ thuật nhất giữa các hệ thống này cũng là điều thú vị nhất, bởi vì cả hai công ty đều đặt cược vào một codec và những đặt cược đó hướng theo hai chiều ngược nhau.

LiquidCodec đóng gói 80 ms âm thanh thành 12 token rời rạc và giải mã trở lại 24 kHz với hỗ trợ truyền phát. Liquid đo được tốc độ khoảng 87 lần thời gian thực trên một luồng CPU duy nhất của M4 Max, và chính bộ mã hóa âm thanh nhân quả cho phép prefill trong khi người dùng vẫn đang nói — nguồn gốc của tuyên bố "thời gian đến token đầu tiên thấp nhất là 50 ms". Hai con số đó là kết quả đo của nhà cung cấp trên phần cứng Apple được nêu tên, không có harness và không có phân vị. Chúng mô tả trường hợp tốt nhất. Một chiếc điện thoại, Raspberry Pi hay VM x86 dùng chung sẽ không đạt được các con số đó, và không có nội dung nào trong bản phát hành nói rằng chúng sẽ đạt được mức nào thay thế.

CSM của Sesame sử dụng codec Mimi của Kyutai ở 24 kHz, với một backbone Llama dự đoán codebook đầu tiên và một depth decoder nhỏ hơn dự đoán phần còn lại. Mục tiêu thiết kế là tổng hợp biểu cảm từ một đoạn clip tham chiếu ngắn, và danh tiếng của ứng dụng cho thấy nó hoạt động hiệu quả. Khoảng cách giữa CSM-1B và giọng nói trong sản phẩm chính là toàn bộ lập luận: kiến trúc là công khai, còn bản fine-tune khiến nó nghe như Sesame thì không.

Điều đó có nghĩa gì đối với một người xây dựng thì rất đơn giản. Liquid cung cấp cho bạn toàn bộ pipeline và một giấy phép; bạn cung cấp phần đánh giá. Sesame cung cấp cho bạn một artifact nghiên cứu và một bản demo; bạn cung cấp sản phẩm, và bạn không thể đưa bản demo vào bên trong nó.

Nơi hai thứ thực sự trùng nhau

Có đúng một điểm trùng lặp, và đó là đầu ra giọng nói. Cả hai đều có thể nói. Những khác biệt bên trong điểm trùng lặp đó mang tính thực tiễn:

• Ngôn ngữ — LFM3-Audio-2B tuyên bố hỗ trợ 18 ngôn ngữ trên 19 vùng ngôn ngữ, với chất lượng dịch tốt nhất khi dịch sang hoặc từ tiếng Anh. Sesame Preview chính thức chỉ hỗ trợ tiếng Anh; hướng dẫn của chính ứng dụng liệt kê tiếng Pháp, Ý, Đức, Tây Ban Nha, Trung Quốc, Nhật Bản và Hàn Quốc là "thử nghiệm sớm". CSM-1B chỉ hỗ trợ tiếng Anh.

• Điều khiển giọng nói — LFM3-Audio-2B: chọn giọng bằng prompt, không có quy trình nhân bản giọng nào được công bố trong thẻ. CSM-1B: nhân bản từ một đoạn clip tham chiếu dài 10–15 giây, đây là tính năng chính của nó.

• Hội thoại — LFM3-Audio-2B: yêu cầu và phản hồi có truyền phát trực tiếp; không có tuyên bố về tính năng ngắt lời. Sesame Preview: được xây dựng xoay quanh sự ngập ngừng, ngắt lời và luân phiên lượt nói, đây chính là phẩm chất đã tạo nên danh tiếng của nó.

• Những gì bạn có thể chạy — LFM3-Audio-2B: 2,1 GB, chạy được trên CPU, ngoại tuyến. Sesame: một ứng dụng, trực tuyến, có giới hạn số lần gọi.

Nếu sản phẩm của bạn cần một giọng nói có thể bị ngắt lời, thì đây không phải là một so sánh sát nút: Sesame có hành vi này còn Liquid không tuyên bố có. Nếu sản phẩm của bạn cần một giọng nói tiếng Thụy Điển hoặc tiếng Hà Lan, hoặc cần chạy mà không có mạng, Sesame không thể đáp ứng còn LFM3-Audio-2B thì có thể.

Router có thể làm gì và không thể làm gì ở đây

Cả hai mô hình đều không có trên OrcaRouter, và đáng để nói chính xác vì sao lập luận định tuyến thông thường không chạm tới lớp giọng nói. LFM3-Audio-2B là một checkpoint bạn tự chạy; Sesame Preview là một ứng dụng. Không có endpoint âm thanh hosted nào của cả hai để chuyển đổi dự phòng qua lại.

Lớp phía trên chúng là nơi việc định tuyến thực sự phát huy giá trị. Một sản phẩm giọng nói được xây dựng trên một trong hai mô hình vẫn chuyển công việc cho các mô hình văn bản — tóm tắt cuộc gọi, trích xuất thông tin đặt chỗ, quyết định câu hỏi tiếp theo — và chính sự ủy thác đó là nơi phát sinh chênh lệch chi phí và sự cố nhà cung cấp. OrcaRouter phục vụ hơn 200 mô hình văn bản và đa phương thức sau một khóa với giá niêm yết của nhà cung cấp, không cộng thêm phụ phí, cùng tính năng chuyển đổi dự phòng tự động và một DSL định tuyến có thể kết hợp nhiều mô hình vào một lệnh gọi. Nó cũng cho phép bạn chạy hợp nhất mô hình khi phán đoán của một mô hình duy nhất là chưa đủ. Với một nhóm đang tạo nguyên mẫu vòng lặp giọng nói, điều đó có nghĩa là phần văn bản có thể được hoán đổi và so sánh mà không cần chạm vào tích hợp âm thanh.

Quyết định

Nếu bạn đang hiệu chỉnh gu — quyết định sản phẩm của mình nên ấm áp đến mức nào, một khoảng dừng dài bao lâu là thoải mái, một agent nên nhường lượt nói nhanh đến đâu — thì Sesame Preview là miễn phí, thực sự xuất sắc và là nơi đúng để bạn dành một buổi chiều. Hãy dùng nó làm tham chiếu. Đừng lên kế hoạch tích hợp xoay quanh nó, vì không có gì để tích hợp cả.

Nếu bạn đang đưa sản phẩm ra thị trường, LFM3-Audio-2B là một ứng viên thực sự với những hạn chế thực sự: số liệu chỉ do nhà cung cấp công bố, ASR trực tiếp chỉ hỗ trợ tiếng Anh, ngữ cảnh 32K và một ngưỡng giấy phép cần theo dõi. Hãy kiểm thử nó trên bản ghi âm của chính bạn trước khi tin vào mức cải thiện UTMOS, và kiểm thử đầu ra giọng nói bằng những ngôn ngữ bạn thực sự cần thay vì tin vào số lượng ngôn ngữ.

Điều có thể thay đổi cục diện này phải là một thứ cụ thể. Một API Sesame cho giọng nói production sẽ ngay lập tức biến nó thành ứng viên mạnh nhất trong phân khúc. Một bài kiểm tra UTMOS độc lập hoặc bài khảo sát sở thích cho LFM3-Audio-2B sẽ cho bạn biết liệu 3.83 là một bước tiến thực sự hướng tới giọng nói tự nhiên hay chỉ là một con số được đo so với một phiên bản tiền nhiệm yếu. Cho đến khi một trong những điều đó thành hiện thực, cách tóm tắt đúng là: một trong hai là sản phẩm bạn có thể ngưỡng mộ, còn cái kia là mô hình bạn có thể sở hữu — và chỉ một trong hai là quyết định bạn có thể thực thi ngay trong tuần này.