Ming-3.0-audio-tiny vs Sesame Preview: Một bên có thể nói và sẽ không bị chấm điểm, bên kia nói để kiếm sống

Điều kỳ lạ khi đặt Ming-3.0-audio-tiny bên cạnh Sesame Preview là trục rõ ràng — chất lượng giọng nói — lại là thứ mà cả hai bên đều không cho bạn đo. Ming-3.0-audio-tiny phát hành một bộ tạo giọng nói: một Talker 1,4 GB, một VAE 1,6 GB, một bộ mã hóa người nói CAM++, ba giọng có tên và một đường nhân bản bằng clip tham chiếu. Và nhà cung cấp của nó không công bố điểm chuẩn chuyển văn bản thành giọng nói nào cho bất kỳ phần nào trong đó. Ba hình ảnh đánh giá trong kho bao gồm nhận dạng, trí tuệ âm thanh và văn bản. Không có hàng độ tương đồng người nói, không có hàng lỗi từ cho giọng nói tổng hợp, không có gì cả. Sesame Preview là hình ảnh phản chiếu: một sản phẩm mà toàn bộ danh tiếng nằm ở âm thanh giọng nói của nó, nhưng không có định danh mô hình, không có API và không có điểm số nào gắn với giọng nói trong ứng dụng. Những thất bại AI và sự cố tác nhân đã được ghi chép đằng sau những bản phát hành như bản này được tập hợp trong the OrcaRouter AI Incident Archive nơi mỗi mục có nguồn, mức độ nghiêm trọng, mức độ tin cậy và cờ tranh chấp riêng.

Cả hai đều im lặng theo cùng một hướng và vì những lý do khác nhau, và đó là điểm khởi đầu trung thực. Ming-3.0-audio-tiny là một checkpoint bạn có thể tải xuống — các trọng số đã có trên Hugging Face từ ngày 3 tháng 9 năm 2026, và điều thay đổi trong khoảng 16–19 tháng 10 là phần tài liệu đi kèm xung quanh chúng: một config đã được sửa, cây Talker, các preset giọng nói, các hồ sơ triển khai, và vào ngày 19 tháng 10 là model card đầu tiên. Sesame Preview là một ứng dụng bạn trò chuyện cùng, được cập nhật công khai, được công ty mô tả bằng chính lời của mình, và không bao giờ bị thu gọn thành một tệp. Một bên là chưa được đo lường vì nhà cung cấp của nó đã chọn không đo lường nó; bên còn lại là không thể đo lường vì không có gì để chạy.

Đường xử lý giọng nói của mô hình nhỏ thực chất là gì

Đây là một tệp đính kèm, không phải mô hình. Thinker — 17,74 GB trải trên hai shard, tổng cộng 9,3B tham số và 2,7B tham số hoạt động — đọc âm thanh và ghi văn bản. Talker là một tiến trình thứ hai chuyển trạng thái ẩn của Thinker thành giọng nói, và bản triển khai tham chiếu cấp cho nó một GPU riêng. Cấu hình văn bản chạy trên thiết bị: "0" với song song hóa tensor bằng một; cấu hình âm thanh đầy đủ đặt Thinker trên GPU 0 ở mức 0,78 của card và Talker trên GPU 1 ở mức 0,18. Cấu hình SGLang chỉ dành cho văn bản và card ghi rõ như vậy.

• Giọng nói — mặc định của vLLM-Omni là một giọng IP tích hợp có tên 灵小柔; kho lưu trữ cũng cung cấp 灵楷 và US_James làm giọng tham chiếu đặt trước trong voice_presets/voice_audio/, với bản ghi lời thoại tương ứng trong voice_prompts.json.

• Nhân bản — một tệp WAV tham chiếu cùng bản ghi lời chính xác của nó. Thẻ cảnh báo rằng bạn không thể kết hợp lựa chọn giọng có sẵn với clip tham chiếu trong một yêu cầu duy nhất.

• Ngôn ngữ — tiếng Trung và tiếng Anh, “bao gồm nhiều giọng và phương ngữ khác nhau”, không có danh sách ngôn ngữ riêng cho Talker. Việc nó có nói tiếng Anh bằng giọng Mỹ tốt như khi đọc tiếng Anh hay không thì không được nêu rõ ở bất kỳ đâu.

• Giấy phép — MIT áp dụng cho phần trọng số; các preset giọng nói là phần cần đọc kỹ, vì một đoạn clip tham chiếu mang theo mọi quyền mà người nói của đoạn clip đó có. Kho lưu trữ không kèm điều khoản riêng nào cho hai giọng nói được đóng gói sẵn.

• Bằng chứng — không có cho đường xử lý giọng nói. Các con số về nhận dạng và suy luận là của chính inclusionAI; phía tổng hợp không có con số công bố nào cả.

Dòng cuối cùng đó chính là lý do khiến phần so sánh này thiếu các kết luận. Một nhà cung cấp đo ASR của mình đến hai chữ số thập phân mà không công bố bất cứ điều gì về TTS của họ đã cho bạn biết họ tự tin vào nửa nào của mô hình.

Phía Sesame của cùng một cuốn sổ cái

Lập trường công khai của Sesame thì ngược lại: một giọng nói đủ tốt đến mức người ta tưởng có người thật ở đầu dây bên kia, được cung cấp qua một trợ lý có bộ nhớ, các trình kết nối, khả năng duyệt web và, kể từ bản cập nhật tháng 10 năm 2026, khả năng điều phối các tác nhân khác. Công ty mô tả bản cập nhật đó là một Conversational Speech Model mới với khả năng biểu đạt và phát âm tốt hơn. Họ không công bố checkpoint cho nó, ID mô hình, số liệu độ trễ hay giấy phép. Không có endpoint, nên không có yêu cầu nào để gửi và không có phản hồi nào để chấm điểm.

Thứ duy nhất mà một lập trình viên có thể thực sự nắm giữ là sesame/csm-1btrên Hugging Face: Apache-2.0, chỉ dành cho tiếng Anh, khoảng 1,1 tỷ tham số, một backbone thuộc họ Llama dự đoán codebook âm thanh đầu tiên cùng một bộ giải mã độ sâu nhỏ hơn cho phần còn lại, được giải mã qua codec Mimi của Kyutai ở tần số 24 kHz. Nó được đưa lên vào tháng 3 năm 2025 và đã được tải xuống khoảng 130.000 lần trong tháng qua với khoảng 2.500 lượt thích. Thẻ mô hình thẳng thắn cho biết đây là một mô hình sinh cơ bản — nó có thể tạo ra nhiều giọng nói đa dạng, nó không được tinh chỉnh cho bất kỳ giọng nào cụ thể, và bản demo tương tác là một sản phẩm phái sinh chứ không phải chính checkpoint đó.

Vậy nên cách nói công bằng là: bạn có thể giữ kiến trúc của Sesame từ năm 2025. Bạn không thể giữ giọng nói đã làm nên tên tuổi của công ty vào năm 2026.

Hai công việc khác nhau cùng khoác chung một từ ngữ

Bỏ chữ "audio" ra khỏi cả hai phần mô tả và sự lệch nhau trở nên rõ ràng. Ming-3.0-audio-tiny là một mô hình biết nghe, đồng thời cũng biết nói. Đánh giá của nó chủ yếu xoay quanh khả năng hiểu: MMAU 75.90, MMAR 67.70, MMSU 73.06, BigBenchAudio 99.20, ASR tiếng Trung trung bình lỗi 3.79 ký tự, phương ngữ trung bình 10.29. Đó là những con số mà nhà cung cấp của nó chọn công bố, và tất cả đều nói về khả năng hiểu. Sesame Preview là một sản phẩm biết nói, đồng thời cũng biết nghe, và danh tiếng của nó dựa vào việc luân phiên lượt lời — ngắt lời, tín hiệu phản hồi, và thời điểm khiến cuộc trò chuyện cảm giác như thật sự là một cuộc trò chuyện.

Đó không phải là cùng một kỹ năng và chúng không đánh đổi lẫn nhau. Một mô hình có thể xuất sắc ở việc “người nói thứ ba đã nói gì về hóa đơn” và chỉ ở mức trung bình ở việc nghe giống con người, và điều ngược lại cũng hoàn toàn có thể. Không có gì trong tài liệu của cả hai nhà cung cấp cho phép bạn xếp hạng chúng trên một trục chung, vì họ chưa bao giờ đo cùng một trục.

Nơi sự bất đối xứng tác động mạnh nhất là ở thử nghiệm ít tốn kém. Với Ming-3.0-audio-tiny, bạn có thể tổng hợp cùng một câu năm mươi lần, thay đổi clip tham chiếu và nghe — một buổi chiều làm việc, không cần xin phép. Với Sesame Preview, thử nghiệm tương đương là mở ứng dụng và hình thành quan điểm, vì không có mẫu thứ hai để lấy.

Ấn phẩm Sesame duy nhất đáng mượn

Vào tháng 8 năm 2026, Sesame phát hành TurnBench, một benchmark mở cho việc luân phiên lượt lời trong hội thoại nói: khoảng 30 giờ lời nói song thoại được gán nhãn ba lần, một giao thức chấm điểm vay mượn từ phân tích hội thoại, một bảng xếp hạng công khai và kết quả cho 14 hệ thống, được xây dựng với Carnegie Mellon, Mundo AI và Oto. Đây là thứ hữu ích nhất trong toàn bộ cuộc so tài, và nó hữu ích chính xác vì nó đo lường chất lượng mà cả các bảng lỗi từ và Elo sở thích đều bỏ sót.

Hãy dùng nó như một công cụ chứ không phải bảng điểm. Ứng dụng riêng của Sesame không có trên đó, và Ming-3.0-audio-tiny chắc chắn cũng không. Nhưng nếu bạn đang cân nhắc mô hình tiny cho bất kỳ mục đích hội thoại nào — và Talker cùng cửa sổ 131.072 token của nó khiến đó là một điều hợp lý để cân nhắc — thì xử lý ngắt lời và thời điểm backchannel là những gì bạn nên chấm điểm, và TurnBench cung cấp cho bạn một giao thức để làm điều đó thay vì dựa vào cảm tính.

Hệ quả kéo theo thật không thoải mái cho cả hai nhà cung cấp. Một mô hình có thể tung ra bộ tạo giọng nói và ngữ cảnh 128K mà vẫn rất tệ ở thứ mà Sesame nổi tiếng, và không tập dữ liệu nào trong so sánh này cho bạn biết điều đó.

Chi phí, một khi bạn ngừng so sánh bảng giá.

Sesame Preview không có giá vì nó không có sản phẩm nào để bán với một mức giá: ứng dụng miễn phí, công ty nói rằng họ không chạy quảng cáo và không bán dữ liệu, và không có gói dịch vụ nào được công bố. Ming-3.0-audio-tiny cũng không có bảng giá, nhưng nó có thứ tốt hơn — một mức sàn số học. Văn bản và ASR chạy trên một GPU. Đầu ra giọng nói chạy trên hai, vì Talker và VAE của nó là bộ trọng số thứ hai có thiết bị riêng. Nếu bạn chỉ cần phần nghe, card thứ hai là khoản tiền bạn không phải chi, và khác với gói đăng ký, nó không tăng theo số câu bạn tạo ra.

Đó là điểm duy nhất mà hai thứ này thực sự có thể so sánh được, và đó là sự so sánh về hình dạng chứ không phải về con số: một hóa đơn phần cứng cố định mà bạn có thể dự đoán, đối lại với một sản phẩm miễn phí mà bạn không thể kiểm toán các điều khoản và cũng không thể mua được năng lực của nó.

OrcaRouter đứng bên ngoài cả hai. Chúng tôi không phục vụ Ming-3.0-audio-tiny — đó là một checkpoint bạn tự chạy, chứ không phải một endpoint do chúng tôi lưu trữ — và vốn dĩ chẳng có mô hình Sesame nào để định tuyến ngay từ đầu. Thứ mà một router thực sự chạm tới là nửa văn bản của một pipeline giọng nói: kịch bản, bản dịch, bản tóm tắt, bộ phân loại quyết định bản ghi âm nào cần đến con người. Một khóa cho hơn 200 mô hình ở giá niêm yết của nhà cung cấp mà không cộng thêm phụ phí là một hợp đồng ngắn gọn hơn ba hợp đồng, và chuyển đổi dự phòng tự động giúp một lô tổng hợp dài không bị chết vì một nhà cung cấp gặp một buổi chiều tồi tệ. Không điều nào trong số đó khiến một trong hai mô hình trở nên giỏi hơn trong vai trò giọng nói.

Điều gì sẽ làm thay đổi câu trả lời

Ba sự kiện, mỗi sự kiện đều có thể kiểm chứng. Thứ nhất, việc inclusionAI công bố một đánh giá chuyển văn bản thành giọng nói cho Ming-3.0-audio-tiny — độ tự nhiên, độ tương đồng người nói với đoạn clip tham chiếu, tỷ lệ lỗi trên giọng nói được tổng hợp — sẽ biến Talker từ một tính năng chưa được đo lường thành một ứng viên. Thứ hai, việc Sesame phát hành checkpoint hoặc API cho giọng nói dùng trong sản phẩm sẽ khiến danh tiếng của ứng dụng có thể kiểm chứng, và sự so sánh cuối cùng sẽ là giữa hai thứ có thể chạy được. Thứ ba, việc một bên độc lập chấm điểm một trong hai mô hình trên TurnBench sẽ giải quyết được phẩm chất duy nhất mà cả hai nhà cung cấp đều ám chỉ và không bên nào công bố.

Cho đến khi một trong số đó ra mắt, mô tả chính xác vẫn chẳng mấy hào nhoáng. Ming-3.0-audio-tiny là một mô hình lắng nghe 17,74 GB với phần đính kèm giọng nói tùy chọn 3 GB, trọng số MIT, một cấu hình đã được sửa, một model card non hơn cấu hình mà nó mô tả bốn ngày, và không có con số công bố nào cho nửa phần biết nói. Sesame Preview là một giọng nói bạn có thể nghe, chiêm ngưỡng và không thể có được. Sự lựa chọn giữa chúng không phải là lựa chọn giữa hai mô hình. Đó là lựa chọn giữa việc tự mình đo đạc một thứ gì đó và việc không được phép làm vậy.

Nếu bạn phải quyết định trong tuần này

Đối với phiên âm, hiểu bản ghi dài, hoặc bất kỳ tác vụ nào mà đầu ra là văn bản bạn sẽ phân tích cú pháp, Ming-3.0-audio-tiny là lựa chọn duy nhất trong hai công cụ thậm chí còn có thể được xem là ứng viên — hãy phân bổ một GPU, dùng lời nhắc ASR đã được kiểm chứng với dấu phân cách tab của nó, và đặt ngữ cảnh theo độ dài bạn thực sự cần. Đối với trải nghiệm giọng nói dành cho người tiêu dùng mà bạn đang tạo nguyên mẫu, Sesame là chuẩn đối sánh để bạn đối chiếu công việc của mình, chứ không phải một phụ thuộc để xây dựng lên trên, vì không có phụ thuộc nào để cài đặt.

Còn với đầu ra giọng nói của mô hình nhỏ: hãy thử nó trước khi bạn lập kế hoạch dựa vào nó. Hai GPU, một clip tham chiếu, một bản ghi lời thoại khớp chính xác với clip đó, và một giờ nghe sẽ cho bạn biết nhiều hơn cả thư mục benchmark — vì thư mục benchmark không chứa một con số nào về nó.