LFM3-Audio-2B 与 Sesame Preview 对比：一个下载项和一个应用并不是同一种选择

Sesame Preview 是人们形容为“像人”的那种声音。 LFM3-Audio-2B 是一个 2B 检查点，你可以下载到笔记本电脑上运行。把它们放进同一个句子里，就会发生一些有用的事：比较不再关乎哪一个听起来更好，而变成两个独立的问题——你能把它交付上线吗，你能测量它吗？Sesame Preview 过不了第一关。LFM3-Audio-2B 由 Liquid AI 于 2026 年 10 月 27 日在六模型 LFM3 系列中发布，过不了第二关。这两种失败都不是丑闻。它们是不同类型的产品，而大多数团队只有在开始构建之后，才会发现自己需要的是哪一种。

在展开细节之前，有必要直白地说明这种不对称。Sesame 的生产级语音没有 API、没有模型 ID，也没有企业版；它存在于一个 iOS 和 Android 应用中，里面有四个具名智能体、记忆、连接器，并且自十月起还具备编排其他智能体的能力。LFM3-Audio-2B 则完全没有应用。它有权重、模型卡、一个已合并的 llama.cpp 拉取请求，以及一个 2.1 GB 的 Ollama 构建。一个是能让你花上一个下午的地方。另一个是你能放进产品里的文件。

问题一：你能交付吗？

对于 LFM3-Audio-2B，答案是肯定的，但附有注意事项。LFM Open License v1.0 允许年收入低于 1000 万美元的商业使用，超过该门槛则需付费许可证。权重位于 Hugging Face；使用 Transformers 5.20.2 或更新版本并配合 trust_remote_code 是 Python 方案；llama.cpp 已在 PR #31257 中合并支持；MLX 4-bit 覆盖 Apple silicon；ONNX Runtime 覆盖可移植性场景。输入为文本或 16 kHz 音频，输出为文本、24 kHz 语音，或交错的文本与语音。上下文为 32K tokens，覆盖双向——不是属于文本模型的 256K 数字——并且该模型列出 18 种语言、覆盖 19 个区域设置，实时 ASR 仅支持英语。

对于 Sesame Preview，答案是否定的，而原因是结构性的，而非商业性的。生产级语音没有可用端点。没有价格，因为没有什么可买。该应用免费，通话上限为 30 分钟，登出后会降至五分钟，而四个代理就是产品本身。如果你想在自己的应用中实现 Sesame 式的行为，你无法拥有。

Sesame 发布的是 CSM-1B，一个 Apache-2.0 研究检查点。它是一个语音合成模块，而非助手：Llama 主干预测第一个 Mimi 码本，较小的解码器预测其余部分，再通过 Mimi 编解码器以 24 kHz 渲染。它仅支持英语，可从 10 到 15 秒的参考音频片段克隆声音，且不能生成文本——你需要把它与语言模型搭配使用。其 Hugging Face 模型卡直接点破了那句不便明说的话：CSM 的一个微调变体驱动着交互式演示，而那个变体并不是你能下载的检查点。该模型卡上个月约有 130,000 次下载和约 2,500 个赞，这说明人们正在拿它做实验。但这并不说明他们是从应用里获得那个声音的。

第二个问题：你能测量它吗？

LFM3-Audio-2B 发布了一张六行厂商表格，全部与 LFM2.5-Audio-1.5B 对比，且未指明测试集或评测框架。这里关键的几行是：英文 TTS UTMOSv2 为 3.83 对 3.22，VoiceBench 为 73.13 对 55.17，音频理解 MMAR 为 50.60 对 25.85，英文 ASR WER 为 6.23 对 6.13，多语种 WER/CER 为 6.03，以及内部工具调用评测为 58.50。UTMOS 的提升幅度很大——在一个通常把 4.0 视为接近人类水平的量表上提高了 0.6 分——而 ASR 这一行持平，这是整张表中最可信的地方：一家厂商如果在某个维度上报告没有提升，至少说明它没有为了讲故事而美化表格。

这些都没有独立佐证。我们找不到任何一行数据的第三方复现，而且这些数字是将模型与其自身前代进行比较，而不是与该领域的其他模型比较。对照 Liquid 自己表格中的其他条目，LFM3-Audio-2B 是一个不错的小模型，而非领先者：Voxtral Mini 3B 的 WER 为 5.51，NVIDIA Audex 2B 为 5.99，Qwen2.5-Omni 3B 在音频理解上得分为 54.41，Gemma 4 E4B 在工具调用上得分为 72.40。

Sesame Preview 根本没有可比的数字。它的质量主张是一种聆听印象——这种印象强到足以成为 2026 年对话语音的参照点，而且第三方从未为生产模型给这种印象打过分数。这并不能证明该语音不好。这只能证明，在这场对比中，所有人都在称赞的那一点，恰恰是没有人能够衡量的。

这种反转才是罕见之处。通常，闭源产品是那个有历史成绩记录的，而开放检查点是那个没人评估过的。在这里，开放模型是唯一你能评估的，而闭源产品是唯一拥有真实用户基础的。这两种说法同时成立，但都不能说明这个声音好不好。

两种编解码器，两种设计赌注

这些系统之间最具技术性的差异也是最有趣的，因为两家公司都押注了一种编解码器，而这两个押注的方向相反。

LiquidCodec 将 80 毫秒的语音打包成 12 个离散 token，并能解码回 24 kHz，且支持流式处理。Liquid 在 M4 Max 的单个 CPU 线程上测得约为实时的 87 倍，而因果音频编码器使得在人仍在说话时就能进行预填充——这正是“首 token 时间低至 50 毫秒”说法的来源。这两个数字都是厂商在具名 Apple 硬件上的测量值，既没有测试框架，也没有百分位数据。它们描述的是最佳情况。手机、Raspberry Pi 或共享 x86 VM 都达不到这些数字，而发布说明中也没有说明它们实际能达到什么水平。

Sesame 的 CSM 采用 Kyutai 的 Mimi 编解码器，运行在 24 kHz 下，由 Llama 主干网络预测第一个码本，再由一个较小的深度解码器预测其余码本。其设计目标是从一段简短的参考音频中实现富有表现力的语音合成，而这款应用的口碑表明它确实做到了。CSM-1B 与生产环境所用声音之间的差距正是整个论点的关键：架构是公开的，而让它听起来像 Sesame 的那个微调模型却不是。

对构建者来说，这意味着什么很简单。Liquid 为你提供整条流水线和许可；你负责提供评估。Sesame 为你提供一个研究产物和一个演示；你负责提供产品，而且你不能把演示放进产品里。

两者真正重叠的地方

恰好有一个重叠之处，那就是语音输出。两者都能发声。这个重叠范围内的差异是实际层面的：

• 语言 — LFM3-Audio-2B 声称覆盖 19 个语言区域的 18 种语言，其中与英语之间的互译表现最强。Sesame Preview 官方仅支持英语；该应用自身的指南将法语、意大利语、德语、西班牙语、中文、日语和韩语列为“早期”支持。CSM-1B 仅支持英语。

• 语音控制——LFM3-Audio-2B：通过提示词选择声音，模型卡中未发布克隆工作流。CSM-1B：可从 10 至 15 秒的参考音频片段进行克隆，这是其主要功能。

• 对话——LFM3-Audio-2B：流式请求与响应；未声称支持打断。Sesame Preview：围绕犹豫、打断与轮流发言构建，而正是这一特质成就了它的声誉。

• 可运行的内容 — LFM3-Audio-2B：2.1 GB，支持 CPU，可离线运行。Sesame：一款在线应用，有调用次数上限。

如果你的产品需要一种可以被打断的语音，这就不是接近的对比：Sesame 具备这种行为，而 Liquid 并未声称具备。如果你的产品需要瑞典语或荷兰语的语音，或者需要在没有网络的情况下运行，Sesame 无法胜任，而 LFM3-Audio-2B 可以。

路由器在这里能做什么和不能做什么

两个模型都不在 OrcaRouter 上，而且值得精确说明：为什么通常的路由说法触及不到语音层。LFM3-Audio-2B 是需要你自己运行的检查点；Sesame Preview 则是一个应用。二者都没有可供彼此故障转移的托管音频端点。

它们之上的那一层，正是路由发挥价值的地方。无论基于哪种模型构建的语音产品，仍会把工作交给文本模型——总结通话、提取预订信息、决定下一个问题——而这种委托正是成本差异和提供商故障所在之处。OrcaRouter 提供超过 200 个文本和多模态模型，统一通过一个密钥访问，按提供商标价计费、不加价，并具备自动故障转移和可将多个模型组合进一次调用的路由 DSL。当单个模型的判断力不够时，它还让你可以运行模型融合。对于正在为语音闭环构建原型的团队来说，这意味着可以替换和比较文本那一半，而无需改动音频集成。

决定

如果你正在校准品味——决定你的产品应该有多少温度、多长的停顿才算舒适、智能体应该多快让出话语权——Sesame Preview 免费、确实非常出色，是值得花一个下午的地方。把它当作参考。不要围绕它规划集成，因为没有什么可集成的。

如果你要投入生产，LFM3-Audio-2B 确实是一个候选方案，但也有实实在在的注意事项：数据仅来自厂商、实时 ASR 仅支持英语、32K 上下文，以及需要留意的许可证门槛。在相信 UTMOS 提升之前，先用自己的录音测试；并且要在你实际需要的语言中测试语音输出，而不是轻信所支持的语言地区数量。

真正能改变这一局面的是具体的东西。如果推出面向生产级语音的 Sesame API，它一夜之间就会成为该类别中最强的候选。针对 LFM3-Audio-2B 的独立 UTMOS 或偏好测试会告诉你，3.83 是迈向自然语音的真正一步，还是在一个较弱的前代模型上测出来的数字。在其中一项落地之前，正确的总结是：其中一个是你可以欣赏的产品，另一个是你可以拥有的模型——而只有其中一个是你本周能够付诸行动的决策。