Ming-3.0-audio-tiny 对比 Sesame Preview：一个能开口却不参与评分，另一个靠说话为生

把Ming-3.0-audio-tiny与Sesame Preview放在一起，奇怪之处在于，最显而易见的维度——音质——恰恰是双方都不让你衡量的那一个。Ming-3.0-audio-tiny 附带一个语音生成器：一个 1.4 GB 的 Talker、一个 1.6 GB 的 VAE、一个 CAM++ 说话人编码器、三个具名音色，以及一条参考片段克隆路径。而其供应商没有为其中任何部分发布文本转语音基准测试。仓库中的三张评估图片分别覆盖识别、音频智能和文本。没有说话人相似度这一行，没有合成语音的词错误率这一行，什么都没有。Sesame Preview 则是镜像：一个全部声誉都系于其声音听感的产品，却没有模型标识符、没有 API，应用中的声音也没有附带任何分数。像这次发布背后的已记录 AI 故障和智能体事件都收集在 OrcaRouter AI Incident Archive，其中每条记录都带有自己的来源、严重程度、置信等级和争议标记。

两者都在同一个方向上保持沉默，原因却各不相同，而这就是诚实的起点。Ming-3.0-audio-tiny 是一个可以下载的检查点——其权重自 2026 年 9 月 3 日起就一直在 Hugging Face 上，而 10 月 16 日至 19 日之间发生变化的是围绕这些权重的文档材料：一份修正后的配置、Talker 树、语音预设、部署配置档，以及 10 月 19 日的首份模型卡。Sesame Preview 则是一个可以与之对话的应用，公开更新，由公司用自己的话描述，从未被简化为一个文件。前者未被测量，是因为其供应商选择不测量它；后者不可测量，是因为没有什么可运行。

微型模型的语音路径实际上是什么

它是一个附件，而不是模型。Thinker——跨两个分片共 17.74 GB，总参数 9.3B，激活参数 2.7B——读取音频并写出文本。Talker 是第二个进程，将 Thinker 的隐藏状态转换为语音，参考部署为它分配了独立的 GPU。文本配置运行在 设备："0"上，张量并行度为 1；全音频配置将 Thinker 放在 GPU 0 上，占该卡的 0.78，将 Talker 放在 GPU 1 上，占 0.18。SGLang 配置仅支持文本，卡片上已明确说明这一点。

• 音色——vLLM-Omni 默认使用内置 IP 音色“灵小柔”；仓库还在 voice_presets/voice_audio/ 下提供“灵楷”和 US_James 作为预设参考音色，并在 voice_prompts.json 中提供对应的转写文本。

• 克隆——一个参考 WAV 及其精确转写文本。卡片提示，你不能在单个请求中同时使用内置语音选择和参考片段。

• 语言 — 中文和英语，“包括各种口音和方言”，并且没有为 Talker 单独列出语言清单。它是否能像读英语那样用美式口音说英语，任何地方都没有说明。

• 许可证 — 权重采用 MIT 许可；语音预设是需要仔细阅读的部分，因为参考音频片段承载着其说话者所拥有的任何权利。该仓库未为两个捆绑语音提供单独条款。

• 证据——语音路径没有任何证据。识别和推理的数字是 inclusionAI 自己的；合成侧则完全没有公布任何数字。

最后那句话正是这次对比结论寥寥的原因。一个把 ASR 测量到小数点后两位、却对 T​TS 只字不提的厂商，已经告诉你它对模型的哪一半有信心。

同一本账簿中 Sesame 的那一侧

Sesame 的公开立场恰恰相反：其语音足够逼真，以至于人们会以为电话那头是真人；它通过一个具备记忆、连接器、浏览功能，并且自 2026 年 10 月更新以来还能协调其他智能体的助手来提供。该公司将那次更新描述为一种新的 Conversational Speech Model，具有更好的表现力和发音。它并未为此发布检查点、模型 ID、延迟数据或许可证。没有端点，因此没有可发起的请求，也没有可评分的响应。

开发者能够拿到的唯一产物是sesame/csm-1b，托管在 Hugging Face 上：采用 Apache-2.0 许可，仅支持英语，约 11 亿参数，采用 Llama 系列骨干网络预测首个音频码本，并用较小的深度解码器预测其余部分，通过 Kyutai 的 Mimi 编解码器以 24 kHz 解码。它于 2025 年 3 月上架，过去一个月下载量约 130,000 次，点赞数约 2,500。模型卡坦承这是一个基础生成模型——它可以生成多种声音，但并未针对任何特定声音进行调优，交互式演示是衍生版本，而非检查点本身。

所以，公允的说法是：你可以拥有 Sesame 2025 年的架构，但你无法拥有那个在 2026 年让这家公司声名鹊起的声音。

两个不同的职位顶着同一个名称

把“audio”这个词从两段描述里拿掉，错位就一目了然了。Ming-3.0-audio-tiny 是一个会说话的听觉模型，它的评测主要由理解能力主导：MMAU 75.90、MMAR 67.70、MMSU 73.06、BigBenchAudio 99.20、中文 ASR 平均字错率 3.79、方言平均 10.29。这些都是厂商选择公开的数字，且全都关乎理解。Sesame Preview 则是一个会听声音的说话产品，它的口碑建立在轮次交接之上——打断、附和，以及让一段对话浑然一体的时机把控。

这些并不是同一种能力，它们之间也不存在此消彼长的关系。一个模型可以在“第三位发言者关于发票说了什么”上表现出色，却在听起来像真人方面表现平平，反过来也完全可能。两家厂商的材料中都没有任何内容能让你在同一个轴上对它们进行排名，因为它们从未测量过同一个轴。

不对称最要命的地方，是那个廉价的实验。用 Ming-3.0-audio-tiny，你可以把同一句话合成五十遍，更换参考音频片段，然后试听——一个下午的工作量，无需任何许可。而在 Sesame Preview 上，等效的实验就是打开应用并形成看法，因为根本没有第二个样本可供抽取。

唯一值得借阅的 Sesame 出版物

2026年8月，Sesame 发布了 TurnBench，这是一个面向口语对话中话轮转换的开放基准：约30小时经三重标注的双人对话语音、一套借自会话分析的评分协议、一个公开排行榜，以及14个系统的结果，由 Sesame 与 Carnegie Mellon、Mundo AI 和 Oto 共同构建。这是整场对比中最有用的东西，而它之所以有用，恰恰是因为它衡量的质量，是词错率和偏好 Elo 排行榜都遗漏的。

把它当作测量工具，而不是记分牌。Sesame 自己的应用并不在上面，Ming-3.0-audio-tiny 当然也不在。但如果你正在考虑把这款 tiny 模型用于任何对话场景——它的 Talker 加上 131,072 token 的窗口，确实让这成为一个合理的考虑——那么你应该评分的是打断处理和附和时机，而 TurnBench 给了你一套协议来做这件事，而不是靠感觉。

这一推论令两家厂商都不好受。一个模型可以配备语音生成器和 128K 上下文，却仍在 Sesame 赖以闻名的那项能力上表现糟糕，而本次比较中的两个数据集都不会告诉你这一点。

成本，一旦你不再比较费率表

Sesame Preview 没有价格，因为它没有可按价格出售的产品：这款应用免费，公司表示它不投放广告，也不出售数据，而且没有公布任何套餐层级。Ming-3.0-audio-tiny 同样没有价目表，但它有更好的东西——一个算术下限。文本和 ASR 在一块 GPU 上运行。语音输出则在两块 GPU 上运行，因为 Talker 及其 VAE 是第二组权重，拥有自己的设备。如果你始终只需要聆听那一半，第二块卡就是你无需花费的钱，而且与订阅不同，它不会随着你生成多少句话而扩展。

这是这两者真正具有可比性的唯一地方，而且它比较的是形态而非数字：一边是你可以预测的固定硬件账单，另一边是一个免费产品——其条款你无从审计，其容量你也买不到。

OrcaRouter 置身于两者之外。我们不提供 Ming-3.0-audio-tiny——它是你自己运行的检查点，而不是我们托管的端点——而且本来就没有可供路由的 Sesame 模型。路由器真正能触及的是语音流水线中的文本部分：脚本、翻译、摘要，以及决定哪段录音需要人工处理的分类器。一把密钥即可使用超过 200 个按提供商标价、不额外加价的模型，这比三份合同更简短，而且自动故障转移能让长时间的语音合成批处理不至于因为某个提供商下午状态不佳而中断。这些都不会让其中任何一个模型更擅长做语音。

什么会改变答案

三件事，每一件都可核查。第一，inclusionAI 发布针对 Ming-3.0-audio-tiny 的文本转语音评估——自然度、与参考音频片段的说话人相似度、合成语音的错误率——将把 Talker 从一个未经测量的功能变成候选对象。第二，Sesame 发布生产级语音的检查点或 API，将使这款应用的口碑变得可测试，而比较最终将发生在两个可运行的对象之间。第三，由独立第三方在 TurnBench 上为任一模型打分，将确定两家厂商都暗示却都不公布的那一项质量。

在其中任何一个落地之前，准确的描述都不光鲜。Ming-3.0-audio-tiny 是一个 17.74 GB 的聆听模型，带有可选的 3 GB 语音附件、MIT 权重、更正后的配置、一张比它所描述的配置晚四天出现的模型卡，而且对会说话的那一半没有公布任何数字。Sesame Preview 是一个你能听见、能欣赏却无法获得的嗓音。二者之间的选择，并不是在两个模型之间做选择，而是在自己动手测量某样东西与不被允许测量之间做选择。

如果你必须在这周做出决定

对于转写、长录音理解，或任何输出是你将要解析的文本的场景，Ming-3.0-audio-tiny 是两者中唯一还算是候选的——只安排一块 GPU，使用经过验证的 ASR 提示词及其制表符分隔符，并把上下文设置为你实际需要的长度。对于你正在做原型的消费级语音体验，Sesame 是用来对标你工作的基准，而不是可供你构建其上的依赖，因为根本没有依赖需要安装。

至于这个小模型的语音输出：在围绕它做规划之前，先试一试。两块 GPU、一段参考音频、一份与该片段完全匹配的转写文本，再加上一小时的试听，会比整个基准测试文件夹告诉你更多——因为那个基准测试文件夹里根本没有一个关于它的数字。