LFM3-Audio-2B 對比 Sesame Preview：下載與應用程式並非同一種選擇

Sesame Preview 是那種人們會形容為「像人」的聲音。LFM3-Audio-2B 是一個 2B 檢查點，可以下載並在筆記型電腦上執行。把它們放進同一個句子裡，就會發生有用的事：比較不再聚焦於哪一個聽起來更好，而是變成兩個獨立問題——你能不能把它正式推出，以及你能不能對它進行量測？Sesame Preview 在第一個問題上不合格。LFM3-Audio-2B 則在第二個問題上不合格；Liquid AI 於 2026 年 10 月 27 日在六模型 LFM3 系列中推出它。兩者都不是醜聞。它們是不同種類的產品，而多數團隊往往要等到開始建置之後，才會發現自己需要的是哪一種。

在細節之前，值得先講明白{{1}}不對稱{{/1}}。{{2}}Sesame 的正式版語音{{/2}}沒有 API、沒有模型 ID，也沒有企業級方案；它存在於一款 iOS 與 Android 應用程式裡，內建四個具名代理、記憶、連接器，而且自十月起還能編排其他代理。{{3}}LFM3-Audio-2B{{/3}}則完全沒有應用程式。它有權重、模型卡、一個已合併的 llama.cpp 拉取請求，以及一個 2.1 GB 的 Ollama 建置。{{4}}一個{{/4}}是能讓你消磨一個下午的地方。{{5}}另一個{{/5}}則是能放進產品裡的檔案。

問題一：你能出貨嗎？

LFM3-Audio-2B 的答案是肯定的，但有一些注意事項。LFM Open License v1.0 允許年營收低於 1,000 萬美元時進行商業使用，超過此門檻則需付費授權。權重位於 Hugging Face；使用 Transformers 5.20.2 或更新版本並搭配 trust_remote_code，是 Python 路徑；llama.cpp 的支援已在 PR #31257 合併；MLX 4-bit 涵蓋 Apple silicon；ONNX Runtime 涵蓋可攜性。輸入為文字或 16 kHz 音訊，輸出為文字、24 kHz 語音，或交錯的文字與語音。上下文為 32K tokens，涵蓋雙向——不是屬於文字模型的 256K 數字——而模型列出橫跨 19 個地區設定的 18 種語言，即時 ASR 僅支援英文。

就 Sesame Preview 而言，答案是否定的，而這是結構性原因，並非商業原因。正式版語音沒有可用的端點。也沒有價格，因為根本沒有東西可買。這款應用程式免費，通話上限為 30 分鐘，登出後會降至五分鐘，而那四個代理就是產品本身。如果你想在自己的應用程式中擁有 Sesame 式的行為，你辦不到。

Sesame 釋出的是 CSM-1B，一個 Apache-2.0 研究檢查點。它是一個語音合成模組，不是助理：由 Llama 主幹預測第一個 Mimi 碼本，再由較小的解碼器預測其餘部分，並透過 Mimi 編解碼器以 24 kHz 呈現。它僅支援英文，可從 10 到 15 秒的參考音檔複製聲音，而且無法生成文字——你必須把它與語言模型搭配使用。它的 Hugging Face 模型卡把不能明說的部分直接講白：CSM 的微調變體驅動了互動示範，而那個變體並不是你能下載的檢查點。這張模型卡在過去一個月約有 130,000 次下載、約 2,500 個讚，這告訴你大家正在用它做實驗。但它沒有告訴你，他們是從應用程式取得那個聲音的。

問題二：你能測量它嗎？

LFM3-Audio-2B 發布了一份六行的廠商表格，全部以 LFM2.5-Audio-1.5B 為對照，但未指明測試集或評測框架。這裡關鍵的幾行是：英文 TTS UTMOSv2 為 3.83，對比 3.22；VoiceBench 為 73.13，對比 55.17；音訊理解 MMAR 為 50.60，對比 25.85；英文 ASR WER 為 6.23，對比 6.13；多語言 WER/CER 為 6.03；以及內部工具呼叫評測為 58.50。UTMOS 的變動幅度很大——在一個通常把 4.0 視為接近人類水準的量表上，0.6 點是很大的差距——而 ASR 那一行則持平，這是整張表最可信的地方：一家廠商若在某個軸向上回報沒有進步，至少不是為了說故事而美化表格。

這一切都沒有獨立的第三方佐證。我們找不到任何一列數據的第三方重現結果，而且這些數字是將模型與其自身的前代相比，而非與同領域的其他模型相比。對照 Liquid 自家表格中的其他項目，LFM3-Audio-2B 是一款不錯的小型模型，而非領先者：Voxtral Mini 3B 錄得 5.51 WER，NVIDIA Audex 2B 錄得 5.99，Qwen2.5-Omni 3B 在音訊理解取得 54.41，而 Gemma 4 E4B 在工具呼叫取得 72.40。

Sesame Preview 完全沒有可比的數字。它的品質宣稱是一種聆聽印象——強烈到足以成為 2026 年對話語音的參考基準，而且是一個第三方從未針對正式版模型評分過的印象。這並不證明那個語音很差。這證明的是，大家一致讚賞的那個東西，正是這場對比中沒有人能衡量的那一項。

這種倒置才是罕見之處。通常，封閉產品才是擁有實績的那個，而開放檢查點則是沒有人評估過的那個。在這裡，開放模型是唯一你能評估的，而封閉產品是唯一擁有真實使用者基礎的。這兩種說法同時成立，而兩者都不能判定這個聲音是否夠好。

兩款編解碼器，兩種設計賭注

這些系統之間最技術性的差異，也是最有趣的地方，因為兩家公司都押注在一種編解碼器上，而押注的方向卻截然相反。

LiquidCodec 可將 80 毫秒的語音打包成 12 個離散 token，並解碼回 24 kHz，且支援串流。Liquid 在 M4 Max 的單一 CPU 執行緒上測得約 87 倍即時速度，而因果音訊編碼器正是讓人仍在說話時就能進行 prefill 的關鍵——這也就是「最低可達 50 毫秒」首個 token 延遲這項說法的來源。這兩個數字是廠商在指名 Apple 硬體上所做的測量，既沒有測試框架，也沒有百分位數。它們描述的是最佳情況。手機、Raspberry Pi 或共享的 x86 VM 都不會達到這些數字，而發布內容也沒有說明它們實際會達到什麼。

Sesame 的 CSM 採用 Kyutai 的 Mimi 編解碼器，取樣率為 24 kHz，並以 Llama 主幹預測第一個碼本，再由較小的深度解碼器預測其餘部分。其設計目標是從簡短的參考片段進行富有表現力的合成，而該應用程式的口碑顯示這確實可行。CSM-1B 與正式生產語音之間的差距正是整個論點所在：架構是公開的，但讓它聽起來像 Sesame 的微調並不是。

對開發者而言，這意味著很簡單：Liquid 給你完整的流程管線和授權；你負責提供評估。Sesame 給你的是研究成果和一個示範；你負責打造產品，而且你不能把那個示範放進你的產品裡。

兩者實際重疊之處

恰好有一個重疊之處，那就是語音輸出。兩者都能發聲。這個重疊範圍內的差異是實務上的：

• 語言——LFM3-Audio-2B 宣稱涵蓋 19 個地區設定中的 18 種語言，其中以英文作為來源或目標語言的翻譯表現最強。Sesame Preview 官方僅支援英文；應用程式自身的說明將法文、義大利文、德文、西班牙文、中文、日文與韓文列為「早期」支援。CSM-1B 僅支援英文。

• 語音控制 — LFM3-Audio-2B：以提示詞選擇語音，卡片中未公開克隆工作流程。CSM-1B：可從 10 至 15 秒的參考片段進行克隆，這是其主要功能。

• 對話 — LFM3-Audio-2B：以串流方式進行請求與回應；未宣稱支援插話。Sesame Preview：圍繞著遲疑、打斷與輪流發言而打造，而這正是讓它聲名大噪的特質。

• 你可以執行的項目 — LFM3-Audio-2B：2.1 GB，支援 CPU，可離線使用。Sesame：一款應用程式，需連線，有通話次數上限。

如果你的產品需要一個能被中斷的語音，這就不是一場接近的比較：Sesame 具備這種行為，而 Liquid 並未宣稱擁有。如果你的產品需要瑞典語或荷蘭語的語音，或需要在沒有網路的情況下運作，Sesame 幫不上忙，而 LFM3-Audio-2B 可以。

路由器在這裡能做與不能做的事

這兩個模型都不在 OrcaRouter 上，而值得精確說明的是：為什麼慣常的路由說法無法觸及語音層。LFM3-Audio-2B 是你自行執行的檢查點；Sesame Preview 則是一款應用程式。兩者都沒有可供彼此容錯切換的託管音訊端點。

在它們之上的那一層，才是路由發揮價值的地方。無論語音產品建立在哪一個模型上，仍會把工作交給文字模型——摘要通話、擷取預訂資訊、決定下一個問題——而這種委派正是成本變異與供應商中斷的所在。OrcaRouter 提供超過 200 個文字與多模態模型，且只需一組金鑰，採供應商定價且不加價，並具備自動容錯移轉，以及可將多個模型組合成單次呼叫的路由 DSL。當單一模型的判斷不足時，它也能讓你執行模型融合。對正在製作語音迴圈原型的團隊而言，這意味著文字那一半可以替換與比較，而不必更動音訊整合。

決定

如果你正在校準品味——決定你的產品該有多少暖意、多長的停頓才算舒服、代理應該多快交還發言權——Sesame Preview 免費、確實出色，是值得花上一個下午的理想去處。把它當作參考。不要規劃圍繞它的整合，因為根本沒有東西可以整合。

如果你正準備上線，LFM3-Audio-2B 確實是值得考慮的候選方案，但也有實際的注意事項：只有廠商提供的數據、即時 ASR 僅支援英文、32K 上下文，以及需留意的授權門檻。在你相信 UTMOS 的提升之前，先用你自己的錄音測試，並用你實際需要的語言測試語音輸出，而不是只相信語系數量。

能改變這個局面的東西很具體。一個用於正式產品語音的 Sesame API，會讓它一夜之間成為該類別中最強勁的候選者。一項針對 LFM3-Audio-2B 的獨立 UTMOS 或偏好測試，會告訴你 3.83 是邁向自然語音的真實一步，還是一個對照弱小前代所測出的數字。在其中一項落地之前，正確的總結是：其中一個是你會欣賞的產品，另一個是你能擁有的模型——而只有其中一項，是你這週能採取行動的決定。