Ming-3.0-audio-flash 對決 Sesame Preview：一個聽得見一切，另一個只需聽起來像人

這兩者不是競爭對手。Ming-3.0-audio-flash 是採用 MIT 授權、擁有 1,260 億參數的音訊語言混合專家模型，其明列的五項任務是語音辨識、長音訊理解、非語音聲音與音樂的感知、音訊推理，以及可選的第五項——語音回覆。Sesame Preview 是消費級語音助理，具備四種人格、iOS 與 Android 應用程式，而且完全沒有 API。第二個不需要知道門砰然關上的聲音是什麼樣子。第一個正是為此而打造。將兩者並列的唯一用處，在於它逼出多數音訊模型比較都會略過的問題：你買的是耳朵，還是嘴巴？ 像這類發布背後有紀錄的 AI 失敗與代理程式事件，都彙整在 OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重度、信心等級與爭議標記。

時間點讓這種落差更加明顯。Ming-3.0-audio-flash 於 2026 年 9 月 3 日登上 Hugging Face，沒有任何公告，就這樣擱了六週，直到 10 月 15 日至 19 日之間，服務程式碼、範例與改寫後的模型卡才上線——GitHub 儲存庫於 15 日建立，而模型卡到 19 日仍在編輯。該列表顯示 22 次下載。Sesame Preview 自春季以來一直公開發布，其可下載的研究成品 CSM-1B 自 2025 年 3 月起就放在 Hugging Face 上，過去一個月約有 130,000 次下載、約 2,500 個讚。一個有使用者基礎卻沒有儲存庫。另一個有儲存庫卻還沒有使用者。

每一個是由什麼製成的

Ming-3.0-audio-flash 結合了音訊編碼器與投影器、混合專家（mixture-of-experts）語言主幹，以及一個可選的 Talker 模組，能將模型的文字輸出轉換為語音。總參數為 1,260 億，每次推論步驟啟用 65 億個參數——Hugging Face 側邊欄列出的是 128B，而模型卡並未調和此差異。輸入為音訊加上文字指令。輸出為文字，或文字搭配合成語音。它支援中文與英文，並明確標示口音與方言。

公開資料中，沒有任何地方以如此詳細的程度描述 Sesame Preview。公開的是這款應用程式：一個語音介面，具備四種具名人格、記憶、連接器，且自 2026 年 10 月起還能編排其他代理。同樣公開的還有 CSM-1B，這是 Sesame 以 Apache-2.0 授權的研究檢查點——由 Llama 主幹預測第一個音訊碼本，並由較小的深度解碼器預測其餘部分，透過 Kyutai 的 Mimi 編解碼器以 24 kHz 解碼，僅支援英文。模型卡稱其為「基礎生成模型」，而 Sesame 已明確表示，驅動互動示範的是它的微調衍生模型，而非由該檢查點本身充當示範。

• 可下載的內容 — Ming：完整的 126B 檢查點、處理器、分詞器、Talker 資源。Sesame：CSM-1B，一個 1B 參數的基礎模型，並非應用程式中的聲音。

• 你可以呼叫什麼——Ming：一旦你自行託管，它就是部署在 vLLM-Omni 或 SGLang 上的 OpenAI 相容端點。Sesame：一個應用程式。沒有端點，正式版語音也沒有模型 ID。

• 它聆聽什麼——Ming：語音、方言、噪音、多位說話者、非語音聲響、聲學場景、音樂。Sesame：對話中你的聲音。

• 它說了什麼 — Ming：文字，可選擇透過內建或參照複製的聲音來表達。Sesame：為呼吸、遲疑與打斷而打造的語音。

• 語言 — Ming：中文與英文。Sesame：官方為英文；應用程式自身的指引將法文、義大利文、德文、西班牙文、中文、日文與韓文列為「早期」。

• 授權條款 — Ming：MIT。Sesame：應用程式服務條款；Apache-2.0 僅適用於研究檢查點。

評估的不對稱是徹底的

使用 Ming-3.0-audio-flash，你可以把同一句話生成一百次並聆聽。你可以餵給它同一場吵雜的會議，然後檢查轉錄稿。你可以用自己的音訊建立自己的錯誤率，而那個錯誤率是你自己擁有的數字。

使用 Sesame Preview，你無法生成任何東西。它沒有端點，沒有針對正式版語音的檢查點，也沒有為其發布的基準測試。你可以聆聽這個應用程式並形成看法，而那個看法就是你證據的全部。研究檢查點 CSM-1B 是可測試的——你可以執行它、微調它、測量它——但它明確不是讓 Sesame 聲名大噪的那個語音背後的模型。

這是罕見的一組對決：開放模型是唯一你能評估的，儘管閉源模型才是唯一擁有真正使用者基礎的。這種反轉值得好好想一想，因為通常的論點正好相反：閉源產品才應該是有過往實績可循的一方。

兩者實際接觸之處

只有一處重疊，那就是 Talker。Ming-3.0-audio-flash 能產生語音，而其語音方案比四音色應用程式更具可配置性：vLLM-Omni 路徑內建 IP 音色，模型目錄附有預設參考語音及對應的逐字稿，而且你可以傳入任何參考 WAV 及其精確逐字稿來進行複製。具延遲指標的串流語音有可運作的範例。SGLang 路徑完全不支援語音——它僅支援文字——在選擇服務堆疊之前，這點值得了解。

但可配置性不等同於品質，而 Ming 儲存庫完全沒有公布語音品質評估。它的三個基準測試面板涵蓋語音辨識、音訊智慧和文字。沒有 MOS 分數、沒有偏好測試、沒有韻律比較。因此，對於「Ming 聽起來比 Sesame 更好」這件事，誠實的立場是：沒有人測量過，而最有資格發表意見的人——Sesame 的使用者——從未聽過 Ming。

Ming's Talker 能給你、而 Sesame 給不了的，是聲音的所有權。一段參考音檔加上它的轉錄文字，模型就能用那個聲音說話，在你的硬體上、以 MIT 授權運行，中間沒有任何第三方介入。如果你的產品聲音是一項品牌資產，那就不是功能層面的比較了。那是完全不同類別的東西。

硬體，以及為什麼它決定了其中大部分

Ming-3.0-audio-flash 在完整 128K 上下文並具備語音輸出時的參考服務配置，是將張量平行化分散到八張 80 GB H800 GPU 上。四張 GPU 可提供一套經驗證的 SGLang 配置，但僅限文字。該儲存庫指出，完整音訊配置會讓 Talker 在 GPU 7 上擁有專屬的記憶體額度。

Sesame Preview 沒有硬體需求，因為它根本不需要部署。這不是拿它開玩笑，而是它真正的價值主張。一個想在行動應用程式裡加入富有表現力的語音、又不想操心 GPU 的團隊，可以透過供應商實現 Sesame 形態的行為，從頭到尾都不必看到任何一個 YAML 檔案。

接下來的成本比較毫無懸念。八台 H800 是一項附有折舊排程的資本決策。一個應用程式則只是下載。之所以要比較兩者，唯一原因是它們都能說話；而說話的成本並不是有趣的變數——聽的成本才是，而 Sesame 並不販售這一點。

每一個真正更擅長的是什麼

Ming-3.0-audio-flash 在所有涉及理解音訊而非生成音訊的任務上都更為擅長。長錄音、多位說話者、背景噪音、音樂、聲學場景，以及關於說了什麼與怎麼說的問題。它自己的模型卡聲稱能進行跨方言與口音的複雜辨識；其基準測試面板由廠商自行執行且未經審核，但它們確實存在，這已經比這場對決中競爭對手所提供的更多。

Sesame Preview 更擅長做一個產品。它有記憶、能連接郵件、行事曆與雲端硬碟，有自家的瀏覽與操作介面，支援透過 OAuth 使用 MCP，而且自十月起還能調度其他代理。這些都不是語音模型的功能；它是一個助理，而語音只是介面。Ming 完全沒有這些能力，也不聲稱自己有。

還有一個尚未有定論的延遲論點。對話式助理的成敗取決於輪流發言——Sesame 靠著猶豫與打斷時機建立起口碑，逼真到早期聽眾以為電話另一端是真人。Ming-3.0-audio-flash 的介面是請求與回應：輸入音訊加指令，輸出文字或語音。雖然有串流範例，但串流回應不等於處理插話，而且該儲存庫並未宣稱支援雙工。

如果你真的在選擇

你大概不是在兩者之間做選擇，而這點值得直說。現實中的決策是「Ming-3.0-audio-flash 對上託管式音訊理解 API」，以及「Sesame Preview 對上你應用程式目前使用的任何語音」。這兩者會被放在一起，是因為它們都是近期有新聞的音訊模型，而不是因為買家真的會把兩者相互權衡。

話雖如此，這兩款產品都逼你面對一個緊接而來的問題——我到底該不該自行託管開放音訊模型。Ming 主張自有：MIT 授權、可檢視、可修改，請求路徑上沒有廠商。Sesame 則主張不要自行打造：一個能用的應用程式，具備你的團隊得花一年才能重現的能力。多數團隊應該先跑託管版，直到託管版以他們能明確指出的方式令他們失望為止。

OrcaRouter 在那項決策中的角色很有限，值得精確說明。我們不託管 Ming-3.0-audio-flash，也不託管 Sesame Preview——前者是你自行執行的檢查點，後者是一個應用程式。路由層提供給你的是比較框架：透過同一把金鑰即可使用超過 200 個模型，按供應商定價計費，且不額外加價，因此你實際拿來與自行託管的 Ming 權衡的託管音訊模型，可以在同一批流量上進行 A/B 測試，若其中一條路徑效能下降，還能自動容錯移轉。這就是你在先下注之前，就能查出八張 GPU 的賭注是否划算的方法。

未解決的問題

Ming-3.0-audio-flash 在四天前開始可以執行，並有 22 次下載。它的卡片是在撰寫本文當天被編輯的。它的基準測試數字是圖片，它的語音品質尚未被評估，而它的服務配置假設了一種大多數團隊並未擁有的機架。這些都不構成取消資格的條件——這正是低調發布的第一週會有的模樣，而早期「我們所知」的報導正是對此的正確回應。

與此同時，Sesame Preview 持續把功能推送到一個背後沒有公開模型的產品中。你能聽到什麼與你能檢視什麼之間的落差，正是這家公司的全貌，而這一點一年來始終未變。

值得關注的不是某個基準測試，而是任一方是否補上自己的缺口：Ming 取得營運商與延遲數字，或 Sesame 發布一個真正就是 App 裡那個聲音的檢查點。哪個先發生，就能看出這兩種做法哪一個正在勝出。