Ming-3.0-audio-tiny 對比 Sesame Preview：一個能開口卻不會被評分，另一個靠說話維生

把Ming-3.0-audio-tiny與Sesame Preview並列，奇怪之處在於，最顯而易見的軸線——語音品質——卻是雙方都不讓你衡量的那一項。Ming-3.0-audio-tiny 隨附一個語音生成器：1.4 GB 的 Talker、1.6 GB 的 VAE、CAM++ 說話者編碼器、三個具名聲音，以及參考片段複製路徑。而其供應商並未為其中任何部分發布文字轉語音基準測試。儲存庫中的三張評估圖涵蓋辨識、音訊智慧與文字。沒有說話者相似度列，沒有合成語音的詞錯誤列，什麼都沒有。Sesame Preview 則是鏡像般的存在：一款全憑聲音聽感建立聲譽的產品，卻沒有模型識別碼、沒有 API，應用程式中的聲音也沒有附上任何評分。 像這類發布背後有記錄的 AI 失敗與代理事件，都收錄在 OrcaRouter AI Incident Archive，其中每一條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

兩者都朝同一個方向保持安靜，但原因不同，而這正是誠實的起點。Ming-3.0-audio-tiny 是一個可以下載的檢查點——權重自 2026 年 9 月 3 日起就放在 Hugging Face 上，而 10 月 16 日到 19 日之間改變的，是圍繞這些權重的文書內容：一份修正後的組態、Talker 樹、語音預設集、部署設定檔，以及 10 月 19 日的第一份模型卡。Sesame Preview 是一個你可以與之交談的應用程式，公開更新，由公司用自己的話描述，且從未被化約成一個檔案。其中一個未被測量，因為其廠商選擇不測量它；另一個則無法測量，因為沒有東西可以執行。

微型模型的語音路徑究竟是什麼

這是附件，不是模型。Thinker —— 跨兩個分片共 17.74 GB，總計 9.3B 參數、2.7B 活躍參數 —— 讀取音訊並寫出文字。Talker 是第二個程序，會將 Thinker 的隱藏狀態轉為語音，而參考部署讓它擁有自己的 GPU。文字設定檔執行於 裝置：「0」，張量平行度為一；完整音訊設定檔將 Thinker 放在 GPU 0 上，佔用該顯示卡 0.78，並將 Talker 放在 GPU 1 上，佔用 0.18。SGLang 設定檔僅限文字，而卡片上清楚寫明了這一點。

語音 — vLLM-Omni 的預設是內建的 IP 語音，稱為靈小柔；此儲存庫也隨附靈楷與 US_James 作為預設參考語音，位於 voice_presets/voice_audio/，其對應的轉錄稿位於 voice_prompts.json。

• 複製 — 一個參考 WAV 及其精確轉錄文字。卡片警告，你無法在單一請求中將內建語音選項與參考片段合併使用。

• 語言 — 中文與英文，「包括各種口音與方言」，而 Talker 沒有另外的語言清單。它是否也能像讀英文那樣，以美式口音說英文，則未在任何地方說明。

• 授權 — 權重採用 MIT；語音預設是必須仔細閱讀的部分，因為參考片段帶有該說話者原有的任何權利。此儲存庫並未為這兩個隨附語音提供另行條款。

• 證據——語音路徑方面沒有。辨識與推理的數字是 inclusionAI 自己的；合成方面完全沒有公開數字。

最後那句話正是這篇比較鮮少給出結論的原因。一個把 ASR 測到小數點後兩位、卻對其 TTS 完全沒有公布的供應商，已經告訴你它對模型的哪一半有信心。

同一本帳簿裡，Sesame 的那一面

Sesame 的公開立場恰恰相反：它追求的是好到讓人以為電話那頭是真人的語音，並透過一個具備記憶、連接器、瀏覽功能，且自 2026 年 10 月更新後還能協調其他代理的助理來提供。該公司將那次更新描述為新的 Conversational Speech Model，具備更好的表現力與發音。但它並未為此發布 checkpoint、模型 ID、延遲數據或授權條款。由於沒有 endpoint，因此沒有可發出的請求，也沒有可評分的回應。

開發者所能實際取得的唯一成品，是sesame/csm-1b（位於 Hugging Face）：Apache-2.0 授權、僅支援英文、約 11 億參數，採用 Llama 系列主幹來預測第一個音訊碼簿，並以較小的深度解碼器預測其餘部分，再透過 Kyutai 的 Mimi 編解碼器以 24 kHz 解碼。它於 2025 年 3 月上架，過去一個月下載約 130,000 次，按讚數約 2,500。模型卡坦率說明這是基礎生成模型——它能產生多樣的聲音，但並未針對任何特定聲音調校，而互動示範是衍生作品，並非檢查點本身。

所以，公允的說法是：你可以保有 Sesame 2025 年的架構；但你無法保有 2026 年讓這家公司聲名大噪的那個聲音。

兩個不同的工作，共用同一個詞

把「audio」這個字從兩邊的描述中拿掉，落差就顯而易見了。Ming-3.0-audio-tiny 是一個會聆聽、也能說話的模型。它的評估結果以理解能力為主：MMAU 75.90、MMAR 67.70、MMSU 73.06、BigBenchAudio 99.20、中文 ASR 平均字元錯誤率 3.79、方言平均 10.29。這些是廠商選擇公布的數字，而且全都關於理解。Sesame Preview 是一個會說話、也能聆聽的產品，而它的名聲建立在輪流發言上——打斷、附和，以及讓對話感覺像一場對話的時機掌握。

那些不是同一種技能，也不會彼此取捨。一個模型可以在「第三位發言者對發票說了什麼」上表現出色，卻在聽起來像真人方面表現平庸，反之亦然。兩家廠商的資料中沒有任何內容能讓你在同一個軸線上替它們排名，因為他們從未測量過同一個軸線。

不對稱最要命的地方，就是低成本實驗。用 Ming-3.0-audio-tiny，你可以把同一句話合成五十次、更換參考音檔、逐一試聽——一個下午就能做完，也不需要誰批准。用 Sesame Preview，等效的實驗就是打開 app、形成看法，因為根本沒有第二個樣本可抽。

唯一值得借閱的 Sesame 出版物

2026 年 8 月，Sesame 發布了 TurnBench，這是一個針對口語對話中輪替接話的開放基準：約 30 小時經三重標註的雙人語音、一套借用會話分析的評分協議、一個公開排行榜，以及 14 個系統的結果，並與 Carnegie Mellon、Mundo AI 和 Oto 共同打造。這是整場對決中最有用的東西，而它之所以有用，正因為它衡量的品質，是詞錯誤率和偏好 Elo 排行榜都忽略的。

把它當成儀器，而不是計分板。Sesame 自家的應用程式不在上面，Ming-3.0-audio-tiny 當然也不在。但如果你正考慮把這個小型模型用於任何對話用途——它的 Talker 加上 131,072 個 token 的視窗，讓這成為值得考慮的事——那麼你該評分的是插話處理與附和時機，而 TurnBench 提供了一套協定讓你照著做，而不是憑感覺。

這項推論對兩家廠商都不利。一個模型可以推出語音生成器和 128K 上下文，卻仍在 Sesame 聞名的那件事上表現得很糟，而這項比較中的兩個資料集都不會告訴你。

成本——當你不再比較費率表之後

Sesame Preview 沒有價格，因為它沒有可依價格販售的產品：該應用程式免費，公司表示不投放廣告，也不販售資料，而且沒有公開的方案層級。Ming-3.0-audio-tiny 同樣沒有價目表，但它有更好的東西——一個算術下限。文字與 ASR 跑在一張 GPU 上。語音輸出則跑在兩張上，因為 Talker 及其 VAE 是第二組權重，擁有自己的裝置。如果你只需要聆聽的那一半，第二張卡就是你不必花的錢；而且與訂閱不同，它不會隨你生成多少句子而增加。

那是這兩者真正能相比的唯一地方，而這是形態上的比較，而非數字上的比較：一筆你能預測的固定硬體帳單，對上一個你無法審查其條款、也無法購買其容量的免費產品。

OrcaRouter 站在兩者之外。我們不提供 Ming-3.0-audio-tiny——它是你自己執行的檢查點，不是我們託管的端點——而且從一開始就沒有 Sesame 模型可供路由。路由器真正能涵蓋的是語音管線中的文字部分：腳本、翻譯、摘要，以及決定哪段錄音需要交由真人處理的分類器。只要一把金鑰就能以供應商牌價使用超過 200 個模型，且不加收任何費用，這比三份合約更省事，而自動容錯移轉能讓漫長的合成批次不會因為某家供應商某個下午出狀況就整個中斷。這些都無法讓這兩個模型中的任何一個更擅長扮演語音。

什麼會改變答案？

第一，inclusionAI 若為 Ming-3.0-audio-tiny 發布文字轉語音評估——包括自然度、與參考音檔的說話者相似度、合成語音的錯誤率——就會讓 Talker 從一項未經衡量的功能，變成一個候選方案。第二，Sesame 若釋出生產用語音的檢查點或 API，就會讓這款應用程式的聲譽變得可檢驗，而比較也終於會是在兩個可執行的東西之間進行。第三，若有獨立第三方在 TurnBench 上為任一模型評分，就能釐清兩家廠商都暗示、卻都未公布的那項品質。

在那其中一項實現之前，準確的描述並不光鮮。Ming-3.0-audio-tiny 是一個 17.74 GB 的聆聽模型，附帶可選的 3 GB 語音附加模組、MIT 權重、修正過的配置、一張比它所描述的配置晚四天發布的模型卡，而且對於會說話的那一半，沒有公布任何數字。Sesame Preview 是一個你能聽見、欣賞，卻無法取得的聲音。兩者之間的選擇，並不是兩個模型之間的選擇，而是自己測量某件事，與不被允許測量之間的選擇。

如果你必須在這週做決定

就轉錄、長錄音理解，或任何輸出是你之後要解析的文字而言，Ming-3.0-audio-tiny 是兩者中唯一甚至算得上候選的——編列一張 GPU，使用已驗證的 ASR 提示詞及其 Tab 分隔符，並將上下文設為你實際需要的長度。對於你正在做原型的消費級語音體驗，Sesame 是你應該拿來對照的基準，而不是要建構在其上的依賴，因為根本沒有依賴可安裝。

至於 tiny model 的語音輸出：在圍繞它做規劃之前，先試一試。兩張 GPU、一段參考音檔、一份與該音檔完全相符的逐字稿，再加上一小時的聆聽，會比整個 benchmark 資料夾告訴你更多——因為那個 benchmark 資料夾裡根本沒有任何一個關於它的數字。