Chọn mô hình giọng nói AI: LFM3, Sesame hay Dessa?

Khác biệt quan trọng nhất là khả năng triển khai

Mô hình giọng nói AI là hệ thống xử lý âm thanh hoặc tạo tiếng nói để hỗ trợ tương tác bằng lời, nhưng mức hữu ích cho sản phẩm còn tùy thuộc vào việc nhà phát triển có thể truy cập, tích hợp và kiểm chứng nó hay không. Vì vậy, lựa chọn giữa LFM3-Audio-2B, Sesame Preview và Dessa AI không nên bắt đầu bằng câu hỏi giọng nào nghe giống người hơn. Hãy hỏi trước: có thể đưa mô hình vào sản phẩm không, và có dữ liệu đủ rõ để đánh giá nó không? LFM3-Audio-2B là checkpoint 2 tỷ tham số có giấy phép mở, kho mô hình trên Hugging Face và bản dựng Ollama 2,1 GB có thể tải về máy tính. Sesame Preview nổi tiếng nhờ giọng hội thoại tự nhiên, nhưng chỉ có trong ứng dụng, không có API sản xuất. Dessa được công bố như mô hình song công toàn phần, song hiện vẫn là bản demo dành cho người trong danh sách chờ: chưa có trọng số, API hay benchmark công khai.

LFM3 có thể triển khai, nhưng điểm số chưa được kiểm chứng độc lập

Nếu mục tiêu là bắt đầu xây dựng ngay, LFM3-Audio-2B là lựa chọn duy nhất trong ba cái tên có thể tải về và tự vận hành. Mô hình hỗ trợ đầu vào văn bản hoặc âm thanh 16 kHz, đầu ra giọng nói 24 kHz, và cửa sổ ngữ cảnh 32K token tính cả đầu vào lẫn đầu ra. Nhà phát triển có thể dùng các định dạng và công cụ triển khai được nêu trong tài liệu, gồm Transformers, llama.cpp, MLX và ONNX Runtime. Giấy phép có điều kiện theo doanh thu, vì vậy cần đọc kỹ trước khi phát hành thương mại. Đổi lại, bằng chứng hiệu năng còn yếu hơn độ sẵn sàng triển khai. Liquid công bố sáu chỉ số so với mô hình tiền nhiệm, trong đó UTMOSv2 tiếng Anh là 3,83 so với 3,22, VoiceBench là 73,13 so với 55,17, còn WER nhận dạng tiếng Anh là 6,23 so với 6,13. Đây là số liệu do nhà cung cấp đưa ra, không có tái tạo bên thứ ba hay thông tin đầy đủ về bộ kiểm thử và quy trình đánh giá. Vì thế, hãy xem bảng điểm như tín hiệu để thử nghiệm, không phải bằng chứng mô hình sẽ thắng trong ứng dụng của bạn.

Sesame thuyết phục khi nghe, nhưng không phải phụ thuộc sản phẩm

Sesame Preview gây ấn tượng nhờ nhịp nói, sự ngập ngừng và khả năng ngắt lời tự nhiên; đó là một tham chiếu hữu ích khi nhóm sản phẩm đang định hình cảm giác hội thoại mong muốn. Nhưng độ tự nhiên không thay thế được khả năng tích hợp: Sesame Preview không có endpoint giọng nói cho sản phẩm, model ID hay gói doanh nghiệp. Trải nghiệm nằm trong ứng dụng của Sesame, nên đội ngũ bên ngoài không thể đưa chính hệ thống đó vào ứng dụng riêng. Cần phân biệt Preview với CSM-1B, checkpoint nghiên cứu của Sesame. CSM-1B có thể tải xuống theo giấy phép Apache-2.0, nhưng là mô hình tổng hợp giọng nói tiếng Anh, không phải trợ lý hội thoại hoàn chỉnh; nó không tạo văn bản và cần ghép với mô hình ngôn ngữ. Bản demo tương tác dùng một biến thể đã tinh chỉnh khác, không phải checkpoint tải về. Vì vậy, Sesame phù hợp để nghe, tham khảo và hiệu chỉnh gu thiết kế; nó không phải con đường ngắn để phát hành giọng nói Sesame trong sản phẩm.

Dessa hứa hẹn tương tác song công, chưa sẵn sàng làm nền tảng

Dessa AI đặt cược vào kiểu hội thoại tự nhiên hơn: mô hình vừa nghe vừa nói, có thể bị ngắt giữa câu, phát ra phản hồi ngắn khi người dùng còn đang nói và điều chỉnh nhịp điệu theo đối thoại. Các đoạn demo được tuyển chọn cho thấy hướng trải nghiệm đáng chú ý, nhưng chưa thể chứng minh hiệu năng ổn định trong những tình huống sử dụng rộng hơn. Mô tả từ người xem cũng ghi nhận cuộc trò chuyện có lúc gượng gạo, một lời nhắc rằng trình diễn tốt chưa đồng nghĩa với sản phẩm đáng tin cậy. Hiện nhà phát triển chưa có trọng số, số tham số, API hay benchmark để tự kiểm thử; thông tin công khai chỉ gồm danh sách chờ và các đoạn video. Do đó, Dessa có giá trị như tín hiệu về hướng nghiên cứu hơn là một phụ thuộc kỹ thuật có thể đưa vào kế hoạch phát hành. Không công ty nào trong ba lựa chọn cung cấp đủ bằng chứng để người ngoài tái tạo đầy đủ kết quả: LFM3 có điểm nhưng thiếu xác nhận độc lập, Sesame có ấn tượng nghe nhưng không có API, còn Dessa có demo nhưng thiếu mô hình để kiểm tra.

Chọn theo việc cần làm, không theo màn trình diễn

Đánh giá đúng ba lựa chọn này đòi hỏi tách chất lượng giọng nói khỏi mức sẵn sàng cho sản phẩm. LFM3-Audio-2B có thể tải xuống, thử nghiệm và tích hợp, nhưng nhóm triển khai phải tự xác minh chất lượng trên tác vụ thực tế, đặc biệt nếu cần nhận dạng giọng nói ngoài tiếng Anh. Sesame Preview hữu ích để tham khảo cách một giọng nói có thể xử lý lượt lời, nhưng không có gì để tích hợp. Dessa thể hiện tham vọng song công, song một mô hình trong danh sách chờ chưa phải phụ thuộc mà đội ngũ có thể đưa vào sản phẩm. - **Chọn LFM3-Audio-2B nếu** bạn cần checkpoint tải xuống để thử nghiệm hoặc triển khai, và chấp nhận tự kiểm chứng điểm số cùng các giới hạn về ngôn ngữ, ngữ cảnh và giấy phép. - **Bỏ qua LFM3-Audio-2B nếu** yêu cầu của bạn là benchmark độc lập đã xác nhận hoặc cần ASR trực tiếp ngoài tiếng Anh. - **Dùng Sesame Preview nếu** bạn muốn tham khảo chất giọng, nhịp ngắt và cách luân phiên lượt nói trước khi thiết kế trải nghiệm. - **Bỏ Sesame Preview nếu** sản phẩm phải gọi API hoặc nhúng chính giọng nói của Sesame. - **Theo dõi Dessa AI nếu** bạn quan tâm tới hội thoại song công và chấp nhận chờ thêm bằng chứng. - **Bỏ Dessa khỏi kế hoạch phát hành hiện tại nếu** dự án cần trọng số, API hay kết quả benchmark có thể tái tạo.

Kết luận: trong ba cái tên, LFM3-Audio-2B là lựa chọn thực dụng duy nhất để bắt tay xây dựng hôm nay, nhưng chưa phải lựa chọn đã được chứng minh độc lập. Sesame Preview tốt nhất cho việc tham khảo cảm giác giọng nói; Dessa đáng theo dõi như hướng phát triển. Với quyết định sản phẩm, khả năng triển khai và kiểm chứng quan trọng hơn một màn nghe thử thuyết phục.