¿Qué es Sesame CSM-1B?
CSM-1B es el Conversational Speech Model abierto de Sesame, la empresa estadounidense detrás de los asistentes de voz Maya y Miles, publicado el 13 de marzo de 2025. Usa una base Llama y un decodificador de audio más pequeño que produce códigos de audio Mimi a 24 kHz. Pese al nombre, la página de Hugging Face indica unos 2.000 millones de parámetros contando el decodificador. Tiene soporte nativo en Hugging Face Transformers desde la versión 4.52.1, de mayo de 2025.
CSM es un modelo base, no una voz terminada: sin contexto elige un hablante al azar, y suena mejor cuando recibe los turnos anteriores de una conversación como texto y audio, lo que también le permite continuar una voz a partir de una muestra. Habla inglés; en otros idiomas es flojo. No puede generar texto, así que necesita un modelo de lenguaje aparte. Los pesos son Apache 2.0 tras aceptar unas condiciones de acceso. Los modelos ajustados que usa la app de Sesame siguen siendo cerrados.
¿Merece la pena Sesame CSM-1B?
Merece la pena conocer CSM-1B porque es un modelo abierto construido en torno al contexto de la conversación, y sigue siendo los únicos pesos que Sesame ha publicado. Pásale los turnos anteriores de un diálogo, cada uno con texto, audio y un ID de hablante, y adapta su expresión, que es lo que hacía que las voces de la demo de Sesame sonaran presentes en lugar de leídas.
Lo que descargas no es esa demo. La ficha dice claramente que el modelo abierto no se ha ajustado a ninguna voz; los asistentes de la app de Sesame de octubre de 2026 funcionan con versiones más nuevas y cerradas. Tal cual, obtienes una voz aleatoria en cada llamada salvo que aportes audio de contexto, solo inglés y ninguna cifra publicada de latencia, velocidad o VRAM. Veinte meses después de su lanzamiento tiene 32 ajustes finos en Hugging Face y unas 86.000 descargas en el último mes, muy por debajo de las 977.000 de VoxCPM2.
El ecosistema es lo mejor. El soporte nativo en Transformers permite batching, CUDA graphs y ajuste fino con el Trainer estándar, y DeepInfra lo sirve a través de OpenRouter a $7 por millón de caracteres, más o menos la mitad de los $15 de Boson o Fish Audio. No aparece en la arena de Artificial Analysis, así que no hay una cifra de calidad independiente.
La pega: la seguridad se queda en el papel. La ficha prohíbe imitar a personas reales sin su consentimiento explícito, las noticias falsas y las llamadas fraudulentas, y presenta el modelo como solo para investigación y educación, pero la licencia Apache no pone esos límites y el código no los impone. El repositorio de GitHub contiene un archivo de marca de agua, pero su funcionamiento no está documentado. El último commit en el repositorio es de mayo de 2025.
Nuestra opinión: CSM-1B es un buen punto de partida para un equipo que ajuste su propia voz conversacional en inglés; quien quiera una voz lista hoy llegará más lejos con un modelo más reciente.
Dónde se gana su sitio
Una startup de asistentes de voz con un ingeniero de ML en plantilla
Ajustar una voz de marca en inglés que reaccione al ritmo de la conversación
Graba al locutor, ajusta el modelo con el Trainer de Transformers y pásale los turnos anteriores como contexto en la inferencia. Apache 2.0 permite comercializar el resultado.
Un investigador de IA conversacional
Estudiar cómo cambia la prosodia según el contexto del diálogo
Genera la misma frase con y sin turnos anteriores como Segments y compara. La salida del códec Mimi a 24 kHz y los IDs de hablante facilitan los experimentos controlados.
Un desarrollador que prototipa un bot telefónico sin GPU
Probar la expresión de CSM antes de comprometerse a autoalojarlo
Llámalo a través del endpoint de voz de OpenRouter, servido por DeepInfra a $7 por millón de caracteres, así que 10 millones de caracteres de pruebas cuestan unos $70.
Antes de decidirte
- Puesta en marcha
- Acepta las condiciones en Hugging Face (y el acceso a Llama-3.2-1B para el repositorio original) y carga CsmForConditionalGeneration en Transformers 4.52.1 o posterior. Se espera una GPU CUDA; probado con CUDA 12.4 y 12.6.
- Integraciones
- Hugging Face Transformers, pipeline y Trainer; DeepInfra a través del endpoint /api/v1/audio/speech de OpenRouter, que devuelve mp3 o pcm.
- Datos y privacidad
- Autoalojado, así que el audio se queda en local. A través de OpenRouter, las peticiones van a DeepInfra y no están disponibles con enrutamiento dentro de la UE. Los usos prohibidos figuran en la ficha, pero no se imponen.
- Coste a escala
- Pesos gratuitos; alojado a $7 por millón de caracteres sin recargo de OpenRouter.
- Límites
- Solo inglés; necesita audio de contexto para una voz coherente; no puede generar texto; sin cifras publicadas de latencia ni de memoria.
Lo bueno
- Usa el historial de la conversación para ajustar su expresión
- Pesos Apache 2.0
- Soporte nativo en Transformers con batching y ajuste fino
- Alojado a $7 por millón de caracteres a través de OpenRouter
Lo malo
- Solo inglés; en otros idiomas 'probablemente no irá bien'
- Modelo base: voz aleatoria sin audio de contexto
- Sin cifras publicadas de latencia, velocidad ni VRAM
- Sin commits en el repositorio desde mayo de 2025
Ideal para
Equipos de investigación y de producto que quieren ajustar su propia voz conversacional en inglés sobre una base abierta con licencia permisiva.
Alternativas a Sesame CSM-1B
Sesame CSM-1B: preguntas frecuentes
- ¿Merece la pena Sesame CSM-1B?
- CSM-1B es una base de investigación capaz para voz conversacional, pero a finales de 2026 es un modelo veterano, solo en inglés, que necesita trabajo antes de sonar como la demo de Sesame. Le damos un 3.3 sobre 5.
- ¿Cuánto cuesta Sesame CSM-1B?
- Gratis bajo Apache 2.0 tras aceptar las condiciones de acceso. Alojado en DeepInfra a través de OpenRouter a $7 por millón de caracteres.
- ¿Qué inconvenientes tiene Sesame CSM-1B?
- Solo inglés; en otros idiomas 'probablemente no irá bien'; modelo base: voz aleatoria sin audio de contexto; sin cifras publicadas de latencia, velocidad ni VRAM; sin commits en el repositorio desde mayo de 2025.
- ¿Para quién es Sesame CSM-1B?
- Equipos de investigación y de producto que quieren ajustar su propia voz conversacional en inglés sobre una base abierta con licencia permisiva.
- ¿Cuánto cuesta Sesame CSM-1B para un equipo o en producción?
- Pesos gratuitos; alojado a $7 por millón de caracteres sin recargo de OpenRouter.
- ¿Es Sesame CSM-1B seguro para los datos de la empresa?
- Autoalojado, así que el audio se queda en local. A través de OpenRouter, las peticiones van a DeepInfra y no están disponibles con enrutamiento dentro de la UE. Los usos prohibidos figuran en la ficha, pero no se imponen.
- ¿Cuáles son las mejores alternativas a Sesame CSM-1B?
- Las alternativas más cercanas que hemos analizado son Higgs TTS 3, VoxCPM2, Chatterbox y Maya 2 Native.
Respuestas comprobadas el 7 nov 2026.