Qu’est-ce que Sesame CSM-1B ?
CSM-1B est le Conversational Speech Model ouvert de Sesame, l'entreprise américaine derrière les assistants vocaux Maya et Miles, publié le 13 mars 2025. Il repose sur une base Llama et un décodeur audio plus petit qui produit des codes audio Mimi à 24 kHz. Malgré son nom, la page Hugging Face indique environ 2 milliards de paramètres en comptant le décodeur. Il est pris en charge nativement par Hugging Face Transformers depuis la version 4.52.1, en mai 2025.
CSM est un modèle de base, pas une voix finie : sans contexte, il choisit un locuteur au hasard, et il sonne mieux quand on lui fournit les tours de parole précédents en texte et en audio, ce qui lui permet aussi de prolonger une voix à partir d'un échantillon. Il parle anglais ; les autres langues sont faibles. Il ne sait pas générer de texte et a donc besoin d'un modèle de langage séparé. Les poids sont sous Apache 2.0, derrière une acceptation de conditions d'accès. Les modèles affinés de l'application de Sesame restent fermés.
Sesame CSM-1B vaut-il le coup ?
CSM-1B mérite d'être connu parce que c'est un modèle ouvert construit autour du contexte de la conversation, et qu'il reste le seul jeu de poids publié par Sesame. Donnez-lui les tours précédents d'un dialogue, chacun avec du texte, de l'audio et un identifiant de locuteur, et il adapte sa diction ; c'est ce qui rendait les voix de la démo de Sesame présentes plutôt que lues.
Ce que vous téléchargez n'est pas cette démo. La fiche dit clairement que le modèle ouvert n'a été affiné sur aucune voix ; les assistants de l'application de Sesame d'octobre 2026 tournent sur des versions plus récentes et fermées. Tel quel, vous obtenez une voix aléatoire à chaque appel si vous ne fournissez pas d'audio de contexte, l'anglais seulement, et aucun chiffre publié de latence, de vitesse ou de VRAM. Vingt mois après sa sortie, il compte 32 versions affinées sur Hugging Face et environ 86 000 téléchargements le mois dernier, loin des 977 000 de VoxCPM2.
L'écosystème est son meilleur atout. La prise en charge native par Transformers apporte le batching, les CUDA graphs et l'affinage avec le Trainer standard, et DeepInfra le sert via OpenRouter à 7 $ par million de caractères, environ la moitié des 15 $ de Boson ou de Fish Audio. Il n'apparaît pas dans l'arène d'Artificial Analysis, donc il n'existe aucun chiffre de qualité indépendant.
Le hic : la sécurité tient en quelques mots. La fiche interdit d'imiter des personnes réelles sans leur consentement explicite, les fausses nouvelles et les appels frauduleux, et réserve le modèle à la recherche et à l'enseignement, mais la licence Apache ne pose pas ces limites et le code ne les impose pas. Le dépôt GitHub contient un fichier de filigrane, dont le fonctionnement n'est pas documenté. Le dernier commit du dépôt date de mai 2025.
Notre avis : CSM-1B est un bon point de départ pour une équipe qui affine sa propre voix conversationnelle en anglais ; qui veut une voix prête aujourd'hui ira plus loin avec un modèle plus récent.
Là où il fait la différence
Une startup d'assistants vocaux avec un ingénieur ML en interne
Affiner une voix de marque anglaise qui réagit au fil de la conversation
Enregistrez le comédien, affinez avec le Trainer de Transformers et fournissez les tours précédents comme contexte à l'inférence. Apache 2.0 permet de commercialiser le résultat.
Un chercheur en IA conversationnelle
Étudier comment le contexte du dialogue modifie la prosodie
Générez la même réplique avec et sans tours précédents sous forme de Segments, puis comparez. La sortie du codec Mimi à 24 kHz et les identifiants de locuteur facilitent les expériences contrôlées.
Un développeur qui prototype un bot téléphonique sans GPU
Tester la diction de CSM avant de s'engager dans l'auto-hébergement
Appelez-le via l'endpoint vocal d'OpenRouter, servi par DeepInfra à 7 $ par million de caractères ; 10 millions de caractères de tests coûtent donc environ 70 $.
Avant de vous engager
- Mise en route
- Acceptez les conditions sur Hugging Face (et l'accès à Llama-3.2-1B pour le dépôt d'origine), puis chargez CsmForConditionalGeneration dans Transformers 4.52.1 ou plus récent. Un GPU CUDA est attendu ; testé avec CUDA 12.4 et 12.6.
- Intégrations
- Hugging Face Transformers, pipeline et Trainer ; DeepInfra via l'endpoint /api/v1/audio/speech d'OpenRouter, qui renvoie du mp3 ou du pcm.
- Données et confidentialité
- Auto-hébergé : l'audio reste en local. Via OpenRouter, les requêtes partent chez DeepInfra et ne sont pas disponibles en routage interne à l'UE. Les usages interdits figurent dans la fiche, sans être imposés.
- Coût à grande échelle
- Poids gratuits ; hébergé à 7 $ par million de caractères, sans majoration d'OpenRouter.
- Limites
- Anglais uniquement ; besoin d'audio de contexte pour une voix cohérente ; ne génère pas de texte ; aucun chiffre publié de latence ni de mémoire.
Les points forts
- Utilise l'historique de la conversation pour adapter la diction
- Poids sous Apache 2.0
- Prise en charge native par Transformers, avec batching et affinage
- Hébergé à 7 $ par million de caractères via OpenRouter
Les points faibles
- Anglais uniquement ; les autres langues « ne marcheront probablement pas bien »
- Modèle de base : voix aléatoire sans audio de contexte
- Aucun chiffre publié de latence, de vitesse ou de VRAM
- Aucun commit dans le dépôt depuis mai 2025
Idéal pour
Les équipes de recherche et de produit qui veulent affiner leur propre voix conversationnelle anglaise sur une base ouverte à licence permissive.
Alternatives à Sesame CSM-1B
Sesame CSM-1B : questions fréquentes
- Sesame CSM-1B vaut-il le coup ?
- CSM-1B est une base de recherche solide pour la parole conversationnelle, mais fin 2026 c'est un modèle ancien, anglais uniquement, qui demande du travail avant de sonner comme la démo de Sesame. Nous lui donnons 3.3 sur 5.
- Combien coûte Sesame CSM-1B ?
- Gratuit sous Apache 2.0 après acceptation des conditions d'accès. Hébergé chez DeepInfra via OpenRouter à 7 $ par million de caractères.
- Quels sont les inconvénients de Sesame CSM-1B ?
- Anglais uniquement ; les autres langues « ne marcheront probablement pas bien »; modèle de base : voix aléatoire sans audio de contexte; aucun chiffre publié de latence, de vitesse ou de VRAM; aucun commit dans le dépôt depuis mai 2025.
- À qui s’adresse Sesame CSM-1B ?
- Les équipes de recherche et de produit qui veulent affiner leur propre voix conversationnelle anglaise sur une base ouverte à licence permissive.
- Combien coûte Sesame CSM-1B pour une équipe ou en production ?
- Poids gratuits ; hébergé à 7 $ par million de caractères, sans majoration d'OpenRouter.
- Sesame CSM-1B est-il sûr pour les données de l’entreprise ?
- Auto-hébergé : l'audio reste en local. Via OpenRouter, les requêtes partent chez DeepInfra et ne sont pas disponibles en routage interne à l'UE. Les usages interdits figurent dans la fiche, sans être imposés.
- Quelles sont les meilleures alternatives à Sesame CSM-1B ?
- Les alternatives les plus proches que nous avons testées sont Higgs TTS 3, VoxCPM2, Chatterbox et Maya 2 Native.
Réponses vérifiées le 7 nov. 2026.