O que é Sesame CSM-1B?
O CSM-1B é o Conversational Speech Model aberto da Sesame, a empresa americana por trás dos assistentes de voz Maya e Miles, lançado em 13 de março de 2025. Ele usa uma base Llama e um decodificador de áudio menor que produz códigos de áudio Mimi a 24 kHz. Apesar do nome, a página no Hugging Face lista cerca de 2 bilhões de parâmetros contando o decodificador. Tem suporte nativo no Hugging Face Transformers desde a versão 4.52.1, de maio de 2025.
O CSM é um modelo base, não uma voz pronta: sem contexto ele escolhe um locutor aleatório, e soa melhor quando recebe os turnos anteriores de uma conversa como texto e áudio, o que também permite continuar uma voz a partir de uma amostra. Fala inglês; outros idiomas são fracos. Não gera texto, então precisa de um modelo de linguagem separado. Os pesos são Apache 2.0, liberados após aceitar condições de acesso. Os modelos ajustados por trás do app da própria Sesame continuam fechados.
Sesame CSM-1B vale a pena?
Vale conhecer o CSM-1B porque é um modelo aberto construído em torno do contexto da conversa, e continua sendo os únicos pesos que a Sesame publicou. Passe a ele os turnos anteriores de um diálogo, cada um com texto, áudio e um ID de locutor, e ele ajusta a entonação, que é o que fazia as vozes da demo da Sesame soarem presentes em vez de lidas.
O que você baixa não é aquela demo. O cartão diz claramente que o modelo aberto não foi ajustado em nenhuma voz; os assistentes do app da Sesame de outubro de 2026 rodam em versões mais novas e fechadas. De fábrica, você recebe uma voz aleatória a cada chamada, a menos que forneça áudio de contexto, só inglês e nenhum número publicado de latência, velocidade ou VRAM. Vinte meses depois do lançamento, ele tem 32 ajustes finos no Hugging Face e cerca de 86.000 downloads no último mês, muito abaixo dos 977.000 do VoxCPM2.
O ecossistema é a melhor parte. O suporte nativo no Transformers traz batching, CUDA graphs e ajuste fino com o Trainer padrão, e a DeepInfra o serve pelo OpenRouter a $7 por milhão de caracteres, cerca de metade dos $15 da Boson ou da Fish Audio. Ele não aparece na arena da Artificial Analysis, então não há número de qualidade independente.
O porém: a segurança fica no papel. O cartão proíbe imitar pessoas reais sem consentimento explícito, notícias falsas e ligações fraudulentas, e apresenta o modelo como só para pesquisa e educação, mas a licença Apache não impõe esses limites e o código também não. O repositório no GitHub tem um arquivo de marca d'água, mas o funcionamento dele não está documentado. O último commit no repositório é de maio de 2025.
Nossa opinião: o CSM-1B é um bom ponto de partida para uma equipe que vai ajustar sua própria voz conversacional em inglês; quem quer uma voz pronta hoje vai mais longe com um modelo mais novo.
Onde ele se destaca
Uma startup de assistentes de voz com um engenheiro de ML na equipe
Ajustar uma voz de marca em inglês que reaja ao ritmo da conversa
Grave o locutor, faça o ajuste fino com o Trainer do Transformers e passe os turnos anteriores como contexto na inferência. Apache 2.0 permite lançar o resultado comercialmente.
Um pesquisador de IA conversacional
Estudar como o contexto do diálogo muda a prosódia
Gere a mesma fala com e sem turnos anteriores como Segments e compare. A saída do codec Mimi a 24 kHz e os IDs de locutor facilitam experimentos controlados.
Um desenvolvedor prototipando um bot de telefone sem GPUs
Testar a entonação do CSM antes de se comprometer com auto-hospedagem
Chame-o pelo endpoint de fala do OpenRouter, servido pela DeepInfra a $7 por milhão de caracteres, então 10 milhões de caracteres de testes custam cerca de $70.
Antes de decidir
- Configuração
- Aceite as condições no Hugging Face (e o acesso ao Llama-3.2-1B para o repositório original) e carregue CsmForConditionalGeneration no Transformers 4.52.1 ou superior. Espera-se uma GPU CUDA; testado com CUDA 12.4 e 12.6.
- Integrações
- Hugging Face Transformers, pipeline e Trainer; DeepInfra pelo endpoint /api/v1/audio/speech do OpenRouter, que devolve mp3 ou pcm.
- Dados e privacidade
- Auto-hospedado, então o áudio fica local. Pelo OpenRouter, as requisições vão para a DeepInfra e não estão disponíveis com roteamento dentro da UE. Os usos proibidos estão no cartão, mas não são impostos.
- Custo em escala
- Pesos gratuitos; hospedado a $7 por milhão de caracteres sem taxa do OpenRouter.
- Limites
- Só inglês; precisa de áudio de contexto para uma voz consistente; não gera texto; sem números publicados de latência ou memória.
O que é bom
- Usa o histórico da conversa para ajustar a entonação
- Pesos Apache 2.0
- Suporte nativo no Transformers com batching e ajuste fino
- Hospedado a $7 por milhão de caracteres via OpenRouter
O que não é
- Só inglês; outros idiomas 'provavelmente não vão bem'
- Modelo base: voz aleatória sem áudio de contexto
- Sem números publicados de latência, velocidade ou VRAM
- Sem commits no repositório desde maio de 2025
Ideal para
Equipes de pesquisa e de produto que querem ajustar sua própria voz conversacional em inglês sobre uma base aberta com licença permissiva.
Alternativas ao Sesame CSM-1B
Sesame CSM-1B: perguntas frequentes
- Sesame CSM-1B vale a pena?
- O CSM-1B é uma boa base de pesquisa para fala conversacional, mas no fim de 2026 é um modelo mais antigo, só em inglês, que precisa de trabalho antes de soar como a demo da Sesame. Damos nota 3.3 de 5.
- Quanto custa Sesame CSM-1B?
- Gratuito sob Apache 2.0 após aceitar as condições de acesso. Hospedado na DeepInfra via OpenRouter a $7 por milhão de caracteres.
- Quais são as desvantagens de Sesame CSM-1B?
- Só inglês; outros idiomas 'provavelmente não vão bem'; modelo base: voz aleatória sem áudio de contexto; sem números publicados de latência, velocidade ou VRAM; sem commits no repositório desde maio de 2025.
- Para quem Sesame CSM-1B é indicado?
- Equipes de pesquisa e de produto que querem ajustar sua própria voz conversacional em inglês sobre uma base aberta com licença permissiva.
- Quanto custa Sesame CSM-1B para uma equipe ou em produção?
- Pesos gratuitos; hospedado a $7 por milhão de caracteres sem taxa do OpenRouter.
- Sesame CSM-1B é seguro para dados da empresa?
- Auto-hospedado, então o áudio fica local. Pelo OpenRouter, as requisições vão para a DeepInfra e não estão disponíveis com roteamento dentro da UE. Os usos proibidos estão no cartão, mas não são impostos.
- Quais são as melhores alternativas ao Sesame CSM-1B?
- As alternativas mais próximas que analisamos são Higgs TTS 3, VoxCPM2, Chatterbox e Maya 2 Native.
Respostas verificadas em 7 de nov. de 2026.