Ming-3.0-tts-tiny مقابل Sesame-Preview: نقطة تحقق يمكنك تنزيلها مقابل صوت لا يمكنك استدعاؤه

ضع Ming-3.0-tts-tiny وSesame Previewفي الجملة نفسها، تنهار المقارنة قبل أول اختبار أداء، لأن واحدًا منهما فقط هو شيء يمكن للمطور الحصول عليه. Ming-3.0-tts-tiny هو نقطة تحقق inclusionAI من Ant Group: 7.9 مليار معامل إجمالًا، ونحو 1.3 مليار نشط لكل رمز، وأوزان مرخّصة بموجب MIT منشورة على Hugging Face مع كود استدلال وصل إلى GitHub في 19 أكتوبر 2026. أما Sesame Preview فهو مساعد للمستهلكين — أربعة أصوات، وتطبيق لنظامي iOS وAndroid، ولا API، ولا معرّف نموذج، ولا درجة منشورة للصوت الذي يجعله جديرًا بالكتابة عنه. أحدهما ملف، والآخر منتج. السؤال المثير للاهتمام ليس أيهما يبدو أفضل، بما أنه لا أحد قاس ذلك على أي من الجانبين بطريقة قابلة للمقارنة، بل ما الذي يتيحه لك كل منهما في بعد ظهر يوم ثلاثاء عندما تكون لديك نص وموعد نهائي. تُجمع حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثّقة الكامنة وراء إصدارات كهذا الإصدار في OrcaRouter AI Incident Archive حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل نزاع.

التوقيت مهم هنا على نحو نادرًا ما يحدث. أُنشئ مستودع Ming-3.0-tts-tiny في 22 سبتمبر 2026، ورُفعت الأوزان في 24 سبتمبر، وظل الإصدار غير قابل للاستخدام لثلاثة أسابيع ونصف — مجلد من الشظايا دون أي طريقة منشورة لتشغيلها. وصلت شيفرة الاستدلال والأمثلة بنقرة واحدة ودليل وصفات المهام معًا في 19 أكتوبر عند 08:58 UTC. لم تعلن Ant أيًا من ذلك. وفي المقابل، كانت Sesame Preview تُطرح علنًا منذ الربيع وحصلت على تحديث حقيقي في 6 أكتوبر 2026، حين وصف رئيس المنتجات في الشركة نموذج Conversational Speech Model جديدًا يقف خلف التطبيق. لا يُعد أيٌّ منهما إطلاقًا بالمعنى الذي يقصده البيان الصحفي، لكن كليهما حركة، وواحد فقط منهما يأتي بشيء يمكنك تنزيله.

النسخة المختصرة، قبل الأدلة

إذا كنت تبني منتجًا، فإن Sesame Preview ليس مرشحًا ولا يمكن أن يصبح كذلك اليوم: فلا توجد نقطة نهاية يمكن استدعاؤها، ولا ترخيص يمكن قراءته، ولا سعر، ولا أي التزام بأن الصوت الموجود في التطبيق هو الصوت الموجود في أي نموذج. وإذا كنت تبني منتجًا وتحتاج إلى صوت تملكه، فإن Ming-3.0-tts-tiny مرشح — خيار حديث، لم يُقيَّم بعد، ويُستضاف ذاتيًا، وسيجعلك تقوم بتقييمك الخاص.

هذا هو القرار برمته بالنسبة لمعظم الفرق. كل ما يلي مخصص للحالات التي لا يكون فيها الأمر كذلك: تلك التي تقارن بينهما بوصفهما صوتًا حواريًا لا بوصفهما منتجين، أو التي تزن ما إذا كان نهج Sesame هو النهج الذي ينبغي نسخه.

ما الذي يضعه كل واحد منها فعليًا بين يديك

• ما تنزّله — Ming-3.0-tts-tiny: نحو 18 GB تضم العمود الفقري Ling V3، ورأس محوّل انتشار، ومُرمّز رموز صوتية، ومُرمّز متحدث CAM++، ومُرمّز نصي. Sesame Preview: تطبيق من App Store أو G​oogle Play، ولا شيء سوى ذلك.

• ما يمكنك استدعاؤه — Ming-3.0-tts-tiny: صنف بايثون، MingTinyTTS.from_pretrained، مع أسماء مهام للاستنساخ بدون عينات، والتركيب متعدد اللغات، والسمات شبه اللغوية، وحوار البودكاست، والعاطفة، واللهجة، والأسلوب الحر، وتصميم الصوت. Sesame: واجهة دردشة بأربع شخصيات. لم يُنشر أي معرّف نموذج على الإطلاق للصوت الإنتاجي.

• الترخيص — Ming-3.0-tts-tiny: MIT على الأوزان والشيفرة، مع ملاحظة استخدام تطلب منك عدم انتحال شخصية الأشخاص ووسم الصوت الاصطناعي. Sesame: شروط خدمة التطبيق، إضافةً إلى نقطة حفظ مفتوحة يُناقش أدناه وليست نموذج الإنتاج.

• تغطية اللغات — Ming-3.0-tts-tiny: الصينية والإنجليزية والألمانية والإسبانية والفرنسية والكورية واليابانية، مع إتاحة السيتشوانية والكانتونية من مقطع مرجعي للهجة. Sesame: الإنجليزية هي اللغة الوحيدة المدعومة رسميًا؛ ويشير الدليل إلى أن المساعدين يتعاملون أيضًا مع الفرنسية والإيطالية والألمانية والإسبانية والصينية واليابانية والكورية «بشكل مبكر»، وهو ما يُقرأ كتحذير لا كقائمة ميزات.

• السعر — Ming-3.0-tts-tiny: لا توجد قائمة أسعار؛ أنت تدفع مقابل H800 والكهرباء. Sesame: مجاني للاستخدام، ولا توجد فئة خطة منشورة، وتقول الشركة إنها لا تعرض إعلانات ولا تبيع البيانات.

• درجة مستقلة — Ming-3.0-tts-tiny: لا يوجد، وتحديدًا ليس 1,188 إيلو التي تدرجها Artificial Analysis لـ "Ming-3.0-tts"، والتي تنتمي إلى نقطة حفظ 0.5B. Sesame: لا يوجد أيضًا لصوت التطبيق. هذه مواجهة نادرة لا يمتلك فيها أي من الطرفين رقمًا.

القطعة الوحيدة من Sesame التي يمكن للمطوّر الإمساك بها

يوجد نموذج Sesame على Hugging Face، ويجدر بنا أن نكون دقيقين بشأن ماهيته، لأنه كثيرًا ما يُخلط بينه وبين الصوت الموجود في التطبيق.

CSM-1B مرخّص بموجب Apache-2.0، وإنجليزي فقط، ومبني على البنية التي وصفتها الشركة علنًا: عمود فقري Llama يتنبأ بأول دفتر رموز صوتية، ومفكك ترميز عمق أصغر يتنبأ بالباقي، مع فك الترميز عبر مرمّز Mimi من Kyutai بمعدل 24 kHz. وتصفه بطاقة النموذج بأنه «نموذج توليد أساسي» — قادر على إنتاج أصوات متنوعة، وغير مصمّم لصوت بعينه، وتحديدًا فإن نسخة مشتقة منه هي التي تشغّل العرض التفاعلي، لا أن تكون نقطة التحقق هي العرض نفسه. واعتبارًا من هذه اللقطة، أظهر نحو 130,000 تنزيل في الشهر السابق وحوالي 2,500 إعجاب، وهي متابعة حقيقية من المطورين لإصدار بحثي عمره عامان.

ما يعنيه ذلك عمليًا: يمكنك تحميل بنية Sesame، وضبطها ضبطًا دقيقًا، واستضافة نظام TTS حواري على خادمك. لا يمكنك تحميل منتج Sesame. تحديث أكتوبر — نموذج CSM جديد يتمتع بتعبيرية ونطق أفضل، بحسب وصف الشركة نفسها — غيّر الشيء الذي لا يمكنك الحصول عليه، ولم يقل شيئًا قابلًا للقياس عنه.

حيث تتداخل فعليًا، وحيث ينتهي التداخل

كلاهما يستهدف كلامًا يبدو كمحادثة لا كسرد، وهذا ليس أمرًا هيّنًا أن يشتركا فيه. بنت Sesame سمعتها على التنفّس والتلعثم وتوقيت المقاطعة بإقناع جعل المستمعين الأوائل يفترضون أن شخصًا على الخط. أما نموذج Ant الصغير فيضم 14 وسمًا شبه لغوي مضمّنًا للضحك والتنهدات والتنفّس والتلعثم، ومهمة بودكاست متعددة المتحدثين لا يستطيعها نظيره 0.5B نفسه.

وبعد ذلك، يضيق التداخل بسرعة.

ميزة Sesame هي أن الصوت مدمج في منتج عامل يتمتع بذاكرة، وموصلات مع Gmail وCalendar وDrive، وحاسوب خاص به للتصفح واتخاذ الإجراءات، ودعم MCP عبر OAuth، ومنذ أكتوبر، القدرة على تنسيق وكلاء آخرين. لا شيء من ذلك ميزة في نموذج كلام؛ بل هو مساعد، والكلام هو وسيلة التحدث إليه. ميزة Ant هي أن كل شيء قابل للفحص. كل رقم في بطاقة النموذج يمكن تتبعه إلى مجموعة اختبار، وكل مهمة لها مثال قابل للتشغيل، وخط المعالجة ملكك لتعديله.

عدم التماثل الذي يحسم معظم التقييمات أبسط من كلتا القائمتين: مع Ming-3.0-tts-tiny يمكنك توليد الجملة نفسها مئة مرة والاستماع إليها. أما مع Sesame فلا يمكنك توليد أي شيء على الإطلاق، لذا لا توجد تجربة يمكن إجراؤها — فقط رأي حول تطبيق.

ما تنشره Ant، وما قيمة ذلك

الإغراء في مواجهة كهذه هو سدّ الفجوة بجداول المعايير الخاصة بـ Ant، وهي واسعة النطاق: Seed-TTS بالصينية عند 0.820% لخطأ الكلمات و0.781 لتشابه المتحدث، والإنجليزية عند 1.666% و0.728، والألمانية 0.325%، والإسبانية 0.971%، ونتائج NVBench ما وراء اللغوية تتصدر جميع الفئات الست ذات الحدث الواحد، ومجموعات اللهجات عند 86.09% على WSC-Eval-TTS easy، والانفعال عند 74.00% على CV3، وتصميم الصوت عند 75.37% على InstructTTSEval-ZH.

كل واحد منها هو Ant يقيس Ant، على منصة اختبار Ant، وبمقاطع مرجعية وشيفرة تقييم خاصة بـ Ant، ولم يُعَد إنتاج أيٍّ منها خارج الشركة. هذا لا يجعل الأرقام خاطئة. بل يجعلها مُبلَّغًا عنها من المورّد، ويعني أنها لا يمكن مقارنتها برقم Sesame لأنه لا يوجد رقم Sesame لمقارنتها به.

النتيجة الوحيدة في المجموعة التي تتصرف مثل مقارنة حقيقية هي النتيجة غير المريحة: في الكورية، يسجل Ming-3.0-tts-tiny خطأً في الحروف بنسبة 6.000% بينما يسجل نظيره 0.5B نسبة 1.728%. تسرد بطاقة النموذج الكورية ضمن نقاط الضعف المعروفة ولا تقدم أي تفسير. التفسير المحتمل — أن يمنح التوجيه المتناثر لغةً قليلة التدريب سعةً أقل مما يمنحه نموذج كثيف مماثل الحجم — فرضيةٌ وليست نتيجة. القراءة التشغيلية هي الآمنة: إذا كانت الكورية ضمن النطاق، فاختبرها قبل أن تثق بها.

هل هناك أي شيء يمكن تعلّمه من نموذج Sesame دون النموذج نفسه؟

نعم، وهو الشيء الأكثر فائدة في هذه المقارنة بعد اختلاف الترخيص: تنشر Sesame معيارًا مرجعيًا. في 28 أغسطس 2026، أطلقت TurnBench، وهو معيار مرجعي مفتوح لتناوب الأدوار في الحوار المنطوق — 30 ساعة من كلام ثنائي الأطراف موسوم بثلاثة تعليقات، وبروتوكول تقييم مستمد من تحليل المحادثة، ولوحة صدارة عامة، ونتائج لـ14 نظامًا، بُني بالتعاون مع Carnegie Mellon وMundo AI وOto.

تناوب الأدوار هو بالضبط الجودة التي تفشل كل من لوحة Elo للتفضيلات وجدول أخطاء الكلمات في التقاطها، وهي الجودة التي يشتهر بها منتج Sesame. إذا كنت تقيّم Ming-3.0-tts-tiny لأي غرض حواري، فإن TurnBench هو الأداة التي ينبغي الاستعانة بها رغم أن تطبيق Sesame نفسه غير موجود عليه: قيّم مرشحك من حيث التعامل مع المقاطعات وتوقيت الإشارات الخلفية بدلًا من التخمين انطلاقًا من مقياس تشابه.

هذا هو شكل المقارنة العادلة هنا. ليس Ming-3.0-tts-tiny مقابل صوت Sesame Preview، الذي لا يمكن تشغيله، بل Ming-3.0-tts-tiny مقابل معيار عام حددته Sesame للخاصية التي يسعى إليها كلاهما.

إذا كنت تبني الشيء الذي وُجد أيٌّ منهما من أجله

البنية المعمارية الواقعية لعام 2026 لمنتج صوتي هي طبقة كلام بالإضافة إلى عقل نصي يقرر ما يجب قوله، وهذان يشغلان طرفين متقابلين من تلك المنظومة. يمكن أن تكون Ming-3.0-tts-tiny هي طبقة الكلام، إذا كانت لديك وحدة معالجة رسومية (GPU) والاستعداد لتقييمها. أما Sesame Preview فلا يمكن أن يكون طبقة على الإطلاق؛ بل هو منتج منافس ستكون تبني منتجك في مواجهته.

العقل النصي هو الجزء الذي يكون فيه الموجّه مفيدًا حقًا لا مجرد زينة. يوفّر OrcaRouter أكثر من 200 نموذج نصي خلف مفتاح واحد، بسعر القائمة لدى المزوّد دون إضافة أي هامش، لذا يصبح أي تغيير في سعر المزوّد هو سعرك في اليوم نفسه، مع تحويل تلقائي عند الفشل بين المزوّدين. وللتوضيح بشأن التغطية: لا يوجد أي نموذج كلام من Ant ضمن المسارات هنا، بما في ذلك Ming-3.0-tts-tiny، ولا أي نموذج من Sesame كذلك، بما في ذلك CSM-1B. ما تتم إحالته هو نصف خط الأنابيب الذي يكتب النص، ويختار وسم المشاعر، ويقرر متى ينبغي للوكيل أن يتحدث — وهو أيضًا النصف الذي يمكنك تغيير المزوّدين فيه دون إعادة تسجيل أي شيء.

ما الذي تشاهده بدلًا من مواجهة مباشرة

ثلاثة أمور من شأنها أن تحوّل هذا إلى مقارنة حقيقية، ولم يحدث أيٌّ منها بعد.

نقطة نهاية مستضافة لـ Ming-3.0-tts-tiny، أو طرف ثالث ينشر زمن استجابة ومعدل خطأ مقاسين لها. تذكر خارطة طريق Ant نفسها دعم vLLM-Omni، وهي مسألة تقديم خدمة لا مسألة جودة، لكنها الشرط المسبق لأي طرف آخر لتقييم النموذج.

رقم مرفق بـ CSM الخاص بـ Sesame لشهر أكتوبر. تقول الشركة إن التعبيرية والنطق قد تحسّنا وإن الفارق كبير على مدى المحادثات الطويلة؛ لكنها لم تنشر أي معرّف للنموذج، ولا رقمًا لزمن الاستجابة، ولا أي معيار تقييم، ولا يزال القياس العام الوحيد لأي شيء ذي صلة هو TurnBench، الذي يقيّم تبادل الأدوار بدلًا من جودة الصوت.

وأي نتيجة كورية من أي جهة غير Ant. إن رقم 6.000% هو أوضح خلل في السجل المنشور، وفريق ثانٍ يعيد إنتاج هذا الرقم أو يناقضه سيخبرك عن نقطة التحقق هذه أكثر مما يمكن لأي درجة Elo أن تخبرك به.

حتى ذلك الحين، الحكم الصادق غير مبهر: أحد هذين يمكنك تنزيله ومراجعته وإصداره، برخصة تسمح بذلك وبمجموعة اختبارات قياس أداء لم يشغّلها سوى مؤلفه. والآخر يمكنك التحدث إليه على هاتفك، والإعجاب به، من دون أن تبني عليه.