Ming-3.0-tts مقابل Sesame Preview: صوت يمكنك امتلاكه مقابل صوت لا يمكنك إلا سماعه

يمكنك سماع Sesame Preview في غضون ثلاثين ثانية تقريبًا، ولا يمكنك تنزيله بأي ثمن. يمكنك تنزيل Ming-3.0-tts مجانًا بموجب ترخيص MIT، ولا يوجد عرض تجريبي مصقول لتجربته أولًا. هذا التفاوت هو المقارنة بأكملها، ومعظم المقارنات المباشرة تخطئ في ذلك من خلال التعامل مع الاثنين كواجهات برمجة تطبيقات متنافسة لتحويل النص إلى كلام. لكنهما ليسا كذلك. Sesame Preview منتج استهلاكي مكتمل مبني حول صوت لم تصدره Sesame قط؛ أما Ming-3.0-tts فهو نموذج كلام مفتوح الأوزان من فريق inclusionAI التابع لـ Ant Group، نُشر في 20 أكتوبر 2026، ولا يملك أي واجهة أمامية استهلاكية مستضافة على الإطلاق. أحدهما مطعم. والآخر مطبخ.

هذا لا يجعل المقارنة عديمة الفائدة. بل يجعلها سؤالًا حول ما تحاول شراءه فعليًا: وكيل محادثة يعمل اليوم، أم صوت يمكنك وضعه داخل منتجك الخاص والاحتفاظ به. وبمجرد أن تفصل بين هذين، يصبح القرار أوضح مما توحي به أوراق المواصفات — ويتوقف على حقائق لا تذكرها صفحة تسويق أي من النموذجين بوضوح.

ثلاثة أشياء تُسمى "سمسم"، واحد فقط منها يمكنك استخدامه

التسمية هي الفخ الأول. تشير "Sesame Preview" إلى التطبيق المجاني الذي يضم أربع شخصيات محادثة — مايا ومايلز وسيمون وتشارلي. أُطلق كمعاينة على الويب في فبراير 2025، ووصل إلى iOS في أواخر مايو 2026 وإلى Android في 6 أغسطس 2026. وهو يُجري عمليات بحث مباشرة على الويب أثناء المحادثة ويتذكر السياق على مدار الجلسة.

ما يشغّل ذلك التطبيق ليس النموذج الذي يمكنك تنزيله. يعمل صوت Sesame الإنتاجي على نموذج أكبر ومغلق لم يُطرح قط. الملف القابل للتنزيل هو CSM-1B، نموذج الكلام الحواري: نحو مليار معلمة، بترخيص Apache-2.0، مقيّد بقبول الشروط، ومبني على بنية Llama الأساسية مع ترميز الصوت Mimi من Kyutai بتردد 24 kHz. CSM-1B هو سلف صوت العرض التجريبي، وليس صوت العرض التجريبي. إنه نموذج أساسي لا يستطيع توليد النص بمفرده ويحتاج إلى نموذج لغوي مقترن به.

إذاً التأطير الصادق لـ«Ming-3.0-tts vs Sesame Preview» هو في الحقيقة مقارنتان متراكبتان. أمام تطبيق Preview، تنافس Ming على القدرات وتخسر في الإتقان وزمن الاستجابة. وأمام CSM-1B، تنافس Ming مباشرة على الأوزان والترخيص والتحكم، وتفوز في معظمها.

ما الذي يقدمه Ming-3.0-tts من قيمة مضافة

Ming-3.0-tts هو خط تركيب الكلام ضمن عائلة Ming-3.0 التابعة لـ Ant والمكوّنة من خمسة نماذج، ومرخّص بموجب MIT، مع أوزان على Hugging Face وModelScope وشيفرة استدلال في مستودع GitHub منفصل. ويُطرح في نقطتي تحقق تمثلان منتجين مختلفين فعليًا.

• Ming-3.0-tts-0.5B — كثيف، على هيكل Qwen2.5-0.5B الأساسي مع رأس DiT ومُرمِّز صوتي، بحجم نحو 2.96 GB. هذه هي نقطة التحقق ذات عمليات التشغيل المستقلة للاختبارات المعيارية.

• Ming-3.0-tts-tiny — خليط خبراء بإجمالي 7.9 مليار معامل و1.3 مليار معامل نشط، على العمود الفقري Ling V3 الخاص بـ Ant، بحجم يقارب 18 غيغابايت، ويضيف توليد بودكاست متعدد المتحدثين. تصف كلمة "Tiny" تكلفة التشغيل، لا حجم التنزيل.

القدرات المهمة لهذه المقارنة: استنساخ الصوت دون تدريب من مقطع مرجعي قصير، وتصميم الصوت من وصف باللغة الطبيعية، ووضع المخرج للتحكم الحر في الأداء، و14 وسمًا باراللغويًا مضمّنًا مثل الضحك والتنهدات، وتحكم صريح في العاطفة والسرعة والنغمة ومستوى الصوت، وأكثر من 100 صوت صيني وخمسة أصوات إنجليزية، وسبع لغات بالإضافة إلى السيتشوانية والكانتونية، وإخراج بتردد 44.1 كيلوهرتز.

لا يستقر اختبار الصوت ولا لوحة المتصدرين.

تعتمد سمعة Sesame على ما تبدو عليه أصوات Preview. وتدعم قياسات طرف ثالث ذلك: فقد وضعت قائمة CodeSOTA المختصرة لتقنيات TTS مفتوحة المصدر Sesame في المرتبة الأولى بمقياس 4.7 MOS، وقاست CallSphere صوت Maya الإنتاجي عند 4.6 MOS. هذه أرقام قوية، وهي السبب في أن العرض التجريبي انتشر على نطاق واسع.

إنها أيضًا قياسات لصوت لا يمكنك ترخيصه. السؤال ذو الصلة بالنسبة للمطوّر ليس "ما مدى جودة Maya" بل "ما مدى جودة أفضل صوت يمكنني وضعه في منتجي".

على لوحات التقييم المستقلة، يكون Ming-3.0-tts هو الأقوى تحديدًا في المجال الذي يقوم عليه سير عمل الاستنساخ. فساحة الصوت الخاضعة للتحكم من Artificial Analysis، التي تستخدم ثمانية أصوات مستنسخة عبر أربع لهجات أمريكية وأربع بريطانية، تضع Ming عند 1,069 نقطة Elo — في المرتبة الأولى بين النماذج مفتوحة الأوزان وحوالي المرتبة 13 إجمالًا. أما درجة Provider Voice، حيث يستخدم النموذج أصواته الجاهزة الخاصة، فهي 1,188 نقطة Elo، في المرتبة الثالثة بين النماذج مفتوحة الأوزان وحوالي المرتبة 18 إجمالًا. والفرق بين هاتين النتيجتين هو شخصية النموذج في سطر واحد: فهو أفضل بكثير في إعادة إنتاج صوت تقدمه له مما هو في أن يكون صوتًا جاهزًا للاستخدام مباشرة.

كما تعادلت Ming أيضًا في المركز الأول إجمالًا في متانة النطق بنسبة 93.2%، وهي نتيجة حقيقية بفارق ضئيل. أما في المصطلحات المنفردة — أسماء العلامات التجارية وأسماء الأماكن والأسماء العلم المعزولة — فتحتل المرتبة 21 من 31. اقرأ ذلك كلافتة تحذيرية لكل من يحتوي نصه على أسماء منتجات: فالدرجة الإجمالية ليست الرقم الذي ستدور حوله تقارير الأخطاء لديك.

لا يظهر Sesame Preview على تلك اللوحات بشكل قابل للمقارنة. فأصوات تطبيقه شخصيات ثابتة وليست نسخًا مستنسخة، ولا توجد نقطة تحقق عامة من نموذج الإنتاج يمكن القياس عليها. ودرجة MOS البالغة 4.7 هي أفضل دليل متاح، وهي تقيس شيئًا مختلفًا.

التحكّم: كرسي المخرج مقابل شخصية

مينغ يتعامل مع الكلام بوصفه إشارة قابلة للتحكم. يمكنك استنساخ صوت مرجعي، أو تصميم صوت من نص، أو وسم utterance بضحكة أو تنهيدة، أو توجيه الأداء بلغة حرة. بطاقة الطراز صريحة بشأن مواضع النقص: الوسوم شبه اللغوية متعددة الأحداث أضعف من أحادية الحدث، والتحكم في الانفعال أصعب عندما يحمل النص إشارة انفعالية ضئيلة، ودقة طبقة الصوت أقل من دقة السرعة أو مستوى الصوت، وتصميم الصوت المفتوح لا يزال متأخرًا عن أقوى نظام قيّمته الفرقة. لا شيء من ذلك غير معتاد لإصدار عام أول. وكل ذلك موثّق، وهو أكثر مما تقدمه معظم الشركات.

سطح التحكم في Sesame هو محادثة. يدير التطبيق تبادل الأدوار والذاكرة والبحث المباشر، والصوت أحد مكونات الوكيل وليس معاملًا تضبطه. وتكمن نقطة ضعفه في الجانب الآخر من ذلك التكامل: فقد قِيس معدل الخطأ في استدعاء الدوال عند 6.7% مقابل 2.1% لدى منافس يعمل في الوقت الفعلي، وهو نوع الرقم الذي يهم إذا كنت تريد بناء وكيل عليه بدلًا من التحدث إلى واحد.

إذا كان متطلبك هو "صوت يقرأ هذا النص بالطريقة التي أحددها"، فإن Ming هو الوحيد من بين الاثنين الذي يوفّر أدوات التحكم. وإذا كان متطلبك هو "وكيل صوتي يتولى محادثة"، فإن Sesame هو الوحيد من بين الاثنين الذي يوفّر وكيلًا صوتيًا كهذا.

جودة اللغة والصوت

• اللغات — يغطّي Ming اللغات الصينية والإنجليزية والألمانية والإسبانية والفرنسية والكورية واليابانية، إضافةً إلى السيتشوانية والكانتونية. أما Sesame Preview فيمنح الأولوية للإنجليزية؛ فالتطبيق يدعم الإنجليزية فقط، وأداء CSM-1B في اللغات غير الإنجليزية غير مُختبَر إلى حدٍّ كبير.

• معدل العينات — يُخرج Ming بمعدل 44.1 كيلوهرتز. أما CSM-1B فيُخرج بمعدل 24 كيلوهرتز عبر مرمّز Mimi، وهو معدل كافٍ للكلام الحواري، لكنه ضيّق بشكل ملحوظ للأعمال الموسيقية أو أعمال البث.

• كتالوج الأصوات — توفّر Ming أكثر من 100 صوت صيني وخمسة أصوات إنجليزية. وتوفّر Sesame أربع شخصيات، لكل منها طابع مميز، وهو قرار منتج مُنتقى بدلًا من أن يكون كتالوجًا.

• النطاق العاطفي — يتيح Ming التعامل مع العاطفة كإعداد تحكّم له حدود موثّقة. أما التعبير العاطفي في Sesame فهو جزء أصيل من الشخصيات، ويُعدّ على نطاق واسع أقوى ميزاتها؛ وهو أيضاً ليس شيئاً يمكنك ضبطه بمقبض.

زمن الاستجابة هو الميزة التي لا جدال فيها لصالح Sesame

هذا هو المحور الوحيد الذي لا تكون فيه المقارنة متقاربة. يبث Sesame Preview بزمن وصول لأول بايت أقل من 300 مللي ثانية؛ وقد قِيس صوت Maya عند 80–130 مللي ثانية حتى أول بايت، والوكيل الكامل عند 250–450 مللي ثانية مع p95 قدره 480 مللي ثانية. هذا بمستوى المحادثة الحقيقية، وهو نتاج منتج بُني من البداية إلى النهاية للحوار في الزمن الحقيقي.

Ming-3.0-tts هو كود استدلال بمستوى بحثي. لا يوجد مسار بث موثّق، ولا حزمة خدمة، ولا رقم كمون في بطاقة النموذج. يشير المستودع إلى الاستدلال المعجّل عبر vLLM-Omni باعتباره خارطة الطريق. وإلى أن يتوفر ذلك، فإن مقارنة كمونه بكمون Sesame هي مقارنة بين أداة قياس أداء ومنتج مطروح، والمنتج المطروح يفوز بحكم الوضع الافتراضي.

كم يكلف كل واحد

• Sesame Preview — التطبيق مجاني. صوت العرض التجريبي ليس للبيع بأي سعر، وهذه هي الحقيقة ذات الصلة بالنسبة للمطوّر.

• CSM-1B — تدرجه واجهة برمجة التطبيقات الخاصة بـ Sesame بسعر نحو $7 لكل مليون حرف مع سياق 4K، وتقدمه Sesame وحدها. وبمعدل نحو 14 حرفًا لكل ثانية من الكلام، يبلغ ذلك نحو $0.35 لكل ساعة صوتية، وهو أرخص خيار كلام محاسَب بالاستهلاك في هذا الجانب من السوق.

• Ming-3.0-tts — أوزان MIT مجانية وفاتورة GPU. إن استئجار H800 بنحو دولارين لكل ساعة GPU لتشغيل نموذج بحجم 0.5B أسرع من الزمن الحقيقي يقع أقل بكثير من السعر المقنن عند الحجم المستمر، وأعلى منه عند الحجم المنخفض متى حُسبت السعة الخاملة بصدق.

وبالتالي فإن مقارنة التكلفة تعتمد كليًا على حجم الاستخدام وعلى ما إذا كنت تمتلك وحدات معالجة رسوميات (GPUs) بالفعل. فإذا كان حجم الصوت أقل من بضع عشرات من الساعات شهريًا، يصعب التغلب على سعر CSM-1B البالغ 0.35 دولار لكل ساعة صوت، وهو لا يتطلب أي بنية تحتية. أما إذا تجاوزت المئات من الساعات، فإن استضافة Ming ذاتيًا تصبح أرخص وتزداد رخصًا باستمرار، لأن التوليد الإضافي لا يكلف شيئًا. والخطأ هو الاختيار بناءً على السعر المعلن بدلًا من معدل الاستخدام الفعلي.

الترخيص هو حيث يفترق الاثنان فعليًا.

CSM-1B مرخّص بموجب Apache-2.0، وهو ترخيص متساهل، لكنه محجوب خلف قبول الشروط وليس النموذج الموجود في العرض التجريبي. أما Ming-3.0-tts فمرخّص بموجب MIT على كل من نقطتي التحقق، وغير محجوب، ولا يتضمن نقرًا لقبول الاستخدام المقبول ولا استثناءً تجاريًا. في مراجعة قانونية تسأل عما إذا كان يمكن ضبط النموذج بدقة على بيانات صوت العملاء وشحنه داخل منتج مغلق، فإن الإجابتين كلتيهما هي "نعم" — لكن واحدة فقط منهما هي النموذج الذي سمعته فعليًا.

هذه هي المقايضة في جملة واحدة: يمنحك Sesame صوتًا أفضل سماعًا ويحتفظ به؛ أما Ming فيمنحك صوتًا جيدًا يمكنك أخذه معك إلى المنزل.

أين يتناسب OrcaRouter — وأين لا يتناسب

لا يُستضاف أي من النموذجين على OrcaRouter. لا توجد نقطة نهاية صوتية لـ Ming ولا نقطة نهاية لـ Sesame على منصتنا، ولن تختلق هذه الصفحة واحدة. ما نستضيفه هو بقية المكدس: نماذج اللغة التي تكتب النصوص وتعيد كتابتها، ونماذج صوتية جاهزة للإنتاج مثل Gemini 3.1 Flash TTS Preview وGPT-4o mini TTS للفرق التي تريد صوتًا مُدارًا بدلًا من صوت مستضاف ذاتيًا.

الجزء المفيد هو الحد الفاصل بين تلك الطبقات. إذا استضفت Ming بنفسك، فإن نموذج الصوت لديك لا يضمن التوافر، ولا يتوسّع تلقائيًا، وليس له منطقة ثانية؛ ويمكن لطبقة التوجيه أن تجعل النصف النصي من خط الأنابيب زائدًا عن الحاجة وأن تفشل تلقائيًا إلى بديل عندما يتدهور أحد المزوّدين. مفتاح API واحد يغطي أكثر من 200 نموذج عند هامش ربح 0% على سعر القائمة لدى المزوّد، كما تتيح لك لغة التوجيه DSL تركيب مسار أساسي ومسار احتياطي في استدعاء واحد بدلًا من نثر منطق إعادة المحاولة في أنحاء تطبيقك. ودمج النماذج هو الخيار الآخر الجدير بالمعرفة: ففي مهمة مثل تكييف السكربت، غالبًا ما تتفوق مجموعة من النماذج تجيب معًا على نموذج واحد عندما تكون المهمة حكمًا لا توليدًا. لا شيء من هذا يجعل Ming أسرع أو Sesame قابلة للترخيص. بل إنه يجعل خط الأنابيب المحيط بأي صوت تختاره يصمد حين يكون الصوت هو الحلقة الأضعف.

القرار، بصيغة واضحة.

إذا كنت تريد وكيلًا صوتيًا حواريًا باللغة الإنجليزية هذا الأسبوع، فإن Sesame Preview هو المنتج المكتمل، ولا شيء في عالم الأوزان المفتوحة يضاهي زمن استجابته أو شخصيته الجاهزة. تقبّل أنك لا تستطيع ترخيص الصوت، وأنك تبني على تطبيق مغلق، وأن 4.7 MOS هو الحد الأقصى لما يمكنك التحقق منه.

إذا كنت تريد صوتًا داخل منتجك — مستنسخًا، ومصممًا، ومُتحكَّمًا فيه، بسبع لغات، وبشروط MIT ودون احتساب لكل حرف — فإن Ming-3.0-tts هو الخيار، مع شرطين. اختبر مفرداتك الخاصة قبل أن تثق بنتيجة النطق البالغة 93.2%، لأن نتيجة المصطلحات المنفردة أضعف بكثير. وخطّط للجانب الهندسي: فمسار الاستدلال بمستوى بحثي، ولا يوجد دعم للبث التدفقي بعد، وكتالوج الأصوات الإنجليزية يضم خمسة أصوات فقط.

الشيء الوحيد الذي لا ينبغي أن تفعله هو أن تفسّر هذا على أنه مسابقة جودة. من المحتمل أن صوت Sesame التجريبي يبدو أفضل بالفعل من أصوات Ming الإنجليزية الجاهزة؛ فهذا ما ينبغي أن يحققه منتج منسّق من أربع شخصيات ومحسّن للمحادثة. السؤال هو: هل تشتري الصوت أم تستأجر تجربة سماعه؟ واحد فقط من هذين معروض في القائمة.