Ming-3.0-tts-tiny vs. Sesame-Preview: Ein herunterladbarer Checkpoint gegen eine Stimme, die man nicht aufrufen kann

Setzt man Ming-3.0-tts-tiny und Sesame Preview in denselben Satz, zerfällt der Vergleich noch vor dem ersten Benchmark, denn nur eines von beiden ist etwas, das ein Entwickler beziehen kann. Ming-3.0-tts-tiny ist der inclusionAI-Checkpoint von Ant Group: insgesamt 7,9 Milliarden Parameter, etwa 1,3 Milliarden aktiv pro Token, MIT-lizenzierte Gewichte, veröffentlicht auf Hugging Face, mit Inferenzcode, der am 19. Oktober 2026 auf GitHub erschien. Sesame Preview ist ein Verbraucherassistent – vier Stimmen, eine iOS- und Android-App, keine API, keine Modell-ID, keine veröffentlichte Bewertung für die Stimme, die es überhaupt erst interessant macht. Das eine ist eine Datei. Das andere ist ein Produkt. Die interessante Frage ist nicht, welches besser klingt – das hat auf keiner der beiden Seiten jemand in vergleichbarer Weise gemessen –, sondern was jedes von beiden an einem Dienstagnachmittag ermöglicht, wenn man ein Skript und eine Frist hat. Die dokumentierten KI-Fehler und Agentenvorfälle hinter Veröffentlichungen wie dieser sind gesammelt in dem OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seine Vertrauensstufe und seine Kennzeichnung als umstritten enthält.

Die zeitliche Einordnung ist hier auf eine Weise von Bedeutung, wie es selten der Fall ist. Das Repository von Ming-3.0-tts-tiny wurde am 22. September 2026 erstellt, die Gewichte wurden am 24. September hochgeladen, und dreieinhalb Wochen lang war das Release unbrauchbar – ein Ordner voller Shards, ohne eine veröffentlichte Möglichkeit, sie auszuführen. Der Inferenzcode, die Ein-Klick-Beispiele und das Task-Cookbook erschienen gemeinsam am 19. Oktober um 08:58 UTC. Ant hat nichts davon angekündigt. Sesame Preview hingegen ist seit dem Frühjahr öffentlich verfügbar und bekam am 6. Oktober 2026 ein echtes Update, als der Chief Product Officer des Unternehmens ein neues Conversational Speech Model hinter der App beschrieb. Keines von beiden ist eine Markteinführung im Sinne einer Pressemitteilung, doch beide sind Entwicklungen, und nur bei einer davon gibt es etwas zum Herunterladen.

Die Kurzfassung, bevor die Beweise kommen

Wenn Sie ein Produkt entwickeln, ist Sesame Preview kein Kandidat und kann heute auch keiner werden: Es gibt keinen Endpunkt zum Aufrufen, keine Lizenz zum Lesen, keinen Preis und keine Zusicherung, dass die Stimme in der App die Stimme in irgendeinem Modell ist. Wenn Sie ein Produkt entwickeln und eine Stimme benötigen, die Ihnen gehört, ist Ming-3.0-tts-tiny ein Kandidat – ein junger, unbewerteter, selbst gehosteter, der Sie dazu bringt, Ihre eigene Bewertung vorzunehmen.

Das ist für die meisten Teams die gesamte Entscheidung. Alles Folgende ist für die Fälle gedacht, in denen das nicht gilt: für diejenigen, die sie als Gesprächsaudio und nicht als Produkte vergleichen oder abwägen, ob Sesames Ansatz derjenige ist, den man kopieren sollte.

Was Ihnen jedes davon tatsächlich in die Hand gibt

• Was du herunterlädst — Ming-3.0-tts-tiny: rund 18 GB mit dem Ling-V3-Backbone, einem Diffusion-Transformer-Head, einem Audio-Tokenizer, einem CAM++-Sprecher-Encoder und einem Text-Tokenizer. Sesame Preview: eine App aus dem App Store oder G​oogle Play, und sonst nichts.

• Was du aufrufen kannst – Ming-3.0-tts-tiny: eine Python-Klasse, MingTinyTTS.from_pretrained, mit Aufgabennamen für Zero-Shot-Cloning, mehrsprachige Synthese, Paralinguistik, Podcast-Dialog, Emotion, Dialekt, freien Stil und Stimmdesign. Sesame: eine Chat-Oberfläche mit vier Persönlichkeiten. Für die Produktionsstimme wurde nie eine Modell-ID veröffentlicht.

• Lizenz — {{1}}Ming-3.0-tts-tiny{{/1}}: {{2}}MIT{{/2}} für Gewichte und Code, mit einem Nutzungshinweis, der darum bittet, keine Personen zu imitieren und synthetische Audiodaten zu kennzeichnen. {{3}}Sesame{{/3}}: die Nutzungsbedingungen der App sowie ein unten besprochener offener Checkpoint, der nicht das Produktionsmodell ist.

• Sprachabdeckung — Ming-3.0-tts-tiny: Chinesisch, Englisch, Deutsch, Spanisch, Französisch, Koreanisch und Japanisch, wobei Sichuanesisch und Kantonesisch über einen Dialekt-Referenzclip verfügbar sind. Sesame: Englisch ist die einzige offiziell unterstützte Sprache; der Leitfaden merkt an, dass die Assistenten auch Französisch, Italienisch, Deutsch, Spanisch, Chinesisch, Japanisch und Koreanisch „früh“ verarbeiten, was eher als Warnung denn als Funktionsliste zu lesen ist.

• Preis — Ming-3.0-tts-tiny: keine Preisliste; Sie zahlen für einen H800 und den Strom. Sesame: kostenlos nutzbar, keine veröffentlichte Planstufe, und das Unternehmen sagt, dass es keine Werbung schaltet und keine Daten verkauft.

Unabhängige Bewertung — Ming-3.0-tts-tiny: keine, und ausdrücklich nicht die 1.188 Elo, die Artificial Analysis für „Ming-3.0-tts“ angibt, die zum 0.5B-Checkpoint gehört. Sesame: ebenfalls keine für die Stimme der App. Dies ist der seltene Vergleich, bei dem keine Seite einen Wert hat.

Das einzige Sesame-Artefakt, das ein Entwickler in der Hand halten kann

Es gibt ein Sesame-Modell auf Hugging Face, und es lohnt sich, genau zu klären, was es ist, denn es wird häufig mit der Stimme in der App verwechselt.

CSM-1B steht unter Apache-2.0, ist ausschließlich englischsprachig und basiert auf der Architektur, die das Unternehmen öffentlich beschrieben hat: ein Llama-Backbone, der das erste Audio-Codebook vorhersagt, und ein kleinerer Depth-Decoder, der den Rest vorhersagt, mit Dekodierung über Kyutais Mimi-Codec bei 24 kHz. Die Modellkarte bezeichnet es als „ein Basis-Generierungsmodell“ – fähig, unterschiedliche Stimmen zu erzeugen, nicht auf eine bestimmte zugeschnitten, und ausdrücklich treibt ein Derivat davon die interaktive Demo an, nicht der Checkpoint selbst sei die Demo. Zum Zeitpunkt dieser Erfassung verzeichnete es im Vormonat etwa 130.000 Downloads und rund 2.500 Likes, was für eine zwei Jahre alte Forschungsveröffentlichung eine echte Entwickler-Gefolgschaft ist.

Was das in der Praxis bedeutet: Man kann Sesames Architektur laden, sie feinabstimmen und ein konversationelles TTS selbst hosten. Man kann Sesames Produkt nicht laden. Das Oktober-Update – ein neues CSM mit besserer Ausdruckskraft und Aussprache, in den eigenen Worten des Unternehmens – hat das, was man nicht haben kann, weiterentwickelt und nichts Messbares dazu gesagt.

Wo sie sich tatsächlich überschneiden, und wo die Überschneidung endet

Beide zielen auf Sprache ab, die wie ein Gespräch und nicht wie eine Erzählung klingt, und das ist keine kleine Gemeinsamkeit. Sesame baute seinen Ruf auf Atem, Zögern und Unterbrechungs-Timing auf, das so überzeugend war, dass frühe Zuhörer annahmen, eine Person sei in der Leitung. Ants winziges Modell liefert 14 inline-paralinguistische Tags für Lachen, Seufzen, Atem und Zögern sowie eine Multi-Speaker-Podcast-Aufgabe, die sein eigenes 0.5B-Geschwistermodell nicht bewältigen kann.

Ab diesem Punkt nimmt die Überschneidung schnell ab.

Sesames Vorteil ist, dass die Stimme in ein funktionierendes Produkt eingebettet ist – mit Gedächtnis, Konnektoren zu Gmail, Calendar und Drive, einem eigenen Computer zum Browsen und Handeln, MCP-Unterstützung über OAuth und seit Oktober der Fähigkeit, andere Agenten zu orchestrieren. Nichts davon ist eine Funktion eines Speech-Modells; es ist ein Assistent, und die Sprache ist das Mittel, mit ihm zu sprechen. Ants Vorteil ist, dass alles überprüfbar ist. Jede Zahl auf der Modellkarte lässt sich auf ein Testset zurückführen, jede Aufgabe hat ein ausführbares Beispiel, und die Pipeline kannst du nach Belieben ändern.

Die Asymmetrie, die die meisten Bewertungen entscheidet, ist einfacher als beide Listen: Mit Ming-3.0-tts-tiny kann man denselben Satz hundertmal generieren und anhören. Mit Sesame kann man überhaupt nichts generieren, also gibt es kein Experiment, das man durchführen könnte – nur eine Meinung über eine App.

Was Ant veröffentlicht – und was das wert ist

Bei einer solchen Gegenüberstellung liegt die Versuchung nahe, die Lücke mit Ants Benchmark-Tabellen zu füllen, und diese sind umfangreich: Chinesisches Seed-TTS bei 0,820 % Wortfehlerrate und 0,781 Sprecherähnlichkeit, Englisch bei 1,666 % und 0,728, Deutsch 0,325 %, Spanisch 0,971 %, paralinguistische NVBench-Ergebnisse, die in allen sechs Einzelereignis-Kategorien an der Spitze liegen, Dialektsuiten bei 86,09 % auf WSC-Eval-TTS easy, Emotion bei 74,00 % auf CV3, Voice-Design bei 75,37 % auf InstructTTSEval-ZH.

Jede einzelne davon ist Ant, das Ant misst – auf Ants Prüfstand, mit Ants Referenzclips und Bewertungscode –, und nichts davon wurde außerhalb des Unternehmens reproduziert. Das macht die Zahlen nicht falsch. Es macht sie zu vom Anbieter gemeldeten Werten, und es bedeutet, dass sie nicht einem Sesame-Wert gegenübergestellt werden können, weil es keinen Sesame-Wert gibt, dem man sie gegenüberstellen könnte.

Das einzige Ergebnis in der Suite, das sich wie ein echter Vergleich verhält, ist das unangenehme: Bei Koreanisch weist Ming-3.0-tts-tiny eine Zeichenfehlerrate von 6,000 % auf, während sein eigenes 0,5B-Geschwistermodell 1,728 % erreicht. Die Modellkarte führt Koreanisch unter den bekannten Schwächen auf und bietet keine Erklärung. Eine plausible Erklärung – spärliches Routing, das einer wenig trainierten Sprache weniger Kapazität gibt, als ein dichtes Modell ähnlicher Größe hätte – ist eine Hypothese, kein Befund. Die betriebliche Interpretation ist die sichere: Wenn Koreanisch im Geltungsbereich liegt, teste es, bevor du ihm vertraust.

Gibt es etwas, das man aus Sesames Modell lernen kann, ohne das Modell?

Ja, und nach dem Lizenzunterschied ist es das Nützlichste in diesem Vergleich: Sesame veröffentlicht einen Benchmark. Am 28. August 2026 wurde TurnBench veröffentlicht, ein offener Benchmark für Turn-Taking in gesprochenem Dialog – 30 Stunden dreifach annotierter dyadischer Sprache, ein aus der Konversationsanalyse abgeleitetes Bewertungsprotokoll, ein öffentliches Leaderboard und Ergebnisse für 14 Systeme, entwickelt mit Carnegie Mellon, Mundo AI und Oto.

Turn-Taking ist genau die Qualität, die weder ein Preference-Elo-Board noch eine Word-Error-Tabelle erfassen, und es ist die Qualität, für die Sesames Produkt berühmt ist. Wenn Sie Ming-3.0-tts-tiny auf irgendetwas Konversationelles hin evaluieren, ist TurnBench das Instrument der Wahl, auch wenn Sesames eigene App nicht darin enthalten ist: Bewerten Sie Ihren Kandidaten hinsichtlich Interruptions-Handling und Backchannel-Timing, statt anhand einer Ähnlichkeitsmetrik zu raten.

Das ist die Form eines fairen Vergleichs hier. Nicht Ming-3.0-tts-tiny gegen die Stimme von Sesame Preview, die sich nicht ausführen lässt, sondern Ming-3.0-tts-tiny gegen einen öffentlichen Benchmark, den Sesame für die Eigenschaft definiert hat, die beide anstreben.

Wenn du das Ding baust, für das einer von beiden gedacht ist

Die realistische Architektur für ein Sprachprodukt im Jahr 2026 ist eine Sprachebene plus ein Textgehirn, das entscheidet, was gesagt wird, und diese beiden befinden sich an entgegengesetzten Enden dieses Stacks. Ming-3.0-tts-tiny kann die Sprachebene sein, wenn Sie eine GPU und die Bereitschaft haben, es zu evaluieren. Sesame Preview kann überhaupt keine Ebene sein; es ist ein Konkurrenzprodukt, gegen das Sie entwickeln würden.

Das Text-Gehirn ist der Teil, in dem ein Router wirklich nützlich und nicht nur dekorativ ist. OrcaRouter bietet mehr als 200 Textmodelle hinter einem Schlüssel, zum Listenpreis des Anbieters ohne Aufschlag, sodass eine Preisänderung eines Anbieters am selben Tag zu Ihrem Preis wird, mit automatischem Failover über Anbieter hinweg. Um die Abdeckung ausdrücklich klarzustellen: Kein Ant-Sprachmodell ist hier eine Route, Ming-3.0-tts-tiny eingeschlossen, und auch kein Sesame-Modell, CSM-1B eingeschlossen. Geroutet wird die Hälfte der Pipeline, die das Skript schreibt, den Emotions-Tag auswählt und entscheidet, wann der Agent sprechen soll — und das ist zugleich die Hälfte, bei der Sie den Anbieter wechseln können, ohne irgendetwas neu aufzunehmen.

Was man statt eines direkten Duells ansehen sollte

Drei Dinge würden daraus einen echten Vergleich machen, und keines davon ist bisher passiert.

Ein gehosteter Endpunkt für Ming-3.0-tts-tiny oder ein Drittanbieter, der eine gemessene Latenz und Fehlerrate dafür veröffentlicht. Die eigene Roadmap von Ant erwähnt Unterstützung für vLLM-Omni, was eine Bereitstellungs- und keine Qualitätsfrage ist, aber die Voraussetzung dafür, dass jeder andere das Modell bewerten kann.

Eine Zahl zu Sesames Oktober-CSM. Das Unternehmen sagt, Ausdrucksstärke und Aussprache hätten sich verbessert, und der Unterschied sei bei langen Gesprächen groß; es hat keine Modell-ID, keine Latenzangabe und keinen Benchmark veröffentlicht, und die einzige öffentliche Messung von irgendetwas Angrenzendem bleibt TurnBench, das eher den Sprecherwechsel als die Sprachqualität bewertet.

Und ein koreanisches Ergebnis von jemand anderem als Ant. Die Zahl von 6,000 % ist der offensichtlichste Mangel im veröffentlichten Datensatz, und ein zweites Team, das sie reproduziert oder ihr widerspricht, würde dir mehr über diesen Checkpoint verraten, als es jede Elo-Punktzahl könnte.

Bis dahin ist das ehrliche Urteil wenig glamourös: Eines davon kann man herunterladen, prüfen und ausliefern – mit einer Lizenz, die es erlaubt, und einer Benchmark-Suite, die nur sein Autor ausgeführt hat. Mit dem anderen kann man auf seinem Handy sprechen, es bewundern und nicht darauf aufbauen.