Ming-3.0-tts vs. Sesame Preview: Die Stimme, die Sie besitzen können, gegen die Stimme, die Sie nur hören können

Man kann Sesame Preview in etwa dreißig Sekunden hören, und man kann es zu keinem Preis herunterladen. Herunterladen kann man Ming-3.0-tts kostenlos unter der MIT-Lizenz, und es gibt keine ausgearbeitete Demo zum vorherigen Ausprobieren. Diese Asymmetrie ist der gesamte Vergleich, und die meisten Direktvergleiche machen es falsch, indem sie die beiden als konkurrierende Text-to-Speech-APIs behandeln. Das sind sie nicht. Sesame Preview ist ein fertiges Consumer-Produkt, das um eine Stimme herum entwickelt wurde, die Sesame nie veröffentlicht hat; Ming-3.0-tts ist ein Open-Weight-Sprachmodell aus dem inclusionAI-Team von Ant Group, veröffentlicht am 20. Oktober 2026, ganz ohne gehostetes Endnutzer-Frontend. Das eine ist ein Restaurant. Das andere ist eine Küche.

Das macht den Vergleich nicht nutzlos. Es macht daraus die Frage, was Sie tatsächlich kaufen wollen: einen Gesprächsagenten, der heute funktioniert, oder eine Stimme, die Sie in Ihr eigenes Produkt integrieren und behalten können. Sobald Sie diese beiden Dinge trennen, ist die Entscheidung klarer, als die Datenblätter vermuten lassen – und sie hängt von Fakten ab, die keine der Marketingseiten der beiden Modelle offen ausspricht.

Drei Dinge namens „Sesame“, von denen du nur eines nutzen kannst

Die Benennung ist die erste Falle. „Sesame Preview“ bezeichnet die kostenlose App mit vier Gesprächspersonas – Maya, Miles, Simone und Charlie. Sie startete im Februar 2025 als Web-Vorschau, erreichte iOS Ende Mai 2026 und Android am 6. August 2026. Sie führt mitten im Gespräch Live-Websuchen durch und merkt sich den Kontext über eine Sitzung hinweg.

Was diese App antreibt, ist nicht das Modell, das man herunterladen kann. Sesames Produktionsstimme läuft auf einem größeren, geschlossenen Modell, das nie veröffentlicht wurde. Das herunterladbare Artefakt ist CSM-1B, das Conversational Speech Model: etwa 1 Mrd. Parameter, Apache-2.0, hinter einer Zustimmung zu den Bedingungen gesperrt, auf einem Llama-Backbone mit Kyutais Mimi-Audiocodec bei 24 kHz aufgebaut. CSM-1B ist der Vorfahr der Demo-Stimme, nicht die Demo-Stimme. Es ist ein Basismodell, das keinen Text allein generieren kann und ein damit gekoppeltes Sprachmodell benötigt.

Die ehrliche Betrachtung von „Ming-3.0-tts vs. Sesame Preview“ besteht eigentlich aus zwei Vergleichen, die übereinanderliegen. Gegenüber der Preview-App konkurriert Ming bei der Leistungsfähigkeit und verliert bei Feinschliff und Latenz. Gegenüber CSM-1B konkurriert Ming direkt bei Gewichten, Lizenz und Kontrolle – und gewinnt in den meisten dieser Punkte.

Was Ming-3.0-tts mitbringt

Ming-3.0-tts ist die Sprachsynthese-Reihe der aus fünf Modellen bestehenden Ming-3.0-Familie von Ant, unter MIT-Lizenz, mit Gewichten auf Hugging Face und ModelScope und Inferenzcode in einem separaten GitHub-Repository. Es wird in zwei Checkpoints ausgeliefert, bei denen es sich um wirklich unterschiedliche Produkte handelt.

• Ming-3.0-tts-0.5B — dicht, auf einem Qwen2.5-0.5B-Backbone mit einem DiT-Kopf und einem Audio-Tokenizer, etwa 2,96 GB. Dies ist der Checkpoint mit unabhängigen Benchmark-Läufen.

• Ming-3.0-tts-tiny — ein Mixture-of-Experts-Modell mit insgesamt 7,9 Mrd. Parametern und 1,3 Mrd. aktiven Parametern auf dem Ling V3-Backbone von Ant, rund 18 GB, das die Generierung von Podcasts mit mehreren Sprechern ermöglicht. „Tiny“ beschreibt die Laufzeitkosten, nicht die Download-Größe.

Fähigkeiten, die für diesen Vergleich relevant sind: Zero-Shot-Voice-Cloning anhand eines kurzen Referenzclips, Voice-Design aus einer natürlichsprachlichen Beschreibung, ein Director-Modus für freie Steuerung der Darbietung, 14 inline paralinguistische Tags wie Lachen und Seufzen, explizite Steuerungen für Emotion, Geschwindigkeit, Tonhöhe und Lautstärke, mehr als 100 chinesische Stimmen und fünf englische, sieben Sprachen plus Sichuanesisch und Kantonesisch sowie eine 44,1-kHz-Ausgabe.

Der Sprachtest entscheidet keine der beiden Bestenlisten.

Sesames Ruf beruht darauf, wie die Preview-Stimmen klingen. Messungen von Drittanbietern bestätigen das: CodeSOTAs Open-Source-TTS-Shortlist setzte Sesame mit einem MOS von 4,7 auf Platz eins, und CallSphere maß die Produktionsstimme Maya mit 4,6 MOS. Das sind starke Werte, und sie sind der Grund, warum die Demo viral ging.

Sie sind auch Messungen einer Stimme, die man nicht lizenzieren kann. Die relevante Frage für einen Entwickler ist nicht „Wie gut ist Maya?“, sondern „Wie gut ist die beste Stimme, die ich in mein Produkt einbauen kann?“

Auf den unabhängigen Bestenlisten ist Ming-3.0-tts genau dort am stärksten, wo ein Klon-Workflow zu Hause ist. Die Controlled Voice Arena von Artificial Analysis, die acht geklonte Stimmen über vier US- und vier UK-Akzente hinweg verwendet, setzt Ming auf 1.069 Elo – Platz eins unter den Open-Weight-Modellen und insgesamt etwa Rang 13. Sein Provider-Voice-Wert, bei dem ein Modell seine eigenen Standardstimmen verwendet, liegt bei 1.188 Elo, Platz drei unter den Open-Weight-Modellen und insgesamt etwa Rang 18. Der Abstand zwischen diesen beiden Ergebnissen beschreibt den Charakter des Modells in einem Satz: Es ist deutlich besser darin, eine von Ihnen gelieferte Stimme nachzubilden, als von Haus aus selbst eine Stimme zu sein.

Ming lag bei der Pronunciation Robustness mit 93,2 % ebenfalls punktgleich auf dem ersten Gesamtplatz – ein echtes und zugleich knappes Ergebnis. Bei Einzelbegriffen – Markennamen, Ortsnamen, isolierten Eigennamen – liegt es auf Platz 21 von 31. Das sollte als Warnhinweis für alle dienen, deren Skript Produktnamen enthält: Der Gesamtwert ist nicht die Zahl, um die es in Ihren Fehlerberichten gehen wird.

Sesame Preview erscheint auf diesen Boards nicht in vergleichbarer Form. Die Stimmen in der App sind feste Personas, keine Klone, und es gibt keinen öffentlichen Checkpoint des Produktionsmodells, an dem man einen Benchmark durchführen könnte. Die 4,7 MOS sind die beste verfügbare Evidenz, und sie messen etwas anderes.

Kontrolle: ein Regiestuhl versus eine Persönlichkeit

Ming behandelt Sprache als kontrollierbares Signal. Man kann eine Referenzstimme klonen, eine Stimme aus Text entwerfen, eine Äußerung mit einem Lachen oder Seufzen taggen oder die Vortragsweise in freier Sprache anweisen. Die Modellkarte ist offen damit, wo dies unvollkommen ist: Paralinguistische Tags für mehrere Ereignisse sind schwächer als solche für einzelne Ereignisse, die Emotionssteuerung ist schwieriger, wenn der Text wenig emotionales Signal trägt, die Tonhöhe ist weniger präzise als Geschwindigkeit oder Lautstärke, und die offene Stimmgestaltung bleibt noch hinter dem stärksten System zurück, das das Team evaluiert hat. Nichts davon ist für eine erste öffentliche Veröffentlichung ungewöhnlich. Alles davon ist dokumentiert, was mehr ist, als die meisten Anbieter bieten.

Sesames Steuerungsoberfläche ist ein Gespräch. Die App verwaltet Sprecherwechsel, Gedächtnis und Live-Suche, und die Stimme ist eine Komponente eines Agenten und kein Parameter, den man abstimmt. Ihre Schwäche ist die Kehrseite dieser Integration: Function Calling wurde mit einer Fehlerrate von 6,7 % gemessen, gegenüber 2,1 % bei einem Echtzeit-Konkurrenten – eine Zahl, die zählt, wenn man einen Agenten darauf bauen wollte, statt mit einem zu sprechen.

Wenn Ihre Anforderung „eine Stimme ist, die dieses Skript so vorliest, wie ich es vorgebe“, dann ist Ming von den beiden die einzige, die diese Steuerungsmöglichkeiten bietet. Wenn Ihre Anforderung „ein Voice-Agent ist, der ein Gespräch führt“, dann ist Sesame von den beiden die einzige, die einen solchen mitliefert.

Sprache und Audioqualität

• Sprachen — Ming deckt Chinesisch, Englisch, Deutsch, Spanisch, Französisch, Koreanisch und Japanisch ab, außerdem Sichuanesisch und Kantonesisch. Sesame Preview ist primär auf Englisch ausgerichtet; die App ist ausschließlich auf Englisch verfügbar, und die Leistung von CSM-1B in anderen Sprachen als Englisch ist größtenteils ungetestet.

• Abtastrate — Ming gibt 44,1 kHz aus. CSM-1B gibt über den Mimi-Codec 24 kHz aus, was für Gesprächssprache ausreichend und für musiknahe oder Broadcast-Arbeiten merklich zu eng ist.

• Stimmkatalog — Ming bietet über 100 chinesische Stimmen und fünf englische. Sesame bietet vier Personas, jede mit einem unverwechselbaren eigenen Charakter, was eine kuratierte Produktentscheidung statt eines Katalogs ist.

• Emotionale Bandbreite — Ming legt Emotionen als einen Regler mit dokumentierten Grenzen offen. Sesames emotionale Ausdruckskraft ist fest in den Personas verankert und gilt weithin als seine stärkste Eigenschaft; sie lässt sich zudem nicht regulieren.

Die Latenz ist Sesames unbestreitbarer Vorteil.

Dies ist die eine Achse, auf der der Vergleich eindeutig ausfällt. Sesame Preview streamt mit einer First-Byte-Latenz von unter 300 ms; für die Maya-Stimme wurden 80–130 ms Time-to-First-Byte gemessen, für den vollständigen Agenten 250–450 ms mit einem p95 von 480 ms. Das ist Konversationsniveau und das Ergebnis eines Produkts, das durchgängig für Echtzeitdialoge entwickelt wurde.

Ming-3.0-tts ist Inferenzcode in Forschungsqualität. Es gibt keinen dokumentierten Streaming-Pfad, keinen Serving-Stack und keine Latenzangabe in der Model Card. Das Repository verweist als Roadmap auf beschleunigte Inferenz mit vLLM-Omni. Bis das existiert, ist der Vergleich seiner Latenz mit der von Sesame der Vergleich eines Benchmark-Harness mit einem ausgelieferten Produkt, und das ausgelieferte Produkt gewinnt standardmäßig.

Was jedes Einzelne kostet

• Sesame Preview — Die App ist kostenlos. Die Demo-Stimme steht zu keinem Preis zum Verkauf, was für einen Entwickler die entscheidende Tatsache ist.

• CSM-1B — Sesame führt es in der eigenen API mit etwa 7 US-Dollar pro Million Zeichen bei einem 4K-Kontext auf, ausschließlich von Sesame bereitgestellt. Bei ungefähr 14 Zeichen pro Sekunde Sprache sind das rund 0,35 US-Dollar pro Audio-Stunde, und es ist die günstigste abgerechnete Sprachoption in diesem Marktsegment.

• Ming-3.0-tts — kostenlose Gewichte unter MIT-Lizenz und eine GPU-Rechnung. Ein gemieteter H800 zu rund 2 $ pro GPU-Stunde, der ein 0,5B-Modell schneller als in Echtzeit betreibt, liegt bei dauerhaftem Volumen deutlich unter dem nutzungsabhängigen Tarif und bei geringem Volumen darüber, sobald man Leerlaufkapazität ehrlich mitrechnet.

Der Kostenvergleich hängt daher vollständig vom Volumen und davon ab, ob Sie bereits GPUs besitzen. Unter ein paar Dutzend Stunden Audio pro Monat sind die 0,35 US-Dollar pro Audio-Stunde von CSM-1B kaum zu schlagen und erfordern keine Infrastruktur. Ab ein paar hundert Stunden ist das Selbsthosting von Ming günstiger und wird immer günstiger, weil zusätzliche Generierung nichts kostet. Der Fehler besteht darin, nach dem Listenpreis statt nach der Auslastung zu entscheiden.

Lizenzierung ist der Punkt, an dem sich die beiden tatsächlich trennen.

CSM-1B steht unter Apache-2.0, einer permissiven Lizenz, ist aber hinter einer Zustimmung zu den Bedingungen gesperrt und nicht das Modell in der Demo. Ming-3.0-tts ist bei beiden Checkpoints MIT-lizenziert, ohne Zugangsbeschränkung, ohne Click-through zur zulässigen Nutzung und ohne kommerzielle Ausnahmeregelung. Für eine rechtliche Prüfung, die fragt, ob das Modell auf Kundenstimmdaten feinabgestimmt und in einem geschlossenen Produkt ausgeliefert werden kann, lautet die Antwort auf beides ja – aber nur eines davon ist das Modell, das Sie tatsächlich gehört haben.

Das ist der Tausch in einem Satz: Sesame gibt dir die besser klingende Stimme und behält sie; Ming gibt dir eine gut klingende Stimme, die du mit nach Hause nehmen kannst.

Wo OrcaRouter passt — und wo nicht

Keines der beiden Modelle wird auf OrcaRouter gehostet. Auf unserer Plattform gibt es keinen Ming-Speech-Endpunkt und keinen Sesame-Endpunkt, und diese Seite wird auch keinen erfinden. Was wir allerdings hosten, ist der Rest des Stacks: die Sprachmodelle, die Skripte schreiben und umschreiben, sowie produktionsreife Sprachmodelle wie Gemini 3.1 Flash TTS Preview und GPT-4o mini TTS für Teams, die eine verwaltete Stimme statt einer selbst gehosteten möchten.

Der nützliche Teil ist die Naht zwischen diesen Schichten. Wenn Sie Ming selbst hosten, hat Ihr Stimmmodell keine Verfügbarkeitsgarantie, keine automatische Skalierung und keine zweite Region; die Routing-Schicht kann die Text-Hälfte der Pipeline redundant machen und automatisch ein Failover durchführen, wenn ein Anbieter beeinträchtigt ist. Ein API-Schlüssel deckt über 200 Modelle zu 0 % Aufschlag auf den Listenpreis des Anbieters ab, und die Routing-DSL ermöglicht es Ihnen, einen primären Pfad und einen Fallback zu einem einzigen Aufruf zusammenzusetzen, statt Wiederholungslogik über Ihre Anwendung zu verstreuen. Modellfusion ist die andere Option, die es wert ist, gekannt zu werden: Bei etwas wie Skriptanpassung schlägt ein Panel von Modellen, die gemeinsam antworten, oft ein einzelnes Modell, wenn es bei der Aufgabe um Urteilsvermögen statt um Generierung geht. Nichts davon macht Ming schneller oder Sesame lizenzierbar. Es sorgt dafür, dass die Pipeline um die von Ihnen gewählte Stimme herum auch dann überlebt, wenn die Stimme das schwache Glied ist.

Die Entscheidung, klar gesagt

Wenn du diese Woche einen konversationellen Sprachagenten auf Englisch willst, ist Sesame Preview das fertige Produkt, und nichts in der Open-Weight-Welt erreicht seine Latenz oder seine Persönlichkeit ab Werk. Akzeptiere, dass du die Stimme nicht lizenzieren kannst, dass du auf einer geschlossenen App aufbaust und dass die 4,7 MOS die Obergrenze dessen sind, was du verifizieren kannst.

Wenn Sie eine Stimme in Ihrem eigenen Produkt wollen – geklont, entworfen, gesteuert, in sieben Sprachen, zu MIT-Bedingungen und ohne Abrechnung pro Zeichen –, dann ist Ming-3.0-tts die Wahl, allerdings mit zwei Bedingungen. Testen Sie Ihr eigenes Vokabular, bevor Sie der Aussprache-Bewertung von 93,2 % vertrauen, denn das Ergebnis bei Einzelbegriffen ist deutlich schwächer. Und planen Sie den technischen Aufwand ein: Der Inferenzpfad ist Research-Niveau, eine Streaming-Lösung gibt es noch nicht, und der englische Stimmkatalog umfasst gerade einmal fünf Stimmen.

Das Einzige, was Sie nicht tun sollten, ist, dies als einen Qualitätswettbewerb zu verstehen. Sesames Demo-Stimme klingt wahrscheinlich tatsächlich besser als Mings Standard-Englischstimmen; das ist es, was ein kuratiertes Produkt mit vier Personas, das für Gespräche optimiert ist, erreichen sollte. Die Frage ist, ob Sie die Stimme kaufen oder das Erlebnis, sie zu hören, mieten. Nur eines davon steht auf der Speisekarte.