Ming-3.0-tts-tiny vs Sesame-Preview: un checkpoint que puedes descargar frente a una voz que no puedes llamar

Pon Ming-3.0-tts-tiny y Sesame Preview en la misma frase y la comparación se desmorona antes del primer benchmark, porque solo uno de ellos es algo que un desarrollador puede obtener. Ming-3.0-tts-tiny es el checkpoint de inclusionAI de Ant Group: 7,9 mil millones de parámetros en total, alrededor de 1,3 mil millones activos por token, pesos con licencia MIT publicados en Hugging Face con código de inferencia que llegó a GitHub el 19 de octubre de 2026. Sesame Preview es un asistente para consumidores —cuatro voces, una app para iOS y Android, sin API, sin ID de modelo, sin puntuación publicada para la voz que hace que valga la pena escribir sobre él. Uno es un archivo. El otro es un producto. La pregunta interesante no es cuál suena mejor, ya que nadie ha medido eso en ninguno de los dos lados de una forma que se pueda comparar, sino qué te permite hacer cada uno un martes por la tarde cuando tienes un guion y una fecha límite. Los fallos de IA y los incidentes de agentes documentados que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.

Las fechas importan aquí de una manera que rara vez ocurre. El repositorio de Ming-3.0-tts-tiny se creó el 22 de septiembre de 2026, los pesos se publicaron el 24 de septiembre y, durante tres semanas y media, el lanzamiento fue inutilizable: una carpeta de fragmentos sin ninguna forma publicada de ejecutarlos. El código de inferencia, los ejemplos de un solo clic y el recetario de tareas aparecieron juntos el 19 de octubre a las 08:58 UTC. Ant no ha anunciado nada de esto. Sesame Preview, en cambio, se ha estado distribuyendo públicamente desde la primavera y recibió una actualización real el 6 de octubre de 2026, cuando el director de producto de la empresa describió un nuevo Conversational Speech Model detrás de la aplicación. Ninguno de los dos es un lanzamiento en el sentido que le da un comunicado de prensa, pero ambos son movimientos, y solo uno de ellos incluye algo que se puede descargar.

La versión breve, antes de la evidencia

Si estás creando un producto, Sesame Preview no es un candidato y hoy no puede convertirse en uno: no hay ningún endpoint al que llamar, ninguna licencia que leer, ningún precio y ningún compromiso de que la voz de la aplicación sea la voz de ningún modelo. Si estás creando un producto y necesitas una voz propia, Ming-3.0-tts-tiny es un candidato: uno joven, sin puntuación y autoalojado que te obligará a hacer tu propia evaluación.

Esa es toda la decisión para la mayoría de los equipos. Todo lo que sigue es para los casos en los que no lo es: los que los comparan como audio conversacional en lugar de como productos, o que sopesan si el enfoque de Sesame es el que hay que copiar.

Lo que cada uno realmente pone en tus manos

• Lo que descargas: Ming-3.0-tts-tiny, aproximadamente 18 GB que incluyen la columna vertebral Ling V3, una cabeza de transformador de difusión, un tokenizador de audio, un codificador de hablante CAM++ y un tokenizador de texto. Sesame Preview: una aplicación de App Store o Google Play, y nada más.

• Lo que puedes llamar: Ming-3.0-tts-tiny: una clase de Python, MingTinyTTS.from_pretrained, con nombres de tareas para clonación zero-shot, síntesis multilingüe, paralingüística, diálogo de podcast, emoción, dialecto, estilo libre y diseño de voz. Sesame: una interfaz de chat con cuatro personalidades. Nunca se ha publicado ningún ID de modelo para la voz de producción.

• Licencia — Ming-3.0-tts-tiny: MIT en los pesos y el código, con una nota de uso que pide no suplantar a personas y etiquetar el audio sintético. Sesame: los términos de servicio de la aplicación, además de un checkpoint abierto que se comenta más abajo y que no es el modelo de producción.

• Cobertura de idiomas — Ming-3.0-tts-tiny: chino, inglés, alemán, español, francés, coreano y japonés, con sichuanés y cantonés disponibles a partir de un clip de referencia de dialecto. Sesame: el inglés es el único idioma con soporte oficial; la guía señala que los asistentes también manejan francés, italiano, alemán, español, chino, japonés y coreano "de forma temprana", lo que se interpreta como una advertencia más que como una lista de funciones.

• Precio — Ming-3.0-tts-tiny: no hay lista de precios; pagas por una H800 y la electricidad. Sesame: uso gratuito, sin niveles de plan publicados, y la empresa afirma que no muestra anuncios ni vende datos.

• Puntuación independiente — Ming-3.0-tts-tiny: ninguna, y en concreto no el 1,188 Elo que Artificial Analysis indica para "Ming-3.0-tts", que corresponde al checkpoint de 0.5B. Sesame: tampoco ninguna para la voz de la aplicación. Este es el raro enfrentamiento en el que ninguno de los dos lados tiene una cifra.

El único artefacto de Sesame que un desarrollador puede sostener

Hay un modelo Sesame en Hugging Face, y vale la pena ser preciso sobre qué es, porque habitualmente se confunde con la voz de la aplicación.

CSM-1B tiene licencia Apache-2.0, solo está disponible en inglés y se basa en la arquitectura que la empresa ha descrito públicamente: un backbone Llama que predice el primer codebook de audio y un decodificador de profundidad más pequeño que predice el resto, decodificando mediante el códec Mimi de Kyutai a 24 kHz. La ficha lo califica como «un modelo de generación base» —capaz de producir voces variadas, no adaptado a ninguna en particular— y señala explícitamente que lo que impulsa la demo interactiva es un derivado suyo, no el checkpoint en sí. A fecha de esta captura, mostraba unas 130.000 descargas en el mes anterior y aproximadamente 2.500 me gusta, lo que supone una base real de seguidores desarrolladores para un lanzamiento de investigación de hace dos años.

Lo que eso significa en la práctica: puedes cargar la arquitectura de Sesame, ajustarla y autoalojar un TTS conversacional. No puedes cargar el producto de Sesame. La actualización de octubre —un nuevo CSM con mejor expresividad y pronunciación, en palabras de la propia empresa— movió eso que no puedes tener y no dijo nada medible al respecto.

Donde realmente se superponen, y donde termina la superposición

Ambos apuntan a un habla que suene a conversación en lugar de narración, y no es poca cosa tener eso en común. Sesame se labró su reputación con una respiración, una vacilación y unos tiempos de interrupción tan convincentes que los primeros oyentes asumían que había una persona al otro lado de la línea. El pequeño modelo de Ant incorpora 14 etiquetas paralingüísticas en línea para risas, suspiros, respiración y vacilación, y una tarea de pódcast con varios hablantes que su propio hermano de 0.5B no puede realizar.

Más allá de eso, el solapamiento se reduce rápidamente.

La ventaja de Sesame es que la voz está integrada en un producto funcional con memoria, conectores con Gmail, Calendar y Drive, su propio ordenador para navegar y actuar, compatibilidad con MCP mediante OAuth y, desde octubre, la capacidad de orquestar otros agentes. Nada de eso es una función del modelo de voz; es un asistente, y la voz es cómo se habla con él. La ventaja de Ant es que todo se puede inspeccionar. Cada número de la tarjeta del modelo se puede rastrear hasta un conjunto de pruebas, cada tarea tiene un ejemplo ejecutable y el pipeline es tuyo para modificarlo.

La asimetría que decide la mayoría de las evaluaciones es más simple que cualquiera de las dos listas: con Ming-3.0-tts-tiny puedes generar la misma frase cien veces y escucharla. Con Sesame no puedes generar nada en absoluto, así que no hay experimento que realizar —solo una opinión sobre una app.

Lo que Ant publica y lo que eso vale

La tentación con una comparación como esta es rellenar el hueco con las tablas de referencia de Ant, y son extensas: Seed-TTS en chino con 0.820% de tasa de error de palabras y 0.781 de similitud de hablante, en inglés con 1.666% y 0.728, alemán 0.325%, español 0.971%, los resultados paralingüísticos de NVBench lideran las seis categorías de eventos únicos, suites de dialectos con 86.09% en WSC-Eval-TTS fácil, emoción con 74.00% en CV3, diseño de voz con 75.37% en InstructTTSEval-ZH.

Todos y cada uno de esos son Ant midiendo a Ant, con el harness de Ant, con los clips de referencia y el código de puntuación de Ant, y nada de ello se ha reproducido fuera de la empresa. Eso no hace que las cifras sean incorrectas. Las convierte en cifras reportadas por el proveedor, y significa que no se pueden comparar con una cifra de Sesame porque no hay ninguna cifra de Sesame con la que compararlas.

El único resultado de la suite que se comporta como una comparación real es el incómodo: en coreano, Ming-3.0-tts-tiny registra un 6,000 % de error de caracteres, mientras que su propio hermano de 0,5B registra un 1,728 %. La ficha del modelo incluye el coreano entre las debilidades conocidas y no ofrece ninguna explicación. Una plausible —que el enrutamiento disperso otorgue a un idioma poco entrenado menos capacidad de la que le daría un modelo denso de tamaño similar— es una hipótesis, no un hallazgo. La lectura operativa es la segura: si el coreano está dentro del alcance, pruébalo antes de confiar en él.

¿Hay algo que aprender del modelo de Sesame sin el modelo?

Sí, y es lo más útil de esta comparación después de la diferencia de licencia: Sesame publica un benchmark. El 28 de agosto de 2026 lanzó TurnBench, un benchmark abierto para la alternancia de turnos en el diálogo hablado: 30 horas de habla diádica con triple anotación, un protocolo de puntuación basado en el análisis de la conversación, una tabla de clasificación pública y resultados para 14 sistemas, desarrollado junto con Carnegie Mellon, Mundo AI y Oto.

La toma de turnos es exactamente la cualidad que ni una tabla Elo de preferencias ni una tabla de errores de palabra logran capturar, y es la cualidad por la que el producto de Sesame es famoso. Si estás evaluando Ming-3.0-tts-tiny para cualquier uso conversacional, TurnBench es el instrumento que deberías tomar prestado, aunque la propia app de Sesame no aparezca en él: puntúa tu candidato en manejo de interrupciones y sincronización de backchannels en lugar de adivinar a partir de una métrica de similitud.

Esa es la forma de una comparación justa aquí. No Ming-3.0-tts-tiny frente a la voz de Sesame Preview, que no se puede ejecutar, sino Ming-3.0-tts-tiny contra un benchmark público que Sesame definió para la propiedad que ambos persiguen.

Si estás construyendo aquello para lo que sirve cualquiera de los dos

La arquitectura realista de 2026 para un producto de voz es una capa de voz más un cerebro de texto que decide qué decir, y estos dos ocupan extremos opuestos de esa pila. Ming-3.0-tts-tiny puede ser la capa de voz, si tienes una GPU y ganas de evaluarlo. Sesame Preview no puede ser una capa en absoluto; es un producto de la competencia contra el que estarías construyendo.

El cerebro de texto es la parte donde un router resulta realmente útil y no meramente decorativo. OrcaRouter ofrece más de 200 modelos de texto con una sola clave, al precio de lista del proveedor sin recargo añadido, así que un cambio de precio de un proveedor es tu precio el mismo día, con conmutación por error automática entre proveedores. Para ser explícitos sobre la cobertura: ningún modelo de voz de Ant es una ruta aquí, incluido Ming-3.0-tts-tiny, y ningún modelo de Sesame tampoco, incluido CSM-1B. Lo que se enruta es la mitad del pipeline que escribe el guion, elige la etiqueta de emoción y decide cuándo debe hablar el agente, que es también la mitad en la que puedes cambiar de proveedor sin volver a grabar nada.

Qué ver en lugar de un cara a cara

Tres cosas convertirían esto en una comparación real, y ninguna de ellas ha ocurrido todavía.

Un endpoint alojado para Ming-3.0-tts-tiny, o un tercero que publique una latencia y una tasa de error medidas para él. La propia hoja de ruta de Ant menciona compatibilidad con vLLM-Omni, lo cual es una cuestión de servicio más que de calidad, pero es el requisito previo para que cualquier otra parte pueda puntuar el modelo.

Una cifra asociada al CSM de octubre de Sesame. La empresa afirma que mejoraron la expresividad y la pronunciación, y que la diferencia es grande en conversaciones largas; no ha publicado ningún ID de modelo, ninguna cifra de latencia ni ningún benchmark, y la única medición pública de algo relacionado sigue siendo TurnBench, que evalúa la toma de turnos en lugar de la calidad de voz.

Y un resultado coreano de alguien que no sea Ant. La cifra del 6.000% es el defecto más evidente en el registro publicado, y que un segundo equipo la reproduzca o la contradiga te diría más sobre este checkpoint que cualquier puntuación de Elo.

Hasta entonces, el veredicto honesto es poco glamoroso: uno de ellos puedes descargarlo, auditarlo y distribuirlo, con una licencia que lo permite y una suite de benchmarks que solo su autor ha ejecutado. Con el otro puedes hablar en tu teléfono, y admirarlo, pero no construir sobre él.