Ming-3.0-tts vs Sesame Preview: la voz que puedes poseer frente a la voz que solo puedes escuchar

Puedes escuchar Sesame Preview en unos treinta segundos y no puedes descargarlo a ningún precio. Puedes descargar Ming-3.0-tts gratis bajo la licencia MIT y no hay ninguna demo pulida que probar primero. Esa asimetría es toda la comparación, y la mayoría de las comparativas directas se equivocan al tratarlos como APIs de texto a voz competidoras. No lo son. Sesame Preview es un producto de consumo terminado construido en torno a una voz que Sesame nunca ha publicado; Ming-3.0-tts es un modelo de voz de pesos abiertos del equipo inclusionAI de Ant Group, publicado el 20 de octubre de 2026, sin ninguna interfaz de consumidor alojada. Uno es un restaurante. El otro es una cocina.

Eso no hace que la comparación sea inútil. La convierte en una pregunta sobre lo que realmente intentas comprar: un agente conversacional que funciona hoy, o una voz que puedas incorporar a tu propio producto y mantener. Una vez que separas ambas cosas, la decisión es más clara de lo que sugieren las fichas técnicas, y depende de hechos que ninguna de las páginas de marketing de los modelos expone con claridad.

Tres cosas llamadas «Sesame», de las cuales solo puedes usar una

La denominación es la primera trampa. «Sesame Preview» se refiere a la aplicación gratuita con cuatro personas conversacionales: Maya, Miles, Simone y Charlie. Se lanzó como vista previa web en febrero de 2025, llegó a iOS a finales de mayo de 2026 y a Android el 6 de agosto de 2026. Realiza búsquedas web en vivo en mitad de la conversación y recuerda el contexto a lo largo de una sesión.

Lo que impulsa esa aplicación no es el modelo que puedes descargar. La voz de producción de Sesame funciona con un modelo cerrado más grande que nunca se ha publicado. El artefacto descargable es CSM-1B, el Conversational Speech Model: alrededor de 1000 millones de parámetros, Apache-2.0, con acceso condicionado a la aceptación de unos términos, construido sobre una base Llama con el códec de audio Mimi de Kyutai a 24 kHz. CSM-1B es el antecesor de la voz de la demo, no la voz de la demo. Es un modelo base que no puede generar texto por sí solo y necesita ir acompañado de un modelo de lenguaje.

Así que el planteamiento honesto de «Ming-3.0-tts vs Sesame Preview» son en realidad dos comparaciones superpuestas. Frente a la aplicación Preview, Ming compite en capacidad y pierde en acabado y latencia. Frente a CSM-1B, Ming compite directamente en pesos, licencia y control, y gana en la mayoría de ellos.

Qué aporta Ming-3.0-tts

Ming-3.0-tts es la línea de síntesis de voz de la familia Ming-3.0 de cinco modelos de Ant, con licencia MIT, con pesos en Hugging Face y ModelScope y el código de inferencia en un repositorio de GitHub aparte. Se distribuye en dos checkpoints que son productos genuinamente diferentes.

• Ming-3.0-tts-0.5B — denso, sobre una base Qwen2.5-0.5B con una cabeza DiT y un tokenizador de audio, aproximadamente 2,96 GB. Este es el checkpoint con ejecuciones de benchmark independientes.

• Ming-3.0-tts-tiny — una mezcla de expertos de 7,9B en total y 1,3B activos sobre la arquitectura troncal Ling V3 de Ant, de aproximadamente 18 GB, que añade generación de pódcast con varios hablantes. "Tiny" describe el coste de ejecución, no el tamaño de descarga.

Capacidades que importan para esta comparación: clonación de voz zero-shot a partir de un clip de referencia corto, diseño de voz a partir de una descripción en lenguaje natural, un modo director para controlar la interpretación de forma libre, 14 etiquetas paralingüísticas en línea como risas y suspiros, controles explícitos de emoción, velocidad, tono y volumen, más de 100 voces en chino y cinco en inglés, siete idiomas además de sichuanés y cantonés, y salida de 44,1 kHz.

Ni la prueba de voz ni la clasificación se resuelven.

La reputación de Sesame se basa en cómo suenan las voces de Preview. Las mediciones de terceros lo respaldan: la lista corta de TTS de código abierto de CodeSOTA situó a Sesame en primer lugar con un MOS de 4,7, y CallSphere midió la voz de producción de Maya en un MOS de 4,6. Son cifras sólidas, y son la razón por la que la demo se volvió viral.

También son mediciones de una voz que no puedes licenciar. La pregunta relevante para un desarrollador no es "qué tan buena es Maya", sino "qué tan buena es la mejor voz que puedo poner en mi producto".

En las clasificaciones independientes, Ming-3.0-tts es más fuerte justo donde se desenvuelve un flujo de trabajo de clonación. El Controlled Voice Arena de Artificial Analysis, que utiliza ocho voces clonadas con cuatro acentos estadounidenses y cuatro británicos, sitúa a Ming en 1.069 Elo: primero entre los modelos de pesos abiertos y en torno al puesto 13 de la clasificación general. Su puntuación en Provider Voice, donde un modelo utiliza sus propias voces de catálogo, es de 1.188 Elo: tercera entre los modelos de pesos abiertos y en torno al puesto 18 de la clasificación general. La diferencia entre ambos resultados resume el carácter del modelo en una frase: es mucho mejor reproduciendo una voz que le proporcionas que siendo una voz de serie.

Ming también empató en el primer puesto general en Pronunciation Robustness con un 93,2 %, lo cual es un resultado real y por un margen estrecho. En términos aislados —nombres de marcas, nombres de lugares, nombres propios aislados— ocupa el puesto 21 de 31. Léelo como una etiqueta de advertencia para cualquiera cuyo script contenga nombres de productos: la puntuación agregada no es la cifra de la que tratarán tus informes de errores.

Sesame Preview no aparece en esos rankings de forma comparable. Las voces de su aplicación son personajes fijos, no clones, y no hay un checkpoint público del modelo de producción para evaluarlo comparativamente. El MOS de 4.7 es la mejor evidencia disponible y mide algo diferente.

Control: una silla de director frente a una personalidad

Ming trata el habla como una señal controlable. Puedes clonar una voz de referencia, diseñar una a partir de texto, etiquetar un enunciado con una risa o un suspiro, o indicar la interpretación en lenguaje libre. La tarjeta del modelo es sincera sobre dónde esto es imperfecto: las etiquetas paralingüísticas de múltiples eventos son más débiles que las de un solo evento, el control de las emociones es más difícil cuando el texto conlleva poca señal emocional, el tono es menos preciso que la velocidad o el volumen, y el diseño de voz abierto todavía va por detrás del sistema más potente que evaluó el equipo. Nada de eso es inusual para un primer lanzamiento público. Todo está documentado, lo cual es más de lo que ofrecen la mayoría de los proveedores.

La superficie de control de Sesame es una conversación. La aplicación gestiona la toma de turnos, la memoria y la búsqueda en vivo, y la voz es un componente de un agente en lugar de un parámetro que ajustas. Su debilidad es la otra cara de esa integración: la llamada a funciones se ha medido con una tasa de error del 6,7 % frente al 2,1 % de un competidor en tiempo real, que es el tipo de cifra que importa si querías construir un agente sobre ella en lugar de hablar con uno.

Si tu requisito es "una voz que lea este guion tal como yo lo especifico", Ming es el único de los dos que ofrece los controles. Si tu requisito es "un agente de voz que gestione una conversación", Sesame es el único de los dos que incluye uno.

Idioma y calidad de audio

• Idiomas — Ming cubre chino, inglés, alemán, español, francés, coreano y japonés, además de sichuanés y cantonés. Sesame Preview prioriza el inglés; la aplicación solo está disponible en inglés, y el rendimiento de CSM-1B en idiomas distintos del inglés está en gran medida sin probar.

• Frecuencia de muestreo — Ming genera 44,1 kHz. CSM-1B genera 24 kHz mediante el códec Mimi, lo cual es adecuado para el habla conversacional y notablemente estrecho para trabajos relacionados con la música o de radiodifusión.

• Catálogo de voces — Ming ofrece más de 100 voces en chino y cinco en inglés. Sesame ofrece cuatro personalidades, cada una con un carácter distintivo, lo que es una decisión de producto seleccionada en lugar de un catálogo.

• Rango emocional — Ming expone la emoción como un control con límites documentados. La expresividad emocional de Sesame está integrada en las personas y se considera ampliamente como su cualidad más fuerte; tampoco es algo que se pueda ajustar.

La latencia es la victoria indiscutible de Sesame

Este es el único eje en el que la comparación no está reñida. Sesame Preview transmite en streaming con una latencia del primer byte inferior a 300 ms; la voz de Maya se ha medido en 80–130 ms de tiempo hasta el primer byte, y el agente completo en 250–450 ms con un p95 de 480 ms. Eso es de nivel conversacional, y es el resultado de un producto construido de extremo a extremo para el diálogo en tiempo real.

Ming-3.0-tts es código de inferencia de nivel de investigación. No hay una ruta de streaming documentada, ni una pila de servicio, ni una cifra de latencia en la ficha del modelo. El repositorio señala la inferencia acelerada de vLLM-Omni como hoja de ruta. Hasta que eso exista, comparar su latencia con la de Sesame es comparar un arnés de benchmark con un producto ya lanzado, y el producto ya lanzado gana por defecto.

Cuánto cuesta cada uno

• Sesame Preview — la aplicación es gratuita. La voz de demostración no está a la venta a ningún precio, lo cual es el dato relevante para un desarrollador.

• CSM-1B — La propia API de Sesame lo lista a unos $7 por millón de caracteres con un contexto de 4K, servido únicamente por Sesame. A unos 14 caracteres por segundo de habla, eso supone alrededor de $0,35 por hora de audio, y es la opción de voz de pago por uso más económica en este segmento del mercado.

• Ming-3.0-tts — pesos MIT gratuitos y una factura de GPU. Un H800 alquilado a unos 2 $ por GPU-hora ejecutando un modelo de 0,5B por encima del tiempo real queda muy por debajo de la tarifa medida a volumen sostenido, y por encima de ella a bajo volumen una vez contabilizada honestamente la capacidad inactiva.

Por lo tanto, la comparación de costos depende por completo del volumen y de si ya tienes GPUs. Por debajo de unas pocas docenas de horas de audio al mes, los $0.35 por hora de audio de CSM-1B son difíciles de superar y no requieren infraestructura. Por encima de unos cientos de horas, autoalojar Ming es más económico y cada vez lo es más, porque la generación marginal no cuesta nada. El error es elegir por el precio de etiqueta en lugar de por la utilización.

El licenciamiento es donde los dos realmente se separan.

CSM-1B es Apache-2.0, que es una licencia permisiva, pero está condicionado a la aceptación de términos y no es el modelo de la demo. Ming-3.0-tts es MIT en ambos checkpoints, sin restricciones de acceso, sin aceptación de uso aceptable mediante clic y sin excepción comercial. Para una revisión legal que pregunta si el modelo se puede ajustar con datos de voz de clientes y distribuir dentro de un producto cerrado, ambas respuestas son sí, pero solo una de ellas corresponde al modelo que realmente has escuchado.

Ese es el intercambio en una frase: Sesame te da la voz que suena mejor y se la queda; Ming te da una voz que suena bien y que puedes llevarte a casa.

Dónde encaja OrcaRouter — y dónde no

Ninguno de los dos modelos está alojado en OrcaRouter. No hay ningún endpoint de voz Ming ni ningún endpoint de Sesame en nuestra plataforma, y esta página no va a inventar ninguno. Lo que sí alojamos es el resto del stack: los modelos de lenguaje que escriben y reescriben guiones, y modelos de voz de producción como Gemini 3.1 Flash TTS Preview y GPT-4o mini TTS para equipos que quieren una voz gestionada en lugar de una autoalojada.

La parte útil es la unión entre esas capas. Si alojas Ming en tu propia infraestructura, tu modelo de voz no tiene garantía de disponibilidad, ni escalado automático, ni una segunda región; la capa de enrutamiento puede hacer redundante la parte de texto del pipeline y conmutar automáticamente a una alternativa cuando un proveedor se degrada. Una sola clave de API cubre más de 200 modelos con 0 % de recargo sobre el precio de lista del proveedor, y el DSL de enrutamiento te permite componer una ruta principal y una de respaldo en una sola llamada en lugar de dispersar la lógica de reintentos por tu aplicación. La fusión de modelos es la otra opción que vale la pena conocer: para algo como la adaptación de guiones, un panel de modelos que responden juntos a menudo supera a un solo modelo cuando la tarea es de criterio y no de generación. Nada de esto hace que Ming sea más rápido ni que Sesame sea licenciable. Hace que el pipeline en torno a la voz que elijas sobreviva a que la voz sea el eslabón débil.

La decisión, dicha claramente

Si quieres un agente de voz conversacional en inglés esta semana, Sesame Preview es el producto terminado y nada en el mundo de los pesos abiertos iguala su latencia ni su personalidad lista para usar. Acepta que no puedes licenciar la voz, que estás construyendo sobre una aplicación cerrada y que el 4.7 MOS es el techo de lo que puedes verificar.

Si quieres una voz dentro de tu propio producto —clonada, diseñada, controlada, en siete idiomas, con términos MIT y sin medidor por carácter— Ming-3.0-tts es la opción, con dos condiciones. Prueba tu propio vocabulario antes de confiar en la puntuación de pronunciación del 93.2%, porque el resultado de términos aislados es mucho más débil. Y planifica la ingeniería: la ruta de inferencia es de nivel investigación, todavía no hay una solución de streaming y el catálogo de voces en inglés se limita a cinco voces.

Lo único que no deberías hacer es interpretar esto como un concurso de calidad. La voz de demostración de Sesame probablemente sí suene mejor que las voces en inglés predeterminadas de Ming; eso es lo que debería lograr un producto curado de cuatro personalidades optimizado para la conversación. La cuestión es si estás comprando la voz o alquilando la experiencia de oírla. Solo una de esas opciones está en el menú.