Ming-3.0-tts-tiny vs Sesame-Preview : un checkpoint téléchargeable face à une voix que vous ne pouvez pas appeler

Placez Ming-3.0-tts-tiny et Sesame Preview dans la même phrase, et la comparaison s'effondre avant même le premier benchmark, car une seule des deux est quelque chose qu'un développeur peut se procurer. Ming-3.0-tts-tiny est le checkpoint inclusionAI d'Ant Group : 7,9 milliards de paramètres au total, environ 1,3 milliard actifs par token, des poids sous licence MIT publiés sur Hugging Face avec un code d'inférence arrivé sur GitHub le 19 octobre 2026. Sesame Preview est un assistant grand public — quatre voix, une application iOS et Android, pas d'API, pas d'identifiant de modèle, aucun score publié pour la voix qui rend le sujet intéressant. L'un est un fichier. L'autre est un produit. La question intéressante n'est pas de savoir lequel sonne mieux, puisque personne n'a mesuré cela d'un côté comme de l'autre d'une manière comparable, mais ce que chacun vous permet de faire un mardi après-midi quand vous avez un script et une échéance. Les défaillances de l'IA et les incidents d'agents documentés derrière des sorties comme celle-ci sont recueillis dans l'OrcaRouter AI Incident Archive où chaque entrée s'accompagne de ses propres sources, d'un niveau de gravité, d'une note de confiance et d'un indicateur de contestation.

La chronologie compte ici comme rarement. Le dépôt de Ming-3.0-tts-tiny a été créé le 22 septembre 2026, les poids ont été mis en ligne le 24 septembre, et pendant trois semaines et demie, la version est restée inutilisable — un dossier de fragments sans aucune méthode publiée pour les exécuter. Le code d’inférence, les exemples en un clic et le recueil de recettes de tâches ont été publiés ensemble le 19 octobre à 08:58 UTC. Ant n’a annoncé rien de tout cela. Sesame Preview, en revanche, est distribué publiquement depuis le printemps et a reçu une véritable mise à jour le 6 octobre 2026, lorsque le directeur produit de l’entreprise a décrit un nouveau Conversational Speech Model derrière l’application. Aucun des deux n’est un lancement au sens où l’entend un communiqué de presse, mais tous deux sont des mouvements, et un seul s’accompagne de quelque chose que l’on peut télécharger.

La version courte, avant les preuves

Si vous développez un produit, Sesame Preview n’est pas un candidat et ne peut pas le devenir aujourd’hui : il n’y a aucun point de terminaison à appeler, aucune licence à lire, aucun prix, et aucun engagement que la voix dans l’application est la voix dans un modèle quelconque. Si vous développez un produit et avez besoin d’une voix qui vous appartient, Ming-3.0-tts-tiny est un candidat — un candidat jeune, non évalué et auto-hébergé, qui vous obligera à faire votre propre évaluation.

C’est là toute la décision pour la plupart des équipes. Tout ce qui suit concerne les cas où ce n’est pas le cas : ceux qui les comparent comme audio conversationnel plutôt que comme produits, ou qui évaluent si l’approche de Sesame est celle à copier.

Ce que chacun vous met réellement entre les mains

• Ce que vous téléchargez — Ming-3.0-tts-tiny : environ 18 Go contenant le backbone Ling V3, une tête transformer de diffusion, un tokeniseur audio, un encodeur de locuteur CAM++ et un tokeniseur de texte. Sesame Preview : une application provenant de l’App Store ou de G​oogle Play, et rien d’autre.

• Ce que vous pouvez appeler — Ming-3.0-tts-tiny : une classe Python, MingTinyTTS.from_pretrained avec des noms de tâches pour le clonage zero-shot, la synthèse multilingue, la paralinguistique, le dialogue de podcast, l’émotion, le dialecte, le style libre et la conception de voix. Sesame : une interface de chat avec quatre personnalités. Aucun ID de modèle n’a jamais été publié pour la voix de production.

• Licence — Ming-3.0-tts-tiny : MIT sur les poids et le code, avec une note d’utilisation demandant de ne pas usurper l’identité de personnes et d’étiqueter les audio synthétiques. Sesame : les conditions d’utilisation de l’application, plus un checkpoint ouvert abordé ci-dessous qui n’est pas le modèle de production.

• Couverture linguistique — Ming-3.0-tts-tiny : chinois, anglais, allemand, espagnol, français, coréen et japonais, le sichuanais et le cantonais étant disponibles à partir d’un extrait de référence dialectal. Sesame : l’anglais est la seule langue officiellement prise en charge ; le guide indique que les assistants prennent aussi en charge, de manière « précoce », le français, l’italien, l’allemand, l’espagnol, le chinois, le japonais et le coréen, ce qui se lit comme un avertissement plutôt que comme une liste de fonctionnalités.

• Prix — Ming-3.0-tts-tiny : pas de grille tarifaire ; vous payez un H800 et l’électricité. Sesame : gratuit à l’utilisation, aucun niveau de forfait publié, et l’entreprise affirme qu’elle ne diffuse pas de publicités et ne vend pas de données.

• Score indépendant — Ming-3.0-tts-tiny : aucun, et précisément pas le 1,188 Elo qu’Artificial Analysis indique pour « Ming-3.0-tts », qui correspond au checkpoint 0.5B. Sesame : aucun pour la voix de l’application non plus. C’est l’un des rares duels où aucun des deux côtés n’a de chiffre.

L’unique artefact Sesame qu’un développeur peut tenir en main

Il existe un modèle Sesame sur Hugging Face, et il vaut la peine d’être précis sur ce qu’il est, car il est régulièrement confondu avec la voix de l’application.

CSM-1B est sous Apache-2.0, uniquement en anglais, et repose sur l’architecture que l’entreprise a décrite publiquement : un socle Llama prédisant le premier codebook audio et un décodeur de profondeur plus petit prédisant le reste, avec un décodage via le codec Mimi de Kyutai à 24 kHz. La fiche modèle le qualifie de « modèle de génération de base » — capable de produire des voix variées, sans être adapté à une voix particulière — et précise explicitement que c’est une version dérivée qui alimente la démo interactive, et non le checkpoint qui constitue la démo. Au moment de ce relevé, il affichait environ 130 000 téléchargements au cours du mois précédent et environ 2 500 likes, ce qui représente une véritable communauté de développeurs pour une publication de recherche vieille de deux ans.

Ce que cela signifie en pratique : vous pouvez charger l’architecture de Sesame, l’affiner et auto-héberger un TTS conversationnel. Vous ne pouvez pas charger le produit de Sesame. La mise à jour d’octobre — un nouveau CSM avec une meilleure expressivité et prononciation, selon les propres mots de l’entreprise — a déplacé la chose que vous ne pouvez pas avoir, et n’a rien dit de mesurable à son sujet.

Là où ils se recoupent véritablement, et où le recoupement s’arrête.

Tous deux visent une parole qui ressemble à une conversation plutôt qu’à une narration, et ce n’est pas un mince point commun. Sesame a bâti sa réputation sur le souffle, l’hésitation et le timing des interruptions, au point que les premiers auditeurs ont cru qu’une personne était au bout du fil. Le petit modèle d’Ant embarque 14 balises paralinguistiques intégrées pour le rire, les soupirs, le souffle et l’hésitation, ainsi qu’une tâche de podcast multi-locuteurs que son propre frère de 0,5B ne peut pas accomplir.

Au-delà, le chevauchement s’amincit rapidement.

L’avantage de Sesame, c’est que la voix est intégrée à un produit fonctionnel doté de mémoire, de connecteurs vers Gmail, Calendar et Drive, de son propre ordinateur pour naviguer et agir, d’une prise en charge de MCP via OAuth et, depuis octobre, de la capacité d’orchestrer d’autres agents. Rien de tout cela n’est une fonctionnalité de modèle vocal ; c’est un assistant, et la voix est le moyen de lui parler. L’avantage d’Ant, c’est que tout est inspectable. Chaque chiffre de la fiche du modèle peut être rattaché à un jeu de test, chaque tâche dispose d’un exemple exécutable, et le pipeline est à vous de modifier.

L’asymétrie qui tranche la plupart des évaluations est plus simple que chacune des deux listes : avec Ming-3.0-tts-tiny, vous pouvez générer cent fois la même phrase et l’écouter. Avec Sesame, vous ne pouvez rien générer du tout, il n’y a donc aucune expérience à mener — seulement une opinion sur une application.

Ce qu'Ant publie, et ce que cela vaut

La tentation, face à une confrontation comme celle-ci, est de combler l’écart avec les tableaux de référence d’Ant, et ils sont très complets : Seed-TTS chinois à 0,820 % de taux d’erreur sur les mots et 0,781 de similarité de locuteur, anglais à 1,666 % et 0,728, allemand à 0,325 %, espagnol à 0,971 %, les résultats paralinguistiques de NVBench en tête des six catégories à événement unique, les suites dialectales à 86,09 % sur WSC-Eval-TTS easy, l’émotion à 74,00 % sur CV3, la conception de voix à 75,37 % sur InstructTTSEval-ZH.

Chacun de ces éléments relève d’Ant mesurant Ant, sur le banc d’essai d’Ant, avec les clips de référence et le code de notation d’Ant, et rien de tout cela n’a été reproduit en dehors de l’entreprise. Cela ne rend pas les chiffres faux. Cela en fait des chiffres déclarés par le fournisseur, et cela signifie qu’ils ne peuvent pas être comparés à un chiffre de Sesame, car il n’existe aucun chiffre de Sesame auquel les comparer.

Le seul résultat de la suite qui se comporte comme une véritable comparaison est celui qui met mal à l'aise : sur le coréen, Ming-3.0-tts-tiny affiche un taux d'erreur de caractères de 6,000 %, tandis que son propre homologue de 0,5B affiche 1,728 %. La fiche du modèle classe le coréen parmi les faiblesses connues et n'offre aucune explication. Une explication plausible — un routage clairsemé donnant à une langue peu entraînée moins de capacité qu'un modèle dense de taille similaire ne le ferait — est une hypothèse, pas un constat. La lecture opérationnelle est la plus sûre : si le coréen est dans le périmètre, testez-le avant de lui faire confiance.

Y a-t-il quelque chose à apprendre du modèle de Sesame sans le modèle ?

Oui, et c’est l’élément le plus utile de cette comparaison après la différence de licence : Sesame publie un benchmark. Le 28 août 2026, elle a publié TurnBench, un benchmark ouvert pour la prise de tour dans le dialogue parlé — 30 heures de parole dyadique avec triple annotation, un protocole de notation issu de l’analyse conversationnelle, un classement public et les résultats de 14 systèmes, développé avec Carnegie Mellon, Mundo AI et Oto.

La gestion des tours de parole est précisément la qualité qu’un classement Elo par préférence et un tableau de taux d’erreur sur les mots échouent tous deux à capturer, et c’est la qualité pour laquelle le produit de Sesame est célèbre. Si vous évaluez Ming-3.0-tts-tiny pour quoi que ce soit de conversationnel, TurnBench est l’instrument à emprunter, même si l’application de Sesame elle-même n’y figure pas : évaluez votre candidat sur la gestion des interruptions et le timing des backchannels au lieu de deviner à partir d’une métrique de similarité.

Voilà à quoi ressemble une comparaison équitable ici. Pas Ming-3.0-tts-tiny face à la voix de Sesame Preview, qu’il est impossible d’exécuter, mais Ming-3.0-tts-tiny face à un benchmark public que Sesame a défini pour la propriété que les deux cherchent à atteindre.

Si vous construisez la chose à laquelle l’un ou l’autre est destiné

L’architecture réaliste en 2026 pour un produit vocal est une couche vocale plus un cerveau textuel qui décide quoi dire, et ces deux éléments occupent des extrémités opposées de cette pile. Ming-3.0-tts-tiny peut constituer la couche vocale, si vous disposez d’un GPU et de l’envie de l’évaluer. Sesame Preview ne peut pas du tout être une couche ; c’est un produit concurrent contre lequel vous construiriez.

Le cerveau textuel est la partie où un routeur est réellement utile plutôt que décoratif. OrcaRouter regroupe plus de 200 modèles textuels derrière une seule clé, au prix catalogue du fournisseur sans marge ajoutée, si bien qu'un changement de prix chez un fournisseur devient votre prix le jour même, avec un basculement automatique entre fournisseurs. Pour être explicite sur la couverture : aucun modèle vocal Ant n'est routé ici, Ming-3.0-tts-tiny inclus, et aucun modèle Sesame non plus, CSM-1B inclus. Ce qui est routé, c'est la moitié du pipeline qui écrit le script, choisit l'étiquette d'émotion et décide quand l'agent doit parler — c'est aussi la moitié sur laquelle vous pouvez changer de fournisseur sans rien réenregistrer.

Que regarder au lieu d’un face-à-face

Trois choses feraient de ceci une véritable comparaison, et aucune d’entre elles ne s’est encore produite.

Un point de terminaison hébergé pour Ming-3.0-tts-tiny, ou un tiers qui publie une latence et un taux d’erreur mesurés pour ce modèle. La feuille de route d’Ant mentionne elle-même la prise en charge de vLLM-Omni, ce qui relève de la question du service plutôt que de la qualité, mais c’est le prérequis pour que quiconque d’autre puisse évaluer le modèle.

Un chiffre associé au CSM d’octobre de Sesame. L’entreprise affirme que l’expressivité et la prononciation se sont améliorées et que la différence est importante sur les longues conversations ; elle n’a publié ni identifiant de modèle, ni chiffre de latence, ni benchmark, et la seule mesure publique de quoi que ce soit d’approchant reste TurnBench, qui évalue la prise de parole plutôt que la qualité de la voix.

Et un résultat coréen de quelqu’un d’autre qu’Ant. Le chiffre de 6,000 % est le défaut le plus manifeste du dossier publié, et une seconde équipe qui le reproduirait ou le contredirait vous en apprendrait davantage sur ce checkpoint que ne pourrait le faire n’importe quel score Elo.

D’ici là, le verdict honnête est peu glamour : l’un d’eux, vous pouvez le télécharger, l’auditer et le livrer, avec une licence qui l’autorise et une suite de benchmarks que seul son auteur a fait tourner. À l’autre, vous pouvez parler sur votre téléphone, l’admirer, mais pas bâtir dessus.