Ming-3.0-tts vs Sesame Preview : la voix que vous pouvez posséder face à la voix que vous ne pouvez qu'entendre

Vous pouvez écouter Sesame Preview en une trentaine de secondes et vous ne pouvez pas le télécharger à aucun prix. Vous pouvez télécharger Ming-3.0-tts gratuitement sous licence MIT et il n’existe aucune démo soignée à essayer d’abord. Cette asymétrie constitue toute la comparaison, et la plupart des comparatifs directs se trompent en considérant les deux comme des API de synthèse vocale concurrentes. Ce n’est pas le cas. Sesame Preview est un produit grand public fini, construit autour d’une voix que Sesame n’a jamais dévoilée ; Ming-3.0-tts est un modèle vocal à poids ouverts de l’équipe inclusionAI d’Ant Group, publié le 20 octobre 2026, sans aucune interface grand public hébergée. L’un est un restaurant. L’autre est une cuisine.

Cela ne rend pas la comparaison inutile. Cela en fait une question de ce que vous cherchez réellement à acheter : un agent conversationnel qui fonctionne aujourd’hui, ou une voix que vous pouvez intégrer à votre propre produit et conserver. Une fois que vous avez séparé ces deux cas, la décision est plus claire que ne le suggèrent les fiches techniques — et elle repose sur des faits qu’aucune page marketing de l’un ou l’autre modèle n’indique clairement.

Trois choses appelées « Sesame », dont une seule est utilisable

Le nom est le premier piège. « Sesame Preview » désigne l’application gratuite avec quatre personnalités conversationnelles — Maya, Miles, Simone et Charlie. Elle a été lancée sous forme d’aperçu web en février 2025, est arrivée sur iOS fin mai 2026 et sur Android le 6 août 2026. Elle effectue des recherches web en direct pendant la conversation et mémorise le contexte tout au long d’une session.

Ce qui propulse cette application n’est pas le modèle que vous pouvez télécharger. La voix de production de Sesame fonctionne sur un modèle plus grand et fermé qui n’a jamais été publié. L’artefact téléchargeable est CSM-1B, le Conversational Speech Model : environ 1 milliard de paramètres, Apache-2.0, conditionné à l’acceptation de conditions d’utilisation, construit sur une base Llama avec le codec audio Mimi de Kyutai à 24 kHz. CSM-1B est l’ancêtre de la voix de démonstration, pas la voix de démonstration. C’est un modèle de base qui ne peut pas générer de texte seul et doit être associé à un modèle de langage.

Ainsi, présenter honnêtement « Ming-3.0-tts vs Sesame Preview » revient en réalité à superposer deux comparaisons. Face à l’application Preview, Ming rivalise sur les capacités, mais perd sur la finition et la latence. Face à CSM-1B, Ming rivalise directement sur les poids, la licence et le contrôle, et l’emporte sur la plupart d’entre eux.

Ce que Ming-3.0-tts a à offrir

Ming-3.0-tts est la gamme de synthèse vocale de la famille Ming-3.0 d’Ant, composée de cinq modèles, sous licence MIT, avec des poids sur Hugging Face et ModelScope et du code d’inférence dans un dépôt GitHub distinct. Elle est proposée en deux checkpoints qui sont véritablement des produits différents.

• Ming-3.0-tts-0.5B — dense, sur un socle Qwen2.5-0.5B avec une tête DiT et un tokeniseur audio, environ 2,96 Go. Il s'agit du checkpoint avec des exécutions de benchmark indépendantes.

• Ming-3.0-tts-tiny — un mélange d'experts de 7,9 B au total et de 1,3 B actifs sur le socle Ling V3 d'Ant, environ 18 Go, qui ajoute la génération de podcasts multi-intervenants. « Tiny » décrit le coût d'exécution, pas la taille du téléchargement.

Les capacités qui comptent pour cette comparaison : le clonage vocal zero-shot à partir d'un court extrait de référence, la conception de voix à partir d'une description en langage naturel, un mode réalisateur pour un contrôle libre de la diction, 14 balises paralinguistiques intégrées telles que le rire et les soupirs, l'émotion explicite, les contrôles de vitesse, de hauteur et de volume, plus de 100 voix chinoises et cinq voix anglaises, sept langues plus le sichuanais et le cantonais, et une sortie à 44,1 kHz.

Le test vocal ne tranche pas non plus le classement.

La réputation de Sesame repose sur la sonorité des voix Preview. Des mesures tierces le confirment : la sélection open source de systèmes TTS de CodeSOTA a classé Sesame en tête avec un MOS de 4,7, et CallSphere a mesuré la voix Maya de production à 4,6 MOS. Ce sont de très bons chiffres, et c’est la raison pour laquelle la démo est devenue virale.

Ce sont aussi des mesures d’une voix que vous ne pouvez pas licencier. La question pertinente pour un développeur n’est pas « quelle est la qualité de Maya » mais « quelle est la qualité de la meilleure voix que je peux intégrer à mon produit ».

Sur les classements indépendants, Ming-3.0-tts est le plus performant exactement là où se joue un flux de travail de clonage. Le Controlled Voice Arena d’Artificial Analysis, qui utilise huit voix clonées réparties sur quatre accents américains et quatre accents britanniques, place Ming à 1 069 Elo — premier parmi les modèles à poids ouverts et environ 13e au classement général. Son score Provider Voice, où un modèle utilise ses propres voix intégrées, est de 1 188 Elo, troisième parmi les modèles à poids ouverts et environ 18e au classement général. L’écart entre ces deux résultats résume le caractère du modèle en une phrase : il est bien meilleur pour reproduire une voix que vous fournissez que pour être une voix prête à l’emploi.

Ming est également premier ex æquo au classement général sur la robustesse de prononciation, avec 93,2 %, un résultat bien réel et serré. Sur les termes isolés — noms de marques, noms de lieux, noms propres isolés —, il se classe 21e sur 31. À lire comme un avertissement pour quiconque a un script contenant des noms de produits : le score agrégé n’est pas le chiffre dont parleront vos rapports de bugs.

Sesame Preview n’apparaît pas sur ces classements sous une forme comparable. Les voix de son application sont des personas fixes, et non des clones, et il n’existe aucun checkpoint public du modèle de production permettant de faire un benchmark. Le MOS de 4,7 est la meilleure preuve disponible et il mesure une chose différente.

Contrôle : une chaise de réalisateur face à une personnalité

Ming traite la parole comme un signal contrôlable. Vous pouvez cloner une voix de référence, en concevoir une à partir de texte, marquer un énoncé d'un rire ou d'un soupir, ou piloter l'interprétation en langage libre. La fiche du modèle est franche sur ses imperfections : les balises paralinguistiques multi-événements sont plus faibles que celles à événement unique, le contrôle des émotions est plus difficile lorsque le texte porte peu de signal émotionnel, la hauteur tonale est moins précise que la vitesse ou le volume, et la conception de voix ouverte reste en retrait par rapport au système le plus performant évalué par l'équipe. Rien là d'inhabituel pour une première version publique. Tout cela est documenté, ce qui est plus que ce qu'offrent la plupart des fournisseurs.

La surface de contrôle de Sesame est une conversation. L’application gère les tours de parole, la mémoire et la recherche en direct, et la voix est une composante d’un agent plutôt qu’un paramètre que l’on ajuste. Sa faiblesse est le revers de cette intégration : l’appel de fonctions a été mesuré à un taux d’erreur de 6,7 % contre 2,1 % pour un concurrent en temps réel, ce qui est le genre de chiffre qui compte si vous vouliez construire un agent dessus plutôt que parler à l’un d’eux.

Si votre besoin est « une voix qui lit ce script de la manière que je précise », Ming est la seule des deux à offrir les contrôles. Si votre besoin est « un agent vocal qui gère une conversation », Sesame est la seule des deux à en proposer un.

Langue et qualité audio

• Langues — Ming couvre le chinois, l'anglais, l'allemand, l'espagnol, le français, le coréen et le japonais, ainsi que le sichuanais et le cantonais. Sesame Preview est d'abord en anglais ; l'application est uniquement en anglais, et les performances non anglaises de CSM-1B sont en grande partie non testées.

• Fréquence d’échantillonnage — Ming produit 44,1 kHz. CSM-1B produit 24 kHz via le codec Mimi, ce qui est adéquat pour la parole conversationnelle et nettement étroit pour des applications musicales ou de diffusion.

• Catalogue vocal — Ming propose plus de 100 voix chinoises et cinq voix anglaises. Sesame propose quatre personas, chacune avec un caractère distinct, ce qui relève d’une décision produit curatée plutôt que d’un catalogue.

• Amplitude émotionnelle — Ming expose l’émotion comme un paramètre avec des limites documentées. L’expressivité émotionnelle de Sesame est intégrée aux personas et est largement considérée comme sa plus grande qualité ; ce n’est pas non plus quelque chose que l’on peut régler.

La latence est l’avantage incontestable de Sesame

C'est le seul axe où la comparaison est sans appel. Sesame Preview diffuse avec une latence au premier octet inférieure à 300 ms ; la voix Maya a été mesurée à 80–130 ms de délai au premier octet, et l'agent complet à 250–450 ms avec un p95 de 480 ms. C'est de qualité conversationnelle, et c'est le résultat d'un produit conçu de bout en bout pour le dialogue en temps réel.

Ming-3.0-tts est du code d’inférence de niveau recherche. Il n’existe aucun chemin de streaming documenté, aucune pile de service et aucun chiffre de latence dans la fiche du modèle. Le dépôt indique l’inférence accélérée vLLM-Omni comme feuille de route. Tant que cela n’existe pas, comparer sa latence à celle de Sesame revient à comparer un banc d’essai à un produit livré, et le produit livré gagne par défaut.

Combien coûte chacun

• Sesame Preview — l’application est gratuite. La voix de démonstration n’est à vendre à aucun prix, ce qui est le fait pertinent pour un développeur.

• CSM-1B — L'API de Sesame elle-même l'affiche à environ 7 $ par million de caractères avec un contexte de 4K, assuré par Sesame uniquement. À environ 14 caractères par seconde de parole, cela représente environ 0,35 $ par heure d'audio, et c'est l'option de parole facturée à l'usage la moins chère de ce segment du marché.

• Ming-3.0-tts — des poids MIT gratuits et une facture GPU. Un H800 loué à environ 2 $ par heure-GPU, exécutant un modèle de 0,5 B plus vite que le temps réel, revient bien moins cher que le tarif à l’usage en volume soutenu, et plus cher à faible volume une fois la capacité inactive comptée honnêtement.

La comparaison des coûts dépend donc entièrement du volume et du fait que vous possédez déjà ou non des GPU. En dessous de quelques dizaines d’heures d’audio par mois, les 0,35 $ par heure d’audio de CSM-1B sont difficiles à battre et ne nécessitent aucune infrastructure. Au-delà de quelques centaines d’heures, l’auto-hébergement de Ming est moins cher et le devient de plus en plus, car la génération marginale ne coûte rien. L’erreur consiste à choisir en fonction du prix affiché plutôt que de l’utilisation.

C’est sur la question des licences que les deux se séparent réellement.

CSM-1B est sous Apache-2.0, une licence permissive, mais son accès est conditionné à l’acceptation de conditions et ce n’est pas le modèle présenté dans la démo. Ming-3.0-tts est sous MIT pour les deux checkpoints, sans restriction d’accès, sans clic d’acceptation d’une politique d’utilisation acceptable et sans exception commerciale. Dans le cadre d’un examen juridique visant à déterminer si le modèle peut être fine-tuné sur les données vocales de clients et intégré à un produit fermé, la réponse est oui dans les deux cas — mais un seul des deux est le modèle que vous avez réellement entendu.

Tout le compromis tient en une phrase : {{1}}Sesame{{/1}} vous offre la voix la plus agréable à l’oreille et la conserve ; {{2}}Ming{{/2}} vous offre une voix agréable que vous pouvez emporter chez vous.

Où OrcaRouter a sa place — et où il ne l’a pas

Aucun des deux modèles n’est hébergé sur OrcaRouter. Il n’existe aucun point de terminaison vocal Ming ni aucun point de terminaison Sesame sur notre plateforme, et cette page ne va pas en inventer un. Ce que nous hébergeons, c’est le reste de la pile : les modèles de langage qui écrivent et réécrivent des scripts, et des modèles vocaux de production tels que Gemini 3.1 Flash TTS Preview et GPT-4o mini TTS pour les équipes qui veulent une voix gérée plutôt qu’auto-hébergée.

La partie utile, c’est la jointure entre ces couches. Si vous auto-hébergez Ming, votre modèle vocal n’offre aucune garantie de disponibilité, aucune mise à l’échelle automatique et aucune seconde région ; la couche de routage peut rendre la moitié « texte » du pipeline redondante et basculer automatiquement lorsqu’un fournisseur se dégrade. Une seule clé API couvre plus de 200 modèles à 0 % de marge sur le prix catalogue du fournisseur, et le DSL de routage vous permet de composer un chemin principal et un repli en un seul appel plutôt que de disperser la logique de nouvelle tentative dans votre application. La fusion de modèles est l’autre option à connaître : pour quelque chose comme l’adaptation de script, un panel de modèles répondant ensemble bat souvent un modèle unique lorsque la tâche relève du jugement plutôt que de la génération. Rien de tout cela ne rend Ming plus rapide ni Sesame concédable sous licence. Cela rend le pipeline autour de la voix que vous choisissez capable de survivre au fait que cette voix soit le maillon faible.

La décision, clairement énoncée

Si vous voulez un agent vocal conversationnel en anglais cette semaine, Sesame Preview est le produit abouti et rien dans le monde des modèles à poids ouverts n’égale sa latence ni sa personnalité prête à l’emploi. Acceptez que vous ne puissiez pas licencier la voix, que vous construisiez sur une application fermée et que le MOS de 4,7 soit le plafond de ce que vous pouvez vérifier.

Si vous voulez une voix au sein de votre propre produit — clonée, conçue, maîtrisée, en sept langues, avec des conditions MIT et sans facturation au caractère — Ming-3.0-tts est le choix, avec deux conditions à la clé. Testez votre propre vocabulaire avant de vous fier au score de prononciation de 93,2 %, car le résultat sur les termes isolés est bien plus faible. Et prévoyez l’ingénierie : le chemin d’inférence est de niveau recherche, il n’y a pas encore de solution de streaming, et le catalogue de voix anglaises ne compte que cinq voix.

La seule chose à ne pas faire, c’est de lire cela comme un concours de qualité. La voix de démonstration de Sesame sonne probablement mieux que les voix anglaises standard de Ming ; c’est ce que devrait accomplir un produit soigné à quatre personnalités, optimisé pour la conversation. La question est de savoir si vous achetez la voix ou si vous louez l’expérience de l’entendre. Une seule de ces options est au menu.