Ming-3.0-tts מול Sesame Preview: הקול שאפשר להחזיק לעומת הקול שאפשר רק לשמוע

אפשר לשמוע Sesame Preview בתוך כשלושים שניות ולא ניתן להוריד אותו בשום מחיר. ניתן להוריד Ming-3.0-tts בחינם תחת רישיון MIT ואין הדגמה מלוטשת לנסות קודם. אי-הסימטריה הזו היא כל ההשוואה, ורוב ההשוואות ראש בראש טועות בכך שהן מתייחסות לשתיים כממשקי API מתחרים של טקסט לדיבור. הן לא. Sesame Preview הוא מוצר צרכני מוגמר הבנוי סביב קול ש-Sesame מעולם לא שחררה; Ming-3.0-tts הוא מודל דיבור במשקולות פתוחות מצוות inclusionAI של Ant Group, שפורסם ב-20 באוקטובר 2026, ללא ממשק קצה צרכני מתארח כלל. האחד הוא מסעדה. האחר הוא מטבח.

זה לא הופך את ההשוואה לחסרת תועלת. זה הופך אותה לשאלה מה אתה בעצם מנסה לקנות: סוכן שיחות שעובד היום, או קול שאתה יכול להטמיע בתוך המוצר שלך ולשמור עליו. ברגע שמפרידים בין השניים, ההחלטה ברורה יותר ממה שגליונות המפרט מרמזים — והיא תלויה בעובדות שאף דף שיווק של אחד מהמודלים לא מציין במפורש.

שלושה דברים שנקראים "שומשום", שרק באחד מהם אפשר להשתמש

השמות הם המלכודת הראשונה. "Sesame Preview" מתייחס לאפליקציה החינמית עם ארבע פרסונות שיחה — Maya, Miles, Simone ו-Charlie. היא הושקה כתצוגה מקדימה באינטרנט בפברואר 2025, הגיעה ל-iOS בסוף מאי 2026 ול-Android ב-6 באוגוסט 2026. היא מבצעת חיפושים חיים באינטרנט במהלך השיחה וזוכרת את ההקשר לאורך סשן.

מה שמפעיל את האפליקציה הזו הוא לא המודל שאפשר להוריד. קול הייצור של Sesame פועל על מודל גדול וסגור שמעולם לא שוחרר. הפריט הניתן להורדה הוא CSM-1B, מודל הדיבור השיחתי: כ-1B פרמטרים, Apache-2.0, נגיש רק לאחר אישור תנאים, בנוי על שלד Llama עם קודק האודיו Mimi של Kyutai ב-24 kHz. CSM-1B הוא האב הקדמון של קול הדמו, לא קול הדמו. זהו מודל בסיס שאינו יכול לייצר טקסט בעצמו וזקוק למודל שפה שמשודך אליו.

אז הניסוח הכנה של "Ming-3.0-tts לעומת Sesame Preview" הוא למעשה שתי השוואות מונחות זו על גבי זו. מול אפליקציית ה-Preview, Ming מתחרה ביכולות ומפסיד בליטוש ובהשהיה. מול CSM-1B, Ming מתחרה ישירות על המשקלים, הרישיון והשליטה, ומנצח ברובם.

מה יש ל-Ming-3.0-tts להציע

Ming-3.0-tts הוא קו סינתזת הדיבור של משפחת Ming-3.0 בת חמשת המודלים של Ant, ברישיון MIT, עם משקולות ב-Hugging Face וב-ModelScope וקוד אינפרנס במאגר GitHub נפרד. הוא מגיע בשני צ'קפוינטים שהם ממש מוצרים שונים.

• Ming-3.0-tts-0.5B — צפוף, על בסיס Qwen2.5-0.5B עם ראש DiT וטוקנייזר אודיו, כ-2.96 GB. זהו ה-checkpoint עם הרצות בנצ'מרק עצמאיות.

• Ming-3.0-tts-tiny — תערובת מומחים עם 7.9B בסך הכול ו-1.3B פעילים על גב Ling V3 של Ant, כ-18 GB, שמוסיפה יצירת פודקאסטים עם מספר דוברים. "Tiny" מתאר את עלות זמן הריצה, לא את גודל ההורדה.

יכולות שחשובות להשוואה הזו: שיבוט קול zero-shot מתוך קטע ייחוס קצר, עיצוב קול מתוך תיאור בשפה טבעית, מצב במאי לשליטה חופשית באופן ההגשה, 14 תגיות פרה-לשוניות מוטבעות כגון צחוק ואנחות, שליטה מפורשת ברגש, במהירות, בגובה הצליל ובעצמה, יותר מ-100 קולות בסינית וחמישה באנגלית, שבע שפות ובנוסף סצ'ואנית וקנטונזית, ופלט ב-44.1 kHz.

מבחן הקול אינו מכריע אף טבלת מובילים.

המוניטין של Sesame נשען על האופן שבו נשמעים הקולות של Preview. מדידות של צדדים שלישיים מאמתות זאת: רשימת המועמדים הסופית ל-TTS בקוד פתוח של CodeSOTA מיקמה את Sesame במקום הראשון עם 4.7 MOS, ו-CallSphere מדדה את קול Maya בסביבת הייצור ב-4.6 MOS. אלה מספרים חזקים, והם הסיבה שההדגמה הפכה לוויראלית.

הם גם מדידות של קול שלא ניתן לקבל עליו רישיון. השאלה הרלוונטית למפתח אינה "עד כמה טובה Maya" אלא "עד כמה טוב הקול הטוב ביותר שאוכל להכניס למוצר שלי".

בלוחות הדירוג העצמאיים, Ming-3.0-tts הוא החזק בדיוק היכן שתהליך עבודה של שיבוט קול חי. ה-Controlled Voice Arena של Artificial Analysis, שמשתמש בשמונה קולות משובטים בארבעה מבטאים אמריקאיים וארבעה בריטיים, מציב את Ming על 1,069 Elo — ראשון מבין מודלים עם משקלים פתוחים ובסביבות המקום ה-13 בסך הכול. ציון ה-Provider Voice שלו, שבו המודל משתמש בקולות המלאי שלו עצמו, הוא 1,188 Elo — שלישי מבין מודלים עם משקלים פתוחים ובסביבות המקום ה-18 בסך הכול. הפער בין שתי התוצאות האלה הוא אופיו של המודל בשורה אחת: הוא הרבה יותר טוב בשחזור קול שאתה מספק מאשר בלהיות קול מוכן ישר מהקופסה.

מינג גם חלקה את המקום הראשון בסך הכול בעמידות בהגייה עם 93.2%, וזו תוצאה אמיתית וצרה. במונחים עצמאיים — שמות מותגים, שמות מקומות ושמות פרטיים מבודדים — היא מדורגת במקום ה-21 מתוך 31. קראו בזה תווית אזהרה לכל מי שהתסריט שלו מכיל שמות מוצרים: הציון המצטבר אינו המספר שדוחות הבאגים שלך יעסקו בו.

Sesame Preview אינו מופיע בלוחות האלה בצורה ניתנת להשוואה. הקולות באפליקציה שלו הם פרסונות קבועות, לא שיבוטים, ואין צ'קפוינט ציבורי של מודל הייצור ששווה אליו. ה-MOS של 4.7 הוא הראיה הטובה ביותר הזמינה, והוא מודד דבר אחר.

שליטה: כיסא של במאי לעומת אישיות

Ming מתייחס לדיבור כאל אות שניתן לשלוט בו. אפשר לשכפל קול ייחוס, לעצב קול מטקסט, לתייג אמירה בצחוק או באנחה, או להנחות את המסירה בשפה חופשית. כרטיס המודל גלוי לגבי המקומות שבהם זה אינו מושלם: תגים פרלשוניים מרובי-אירועים חלשים יותר מאשר תגים של אירוע בודד, שליטה ברגש קשה יותר כאשר הטקסט נושא מעט אות רגשי, הגובה פחות מדויק מהמהירות או מהעוצמה, ועיצוב קול פתוח עדיין מפגר אחרי המערכת החזקה ביותר שהצוות העריך. אין בכך שום דבר יוצא דופן לקראת מהדורה ציבורית ראשונה. כל זה מתועד, וזה יותר ממה שרוב הספקים מציעים.

משטח השליטה של Sesame הוא שיחה. האפליקציה מנהלת תורות דיבור, זיכרון וחיפוש חי, והקול הוא רכיב אחד של סוכן ולא פרמטר שמכווננים. החולשה שלה היא הצד השני של האינטגרציה הזו: קריאה לפונקציות נמדדה בשיעור שגיאה של 6.7% לעומת 2.1% אצל מתחרה בזמן אמת, וזה סוג המספר שחשוב אם רציתם לבנות על גבה סוכן ולא לשוחח עם אחד.

אם הדרישה שלך היא "קול שקורא את התסריט הזה בדיוק כפי שאני מגדיר", מינג הוא היחיד מבין השניים שמציע את הפקדים. אם הדרישה שלך היא "סוכן קולי שמנהל שיחה", ססמי הוא היחיד מבין השניים שמספק אחד כזה.

שפה ואיכות שמע

• שפות — Ming מכסה סינית, אנגלית, גרמנית, ספרדית, צרפתית, קוריאנית ויפנית, ובנוסף סצ'ואנית וקנטונזית. Sesame Preview מתמקדת באנגלית; האפליקציה היא באנגלית בלבד, והביצועים של CSM-1B בשפות שאינן אנגלית לא נבדקו ברובם.

• קצב דגימה — Ming מפיק 44.1 קילו־הרץ. CSM-1B מפיק 24 קילו־הרץ דרך קודק Mimi, אשר מספיק לדיבור שיחתי וצר באופן מורגש לעבודה מוזיקלית או שידורית.

• קטלוג קולות — Ming מספקת יותר מ-100 קולות בסינית וחמישה באנגלית. Sesame מספקת ארבע פרסונות, כל אחת עם אופי מובחן, שזו החלטת מוצר אוצרת ולא קטלוג.

• טווח רגשי — Ming חושפת רגש כפקד עם מגבלות מתועדות. ההבעה הרגשית של Sesame טבועה בפרסונות ונחשבת במידה רבה לאיכות החזקה ביותר שלה; היא גם לא משהו שאפשר לכוונן.

השהיה היא הניצחון הבלתי מעורער של Sesame

זהו הציר היחיד שבו ההשוואה כלל אינה צמודה. Sesame Preview מזרים עם השהיית בייט ראשון של פחות מ-300 מ״ש; הקול של Maya נמדד ב-80–130 מ״ש זמן עד לבייט הראשון, והסוכן המלא ב-250–450 מ״ש עם p95 של 480 מ״ש. זה ברמה שיחתית, וזה התוצאה של מוצר שנבנה מקצה לקצה לדיאלוג בזמן אמת.

Ming-3.0-tts הוא קוד אינפרנס ברמת מחקר. אין נתיב סטרימינג מתועד, אין מערך הגשה, ואין נתון השהיה בכרטיס המודל. המאגר מצביע על אינפרנס מואץ של vLLM-Omni כמפת דרכים. עד שזה קיים, השוואה של ההשהיה שלו לזו של Sesame היא השוואה בין מערכת הרצת בנצ'מרקים למוצר שנשלח, והמוצר שנשלח מנצח כברירת מחדל.

כמה עולה כל אחד

• Sesame Preview — האפליקציה בחינם. קול הדמו אינו למכירה בשום מחיר, וזהו הנתון הרלוונטי עבור מפתח.

• CSM-1B — ה-API של Sesame עצמה מפרט אותו בכ-7 דולר למיליון תווים עם הקשר של 4K, כשהוא מוגש על ידי Sesame בלבד. בקצב של כ-14 תווים לשנייה של דיבור, מדובר בכ-0.35 דולר לשעת אודיו, וזו אפשרות הדיבור בתשלום לפי שימוש הזולה ביותר בפינה הזו של השוק.

• Ming-3.0-tts — משקולות MIT בחינם וחשבון GPU. H800 שכור בכ-2 דולר לשעת GPU, שמריץ מודל 0.5B בקצב מהיר מזמן אמת, יוצא הרבה מתחת לתעריף המדוד בהיקף מתמשך, ומעליו בהיקף נמוך כאשר קיבולת לא מנוצלת נספרת ביושר.

השוואת העלויות תלויה אפוא כולה בנפח ובשאלה אם כבר יש לכם GPUs. מתחת לכמה עשרות שעות אודיו בחודש, קשה לנצח את 0.35 הדולר לשעת אודיו של CSM-1B, והוא אינו דורש תשתית. מעל כמה מאות שעות, אירוח עצמי של Ming זול יותר ונעשה זול יותר ויותר, משום שעלות הייצור השולית היא אפס. הטעות היא לבחור לפי מחיר המדבקה במקום לפי שיעור הניצול.

הרישוי הוא הנקודה שבה השניים למעשה נפרדים.

CSM-1B הוא תחת Apache-2.0, שהוא רישיון מתירני, אך הוא חסום מאחורי אישור תנאים והוא אינו המודל שבהדגמה. Ming-3.0-tts הוא MIT בשני ה-checkpoints, ללא חסימה, ללא לחיצת הסכמה לשימוש מקובל וללא סייג מסחרי. עבור סקירה משפטית ששואלת אם ניתן לכוונן את המודל על נתוני קול של לקוחות ולהפיץ אותו בתוך מוצר סגור, שתי התשובות הן כן — אך רק אחד מהמודלים הוא זה שבעצם שמעת.

זהו הוויתור במשפט אחד: Sesame נותן לך את הקול שנשמע טוב יותר ושומר עליו; Ming נותן לך קול שנשמע טוב שאפשר לקחת הביתה.

איפה OrcaRouter מתאים — ואיפה הוא לא

אף אחד מהמודלים אינו מתארח ב-OrcaRouter. אין נקודת קצה לדיבור של Ming ואין נקודת קצה של Sesame בפלטפורמה שלנו, והעמוד הזה לא ימציא אחת כזו. מה שכן מתארח אצלנו הוא שאר הסטאק: מודלי השפה שכותבים ומשכתבים תסריטים, ומודלי דיבור לייצור כמו Gemini 3.1 Flash TTS Preview ו-GPT-4o mini TTS עבור צוותים שרוצים קול מנוהל ולא כזה שמתארח בעצמם.

החלק השימושי הוא התפר בין השכבות האלה. אם אתה מארח את Ming בעצמך, למודל הקולי שלך אין הבטחת זמינות, אין סקיילינג אוטומטי ואין אזור שני; שכבת הניתוב יכולה להעניק יתירות לחצי הטקסט של הצינור ולעבור אוטומטית לגיבוי כאשר ספק מתדרדר. מפתח API אחד מכסה יותר מ-200 מודליםב-0% תוספת על מחיר המחירון של הספק, וה-DSL לניתוב מאפשר לך להרכיב מסלול ראשי וגיבוי לקריאה אחת במקום לפזר לוגיקת ניסיונות חוזרים ברחבי היישום שלך. מיזוג מודלים הוא האפשרות האחרת שכדאי להכיר: עבור משהו כמו התאמת תסריט, פאנל של מודלים שעונים יחד לעיתים קרובות עדיף על מודל אחד כשהמשימה היא שיקול דעת ולא יצירה. שום דבר מזה לא הופך את Ming למהיר יותר או את Sesame לניתן לרישוי. זה מאפשר לצינור שסביב הקול שתבחר לשרוד גם כאשר הקול הוא החוליה החלשה.

ההחלטה, באומרה בפשטות

אם אתם רוצים סוכן קולי שיחתי באנגלית כבר השבוע, Sesame Preview הוא המוצר המוגמר, ושום דבר בעולם המשקלים הפתוחים לא משתווה לשהות שלו או לאישיות המוכנה שלו מהקופסה. השלימו עם העובדה שאינכם יכולים לקבל רישיון לקול, שאתם בונים על אפליקציה סגורה, ושה-MOS של 4.7 הוא תקרת מה שאתם יכולים לאמת.

אם אתם רוצים קול בתוך המוצר שלכם — משובט, מעוצב, נשלט, בשבע שפות, בתנאי MIT ובלי תמחור לפי תו — Ming-3.0-tts הוא הבחירה, עם שני תנאים נלווים. בדקו את אוצר המילים שלכם לפני שתסמכו על ציון ההגייה של 93.2%, כי התוצאה עבור מונחים בודדים חלשה בהרבה. ותכננו את הצד ההנדסי: מסלול ההסקה הוא ברמת מחקר, אין עדיין פתרון סטרימינג, וקטלוג הקולות באנגלית מונה חמישה קולות בלבד.

הדבר היחיד שאסור לך לעשות הוא לפרש את זה כתחרות איכות. קול הדמו של Sesame כנראה באמת נשמע טוב יותר מקולות האנגלית המובנים של Ming; זה מה שמוצר אצור עם ארבע פרסונות, שמותאם לשיחה, אמור להשיג. השאלה היא אם אתה קונה את הקול או שוכר את החוויה של לשמוע אותו. רק אחד מאלה נמצא בתפריט.