Ming-3.0-tts-tiny vs Sesame-Preview: Checkpoint yang Bisa Kamu Unduh versus Suara yang Tidak Bisa Kamu Panggil

Masukkan Ming-3.0-tts-tiny dan Sesame Preview ke dalam kalimat yang sama dan perbandingannya langsung runtuh sebelum benchmark pertama, karena hanya salah satunya yang merupakan sesuatu yang dapat diperoleh pengembang. Ming-3.0-tts-tiny adalah checkpoint inclusionAI milik Ant Group: total 7,9 miliar parameter, sekitar 1,3 miliar aktif per token, bobot berlisensi MIT yang diterbitkan di Hugging Face dengan kode inferensi yang tiba di GitHub pada 19 Oktober 2026. Sesame Preview adalah asisten konsumen — empat suara, aplikasi iOS dan Android, tanpa API, tanpa ID model, tanpa skor terbitan untuk suara yang membuatnya layak ditulis. Yang satu adalah file. Yang lainnya adalah produk. Pertanyaan menariknya bukanlah mana yang terdengar lebih baik, karena belum ada yang mengukur itu di kedua sisi dengan cara yang dapat dibandingkan, melainkan apa yang memungkinkan Anda lakukan dengan masing-masingnya pada suatu Selasa sore ketika Anda memiliki naskah dan tenggat waktu. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda status dipersengketakan.

Soal tanggal penting di sini dengan cara yang jarang terjadi. Repositori Ming-3.0-tts-tiny dibuat pada 22 September 2026, bobotnya diunggah pada 24 September, dan selama tiga setengah minggu rilis tersebut tidak dapat digunakan — sebuah folder berisi shard tanpa cara menjalankannya yang dipublikasikan. Kode inferensi, contoh sekali klik, dan cookbook tugas muncul bersamaan pada 19 Oktober pukul 08:58 UTC. Ant belum mengumumkan satu pun dari semua itu. Sebaliknya, Sesame Preview telah tersedia untuk publik sejak musim semi dan mendapat pembaruan nyata pada 6 Oktober 2026, ketika chief product officer perusahaan tersebut mendeskripsikan Conversational Speech Model baru di balik aplikasi itu. Tak satu pun dari keduanya merupakan peluncuran dalam pengertian yang dimaksud siaran pers, tetapi keduanya adalah langkah, dan hanya salah satunya yang disertai sesuatu yang dapat Anda unduh.

Versi singkatnya, sebelum buktinya

Jika Anda sedang membangun produk, Sesame Preview bukan kandidat dan tidak dapat menjadi kandidat hari ini: tidak ada endpoint untuk dipanggil, tidak ada lisensi untuk dibaca, tidak ada harga, dan tidak ada jaminan bahwa suara di aplikasi adalah suara di model mana pun. Jika Anda sedang membangun produk dan membutuhkan suara yang Anda miliki sendiri, Ming-3.0-tts-tiny adalah kandidat — kandidat yang masih muda, belum dinilai, dan di-hosting sendiri, yang akan membuat Anda melakukan evaluasi sendiri.

Itu adalah keseluruhan keputusan bagi sebagian besar tim. Semua yang di bawah ini adalah untuk kasus-kasus ketika bukan demikian: yang membandingkannya sebagai audio percakapan alih-alih sebagai produk, atau menimbang apakah pendekatan Sesame adalah yang harus ditiru.

Apa yang sebenarnya Anda dapatkan dari masing-masingnya

• Yang Anda unduh — Ming-3.0-tts-tiny: sekitar 18 GB yang berisi backbone Ling V3, head diffusion-transformer, tokenizer audio, encoder speaker CAM++, dan tokenizer teks. Sesame Preview: aplikasi dari App Store atau Google Play, dan tidak ada yang lain.

• Yang dapat Anda panggil — Ming-3.0-tts-tiny: sebuah kelas Python, MingTinyTTS.from_pretrained, dengan nama tugas untuk kloning zero-shot, sintesis multibahasa, paralinguistik, dialog podcast, emosi, dialek, gaya bebas, dan desain suara. Sesame: antarmuka obrolan dengan empat kepribadian. Tidak ada ID model yang pernah diterbitkan untuk suara produksi.

• Lisensi — Ming-3.0-tts-tiny: MIT untuk bobot dan kode, dengan catatan penggunaan yang meminta Anda untuk tidak menyamar sebagai orang lain dan memberi label pada audio sintetis. Sesame: ketentuan layanan aplikasi, ditambah checkpoint terbuka yang dibahas di bawah ini yang bukan model produksi.

• Cakupan bahasa — Ming-3.0-tts-tiny: Tionghoa, Inggris, Jerman, Spanyol, Prancis, Korea, dan Jepang, dengan Sichuan dan Kanton tersedia dari klip referensi dialek. Sesame: Inggris adalah satu-satunya bahasa yang didukung secara resmi; panduan tersebut mencatat bahwa asisten juga menangani bahasa Prancis, Italia, Jerman, Spanyol, Tionghoa, Jepang, dan Korea "secara awal", yang terbaca sebagai peringatan alih-alih daftar fitur.

• Harga — Ming-3.0-tts-tiny: tidak ada daftar tarif; Anda membayar untuk H800 dan listriknya. Sesame: gratis digunakan, tidak ada tingkatan paket yang dipublikasikan, dan perusahaan mengatakan tidak menayangkan iklan dan tidak menjual data.

• Skor independen — Ming-3.0-tts-tiny: tidak ada, dan secara khusus bukan 1,188 Elo yang dicantumkan Artificial Analysis untuk "Ming-3.0-tts", yang merupakan milik checkpoint 0.5B. Sesame: juga tidak ada untuk suara aplikasi. Ini adalah perbandingan langka di mana kedua pihak tidak memiliki angka.

Satu-satunya artefak Sesame yang dapat dipegang oleh developer

Ada model Sesame di Hugging Face, dan penting untuk tepat mengenai apa model itu, karena model ini sering keliru dianggap sebagai suara di aplikasi.

CSM-1B berlisensi Apache-2.0, hanya untuk bahasa Inggris, dan dibangun di atas arsitektur yang telah dijelaskan perusahaan secara publik: tulang punggung Llama yang memprediksi codebook audio pertama dan decoder kedalaman yang lebih kecil yang memprediksi sisanya, lalu mendekode melalui codec Mimi milik Kyutai pada 24 kHz. Kartu model menyebutnya "model generasi dasar" — mampu menghasilkan beragam suara, tidak disesuaikan untuk suara tertentu, dan secara eksplisit turunannya yang menjalankan demo interaktif, bukan checkpoint itu sendiri yang menjadi demo. Pada saat tangkapan ini, model tersebut menunjukkan sekitar 130.000 unduhan pada bulan sebelumnya dan sekitar 2.500 suka, yang merupakan basis pengembang yang nyata untuk rilis riset berusia dua tahun.

Apa artinya dalam praktik: Anda dapat memuat arsitektur Sesame, menyempurnakannya, dan menghosting sendiri TTS percakapan. Anda tidak dapat memuat produk Sesame. Pembaruan Oktober — CSM baru dengan ekspresivitas dan pelafalan yang lebih baik, menurut kata-kata perusahaan sendiri — menggeser hal yang tidak dapat Anda miliki, dan tidak mengatakan apa pun yang terukur tentangnya.

Di mana mereka benar-benar tumpang tindih, dan di mana tumpang tindih itu berakhir

Keduanya ditujukan untuk ucapan yang terdengar seperti percakapan, bukan narasi, dan itu bukan kesamaan yang kecil. Sesame membangun reputasinya melalui napas, keraguan, dan waktu interupsi yang begitu meyakinkan sehingga pendengar awal mengira ada orang di saluran telepon. Model kecil Ant menyertakan 14 tag paralinguistik inline untuk tawa, desahan, napas, dan keraguan, serta tugas podcast multi-pembicara yang tidak dapat dilakukan oleh saudara 0.5B-nya sendiri.

Di luar itu, tumpang tindihnya cepat menipis.

Keunggulan Sesame adalah suaranya tertanam dalam produk yang berfungsi dengan memori, konektor ke Gmail, Calendar, dan Drive, komputer sendiri untuk menjelajah dan bertindak, dukungan MCP melalui OAuth, dan, sejak Oktober, kemampuan untuk mengorkestrasi agen lain. Tidak ada satu pun dari itu yang merupakan fitur model ucapan; ini adalah asisten, dan suara adalah cara Anda berbicara dengannya. Keunggulan Ant adalah semuanya dapat diperiksa. Setiap angka dalam kartu model dapat ditelusuri ke set pengujian, setiap tugas memiliki contoh yang dapat dijalankan, dan pipeline-nya milik Anda untuk dimodifikasi.

Asimetri yang menentukan sebagian besar evaluasi lebih sederhana daripada kedua daftar itu: dengan Ming-3.0-tts-tiny Anda dapat menghasilkan kalimat yang sama seratus kali dan mendengarkannya. Dengan Sesame Anda tidak dapat menghasilkan apa pun sama sekali, jadi tidak ada eksperimen yang bisa dijalankan — hanya opini tentang sebuah aplikasi.

Apa yang diterbitkan Ant, dan berapa nilainya

Godaan dengan perbandingan seperti ini adalah mengisi celah dengan tabel benchmark Ant, dan tabel-tabel itu sangat luas: Seed-TTS bahasa Mandarin pada 0,820% word error dan 0,781 kemiripan pembicara, bahasa Inggris pada 1,666% dan 0,728, Jerman 0,325%, Spanyol 0,971%, hasil paralinguistik NVBench memimpin keenam kategori peristiwa tunggal, rangkaian dialek pada 86,09% di WSC-Eval-TTS easy, emosi pada 74,00% di CV3, desain suara pada 75,37% di InstructTTSEval-ZH.

Semua itu adalah Ant yang mengukur Ant, dengan harness milik Ant, menggunakan klip referensi dan kode penilaian milik Ant, dan tidak ada satu pun yang direproduksi di luar perusahaan. Itu tidak membuat angkanya salah. Itu membuatnya dilaporkan oleh vendor, dan berarti angka-angka itu tidak dapat dibandingkan dengan angka Sesame karena tidak ada angka Sesame untuk dibandingkan.

Satu-satunya hasil dalam suite yang berperilaku seperti perbandingan sungguhan adalah yang tidak nyaman: pada bahasa Korea, Ming-3.0-tts-tiny mencatat kesalahan karakter sebesar 6.000%, sementara saudaranya sendiri berukuran 0.5B mencatat 1.728%. Kartu model mencantumkan bahasa Korea di antara kelemahan yang diketahui dan tidak memberikan penjelasan. Satu penjelasan yang masuk akal — sparse routing yang memberi bahasa yang kurang terlatih lebih sedikit kapasitas daripada yang akan diberikan model padat berukuran serupa — adalah hipotesis, bukan temuan. Pembacaan operasionalnya adalah yang aman: jika bahasa Korea termasuk dalam cakupan, ujilah sebelum Anda memercayainya.

Apakah ada sesuatu yang bisa dipelajari dari model Sesame tanpa modelnya?

Ya, dan ini adalah hal paling berguna dalam perbandingan ini setelah perbedaan lisensi: Sesame menerbitkan sebuah benchmark. Pada 28 Agustus 2026, Sesame merilis TurnBench, benchmark terbuka untuk giliran bicara dalam dialog lisan — 30 jam ujaran diadik beranotasi tiga kali, protokol penilaian yang diambil dari analisis percakapan, papan peringkat publik, dan hasil untuk 14 sistem, yang dibangun bersama Carnegie Mellon, Mundo AI, dan Oto.

Pergantian giliran adalah persis kualitas yang sama-sama gagal ditangkap oleh papan Elo preferensi dan tabel word-error, dan itulah kualitas yang membuat produk Sesame terkenal. Jika Anda mengevaluasi Ming-3.0-tts-tiny untuk keperluan percakapan apa pun, TurnBench adalah instrumen yang perlu dipinjam meskipun aplikasi Sesame sendiri tidak tercantum di dalamnya: nilai kandidat Anda pada penanganan interupsi dan waktu backchannel alih-alih menebak dari metrik kemiripan.

Itulah bentuk perbandingan yang adil di sini. Bukan Ming-3.0-tts-tiny versus suara Sesame Preview, yang tidak dapat dijalankan, melainkan Ming-3.0-tts-tiny terhadap benchmark publik yang didefinisikan Sesame untuk properti yang sama-sama mereka kejar.

Jika Anda sedang membangun hal yang ditujukan untuk salah satu dari mereka

Arsitektur 2026 yang realistis untuk produk suara adalah lapisan ucapan ditambah otak teks yang memutuskan apa yang harus dikatakan, dan keduanya berada di ujung yang berlawanan dari tumpukan tersebut. Ming-3.0-tts-tiny dapat menjadi lapisan ucapan, jika Anda memiliki GPU dan kesediaan untuk mengevaluasinya. Sesame Preview sama sekali tidak dapat menjadi lapisan; itu adalah produk pesaing yang akan Anda hadapi saat membangun produk Anda.

Otak teks adalah bagian di mana router benar-benar berguna, bukan sekadar dekorasi. OrcaRouter membawa lebih dari 200 model teks di balik satu kunci, dengan harga daftar penyedia tanpa tambahan markup, sehingga perubahan harga vendor menjadi harga Anda pada hari yang sama, dengan failover otomatis antarpenyedia. Agar jelas soal cakupan: tidak ada model ucapan Ant yang menjadi rute di sini, termasuk Ming-3.0-tts-tiny, dan tidak ada model Sesame juga, termasuk CSM-1B. Yang dirutekan adalah separuh pipeline yang menulis skrip, memilih tag emosi, dan memutuskan kapan agen harus berbicara — yang juga merupakan separuh yang dapat Anda ganti vendornya tanpa merekam ulang apa pun.

Apa yang perlu ditonton selain adu langsung

Tiga hal akan menjadikan ini perbandingan yang sesungguhnya, dan belum satu pun dari ketiganya terjadi.

Endpoint yang dihosting untuk Ming-3.0-tts-tiny, atau pihak ketiga yang mempublikasikan latensi dan tingkat kesalahan terukur untuk model itu. Peta jalan Ant sendiri menyebutkan dukungan vLLM-Omni, yang merupakan persoalan penyajian layanan, bukan kualitas, tetapi itu adalah prasyarat bagi siapa pun yang ingin menilai model tersebut.

Sebuah angka yang dilampirkan pada CSM Oktober Sesame. Perusahaan mengatakan ekspresivitas dan pelafalan meningkat dan bahwa perbedaannya besar dalam percakapan panjang; perusahaan belum menerbitkan ID model, angka latensi, dan tolok ukur apa pun, dan satu-satunya pengukuran publik atas apa pun yang terkait tetap TurnBench, yang menilai giliran bicara alih-alih kualitas suara.

Dan hasil Korea dari siapa pun selain Ant. Angka 6.000% adalah cacat paling jelas dalam catatan yang diterbitkan, dan tim kedua yang mereproduksi atau membantahnya akan memberi tahu Anda lebih banyak tentang checkpoint ini daripada skor Elo mana pun.

Hingga saat itu, penilaian jujurnya tidak memikat: salah satunya dapat Anda unduh, audit, dan rilis, dengan lisensi yang mengizinkannya serta rangkaian benchmark yang hanya pernah dijalankan oleh penulisnya. Yang lain dapat Anda ajak bicara di ponsel, kagumi, tetapi tidak dapat dijadikan dasar untuk membangun.