Ming-3.0-tts vs Sesame Preview: Suara yang Bisa Anda Miliki versus Suara yang Hanya Bisa Anda Dengar

Anda dapat mendengar Sesame Preview dalam waktu sekitar tiga puluh detik dan Anda tidak dapat mengunduhnya dengan harga berapa pun. Anda dapat mengunduh Ming-3.0-tts secara gratis di bawah lisensi MIT dan tidak ada demo matang untuk dicoba terlebih dahulu. Asimetri itulah keseluruhan perbandingannya, dan sebagian besar perbandingan langsung keliru karena menganggap keduanya sebagai API text-to-speech yang bersaing. Kenyataannya tidak. Sesame Preview adalah produk konsumen jadi yang dibangun di sekitar suara yang belum pernah dirilis Sesame; Ming-3.0-tts adalah model ucapan open-weight dari tim inclusionAI milik Ant Group, yang diterbitkan pada 20 Oktober 2026, tanpa antarmuka konsumen yang dihosting sama sekali. Yang satu adalah restoran. Yang lainnya adalah dapur.

Itu tidak membuat perbandingan menjadi tidak berguna. Itu menjadikannya pertanyaan tentang apa yang sebenarnya ingin Anda beli: agen percakapan yang sudah berfungsi saat ini, atau suara yang dapat Anda tanamkan di dalam produk Anda sendiri dan pertahankan. Setelah Anda memisahkan keduanya, keputusannya lebih jelas daripada yang disiratkan lembar spesifikasi — dan itu bergantung pada fakta yang tidak dinyatakan secara gamblang oleh halaman pemasaran model mana pun.

Tiga hal yang disebut "Sesame," hanya satu di antaranya yang dapat Anda gunakan

Penamaan adalah jebakan pertama. "Sesame Preview" merujuk pada aplikasi gratis dengan empat persona percakapan — Maya, Miles, Simone, dan Charlie. Aplikasi ini diluncurkan sebagai pratinjau web pada Februari 2025, hadir di iOS pada akhir Mei 2026 dan Android pada 6 Agustus 2026. Aplikasi ini melakukan pencarian web secara langsung di tengah percakapan dan mengingat konteks sepanjang sesi.

Yang menjalankan aplikasi itu bukanlah model yang dapat Anda unduh. Suara produksi Sesame berjalan pada model tertutup yang lebih besar dan belum pernah dirilis. Artefak yang dapat diunduh adalah CSM-1B, Conversational Speech Model: sekitar 1B parameter, Apache-2.0, terkunci di balik persetujuan ketentuan, dibangun di atas backbone Llama dengan codec audio Mimi dari Kyutai pada 24 kHz. CSM-1B adalah nenek moyang dari suara demo, bukan suara demo itu sendiri. Ini adalah model dasar yang tidak dapat menghasilkan teks sendiri dan memerlukan model bahasa yang dipasangkan dengannya.

Jadi, kerangka yang jujur untuk "Ming-3.0-tts vs Sesame Preview" sebenarnya adalah dua perbandingan yang bertumpuk. Terhadap aplikasi Preview, Ming bersaing pada kemampuan dan kalah pada kerapian serta latensi. Terhadap CSM-1B, Ming bersaing langsung pada bobot model, lisensi, dan kendali, dan menang pada sebagian besar aspek tersebut.

Apa yang ditawarkan Ming-3.0-tts

Ming-3.0-tts adalah lini sintesis ucapan dari keluarga Ming-3.0 milik Ant yang terdiri dari lima model, berlisensi MIT, dengan bobot tersedia di Hugging Face dan ModelScope serta kode inferensi di repositori GitHub terpisah. Model ini dirilis dalam dua checkpoint yang benar-benar merupakan produk berbeda.

• Ming-3.0-tts-0.5B — padat, pada backbone Qwen2.5-0.5B dengan head DiT dan tokenizer audio, sekitar 2,96 GB. Ini adalah checkpoint dengan uji benchmark independen.

• Ming-3.0-tts-tiny — campuran pakar dengan total 7,9B parameter dan 1,3B aktif di atas tulang punggung Ling V3 milik Ant, sekitar 18 GB, yang menambahkan pembuatan podcast multi-pembicara. "Tiny" menggambarkan biaya runtime, bukan ukuran unduhan.

Kemampuan yang penting untuk perbandingan ini: kloning suara zero-shot dari klip referensi singkat, desain suara dari deskripsi bahasa alami, mode sutradara untuk kontrol penyampaian yang bebas, 14 tag paralinguistik inline seperti tawa dan desahan, kontrol emosi, kecepatan, nada, dan volume yang eksplisit, lebih dari 100 suara bahasa Mandarin dan lima suara bahasa Inggris, tujuh bahasa plus bahasa Sichuan dan Kanton, serta output 44.1 kHz.

Uji suara tidak menyelesaikan papan peringkat mana pun

Reputasi Sesame bergantung pada bagaimana suara Preview terdengar. Pengukuran pihak ketiga mendukungnya: daftar pendek TTS open-source CodeSOTA menempatkan Sesame di posisi pertama dengan MOS 4,7, dan CallSphere mengukur suara Maya versi produksi pada MOS 4,6. Itu angka yang kuat, dan itulah alasan demo tersebut menjadi viral.

Itu juga merupakan pengukuran terhadap suara yang tidak dapat Anda lisensikan. Pertanyaan yang relevan bagi seorang pengembang bukanlah "seberapa bagus Maya" melainkan "seberapa bagus suara terbaik yang dapat saya masukkan ke dalam produk saya."

Di papan peringkat independen, Ming-3.0-tts paling kuat tepat di area yang menjadi inti alur kerja kloning. Controlled Voice Arena milik Artificial Analysis, yang menggunakan delapan suara hasil kloning dalam empat aksen AS dan empat aksen Inggris, menempatkan Ming pada 1.069 Elo — peringkat pertama di antara model open-weight dan sekitar peringkat ke-13 secara keseluruhan. Skor Provider Voice-nya, yaitu saat model menggunakan suara stok bawaannya sendiri, adalah 1.188 Elo, ketiga di antara model open-weight dan sekitar peringkat ke-18 secara keseluruhan. Kesenjangan antara kedua hasil itu merangkum karakter model dalam satu kalimat: model ini jauh lebih baik dalam mereproduksi suara yang Anda berikan daripada menjadi suara yang langsung siap pakai.

Ming juga berbagi posisi pertama secara keseluruhan pada Pronunciation Robustness dengan 93,2%, yang merupakan hasil nyata dengan selisih tipis. Untuk istilah yang berdiri sendiri — nama merek, nama tempat, nama diri yang terpisah — peringkatnya adalah 21 dari 31. Anggap itu sebagai label peringatan bagi siapa pun yang skripnya memuat nama produk: skor agregat bukanlah angka yang akan menjadi pokok laporan bug Anda.

Sesame Preview tidak muncul di papan peringkat tersebut dalam bentuk yang sebanding. Suara aplikasinya adalah persona tetap, bukan klon, dan tidak ada checkpoint publik dari model produksi untuk dijadikan tolok ukur. 4.7 MOS adalah bukti terbaik yang tersedia dan mengukur hal yang berbeda.

Kendali: kursi sutradara versus kepribadian

Ming memperlakukan ucapan sebagai sinyal yang dapat dikendalikan. Anda dapat mengkloning suara referensi, merancang suara dari teks, menandai ucapan dengan tawa atau desahan, atau menginstruksikan penyampaiannya dalam bahasa bebas. Kartu model itu terus terang tentang bagian yang belum sempurna: tag paralinguistik multi-peristiwa lebih lemah daripada tag satu peristiwa, kontrol emosi lebih sulit ketika teks membawa sedikit sinyal emosi, nada lebih tidak akurat daripada kecepatan atau volume, dan desain suara terbuka masih tertinggal dari sistem terkuat yang dievaluasi tim. Tidak ada yang luar biasa dari semua itu untuk rilis publik pertama. Semuanya didokumentasikan, lebih dari yang ditawarkan sebagian besar vendor.

Permukaan kendali Sesame adalah percakapan. Aplikasi ini mengelola pergantian giliran, memori, dan pencarian langsung, dan suara adalah salah satu komponen agen, bukan parameter yang Anda setel. Kelemahannya adalah sisi lain dari integrasi itu: pemanggilan fungsi diukur memiliki tingkat kesalahan 6,7% dibandingkan 2,1% untuk pesaing realtime, angka yang penting jika Anda ingin membangun agen di atasnya alih-alih berbicara dengan agen.

Jika kebutuhan Anda adalah "suara yang membacakan skrip ini sesuai yang saya tentukan," Ming adalah satu-satunya dari keduanya yang menawarkan kontrol tersebut. Jika kebutuhan Anda adalah "agen suara yang menangani percakapan," Sesame adalah satu-satunya dari keduanya yang menyediakannya.

Kualitas bahasa dan audio

• Bahasa — Ming mencakup bahasa Mandarin, Inggris, Jerman, Spanyol, Prancis, Korea, dan Jepang, plus bahasa Sichuan dan Kanton. Sesame Preview mengutamakan bahasa Inggris; aplikasinya hanya tersedia dalam bahasa Inggris, dan performa CSM-1B untuk bahasa non-Inggris sebagian besar belum diuji.

• Tingkat sampel — Ming mengeluarkan 44,1 kHz. CSM-1B mengeluarkan 24 kHz melalui codec Mimi, yang memadai untuk ucapan percakapan dan terasa jelas sempit untuk karya yang berdekatan dengan musik atau siaran.

• Katalog suara — Ming menyediakan lebih dari 100 suara Tionghoa dan lima suara Inggris. Sesame menyediakan empat persona, masing-masing dengan karakter yang berbeda, yang merupakan keputusan produk yang dikurasi alih-alih sebuah katalog.

• Jangkauan emosi — Ming mengekspos emosi sebagai kontrol dengan batas yang terdokumentasi. Ekspresivitas emosional Sesame sudah tertanam dalam persona dan secara luas dianggap sebagai kualitas terkuatnya; itu juga bukan sesuatu yang bisa Anda atur.

Latensi adalah keunggulan Sesame yang tak terbantahkan

Ini adalah satu dimensi di mana perbandingannya tidak berimbang. Sesame Preview melakukan streaming dengan latensi byte pertama di bawah 300 ms; suara Maya telah diukur pada 80–130 ms waktu ke byte pertama, dan agen lengkap pada 250–450 ms dengan p95 480 ms. Itu setara kualitas percakapan, dan merupakan hasil dari produk yang dibangun menyeluruh dari ujung ke ujung untuk dialog real-time.

Ming-3.0-tts adalah kode inferensi kelas riset. Tidak ada jalur streaming yang terdokumentasi, tidak ada stack serving, dan tidak ada angka latensi di kartu model. Repositori tersebut menunjuk ke inferensi percepatan vLLM-Omni sebagai peta jalan. Sampai itu ada, membandingkan latensinya dengan Sesame sama dengan membandingkan harness benchmark dengan produk yang sudah dirilis, dan produk yang sudah dirilis menang secara default.

Berapa biaya masing-masing

• Sesame Preview — aplikasinya gratis. Suara demo tidak dijual dengan harga berapa pun, dan itu fakta yang relevan bagi seorang pengembang.

• CSM-1B — API milik Sesame sendiri mencantumkannya sekitar $7 per juta karakter dengan konteks 4K, hanya dilayani oleh Sesame. Pada sekitar 14 karakter per detik ucapan, itu sekitar $0.35 per jam audio, dan ini adalah opsi ucapan berbayar per penggunaan termurah di segmen pasar ini.

• Ming-3.0-tts — bobot MIT gratis dan tagihan GPU. H800 sewaan sekitar $2 per jam-GPU yang menjalankan model 0,5B lebih cepat daripada real time jauh berada di bawah tarif terukur pada volume berkelanjutan, dan di atasnya pada volume rendah setelah kapasitas menganggur dihitung secara jujur.

Perbandingan biaya karena itu sepenuhnya bergantung pada volume dan pada apakah Anda sudah memiliki GPU. Di bawah beberapa lusin jam audio per bulan, biaya CSM-1B sebesar $0,35 per jam audio sulit dikalahkan dan tidak memerlukan infrastruktur. Di atas beberapa ratus jam, self-hosting Ming lebih murah dan terus menjadi lebih murah, karena biaya generasi marginalnya nol. Kesalahannya adalah memilih berdasarkan harga yang tertera, bukan berdasarkan utilisasi.

Pemberian lisensi adalah titik ketika keduanya benar-benar terpisah.

CSM-1B adalah Apache-2.0, yaitu lisensi permisif, tetapi aksesnya dibatasi oleh persetujuan ketentuan dan itu bukan model yang ada dalam demo. Ming-3.0-tts adalah MIT pada kedua checkpoint, tanpa pembatasan akses, tanpa klik persetujuan penggunaan yang dapat diterima, dan tanpa pengecualian komersial. Untuk tinjauan hukum yang menanyakan apakah model dapat di-fine-tune pada data suara pelanggan dan dikirimkan di dalam produk tertutup, kedua jawabannya adalah ya — tetapi hanya salah satunya yang merupakan model yang benar-benar Anda dengar.

Itulah inti pertukarannya dalam satu kalimat: Sesame memberi Anda suara yang lebih bagus didengar dan mempertahankannya; Ming memberi Anda suara yang bagus didengar yang bisa Anda bawa pulang.

Di mana OrcaRouter cocok — dan di mana tidak

Kedua model tersebut tidak dihosting di OrcaRouter. Tidak ada endpoint ucapan Ming dan tidak ada endpoint Sesame di platform kami, dan halaman ini tidak akan mengarangnya. Yang kami hosting adalah bagian lain dari stack: model bahasa yang menulis dan menulis ulang skrip, serta model ucapan produksi seperti Gemini 3.1 Flash TTS Preview dan GPT-4o mini TTS untuk tim yang menginginkan suara terkelola alih-alih suara yang dihosting sendiri.

Bagian yang berguna adalah sambungan antara lapisan-lapisan itu. Jika Anda menghosting Ming sendiri, model suara Anda tidak memiliki jaminan ketersediaan, tidak ada autoscaling, dan tidak ada region kedua; lapisan routing dapat membuat separuh teks dari pipeline menjadi redundan dan melakukan failover secara otomatis ketika penyedia mengalami penurunan. Satu kunci API mencakup lebih dari 200 model dengan markup 0% dari harga daftar penyedia, dan DSL routing memungkinkan Anda menyusun jalur utama dan fallback ke dalam satu panggilan alih-alih menyebarkan logika percobaan ulang di seluruh aplikasi Anda. Fusi model adalah opsi lain yang perlu diketahui: untuk hal seperti adaptasi skrip, panel model yang menjawab bersama sering kali mengalahkan satu model ketika tugasnya adalah penilaian, bukan generasi. Tidak ada dari semua ini yang membuat Ming lebih cepat atau membuat Sesame dapat dilisensikan. Ini membuat pipeline di sekitar suara mana pun yang Anda pilih tetap bertahan ketika suara itu menjadi mata rantai terlemah.

Keputusan itu, dinyatakan secara gamblang.

Jika Anda menginginkan agen suara percakapan dalam bahasa Inggris minggu ini, Sesame Preview adalah produk jadi dan tidak ada apa pun di dunia open-weight yang menyamai latensinya atau kepribadiannya yang langsung siap pakai. Terimalah bahwa Anda tidak dapat melisensikan suara itu, bahwa Anda membangun di atas aplikasi tertutup, dan bahwa 4.7 MOS adalah batas atas dari apa yang dapat Anda verifikasi.

Jika Anda menginginkan suara di dalam produk Anda sendiri — dikloning, dirancang, dikendalikan, dalam tujuh bahasa, dengan lisensi MIT dan tanpa tarif per karakter — Ming-3.0-tts adalah pilihannya, dengan dua syarat yang menyertainya. Ujilah kosakata Anda sendiri sebelum Anda memercayai skor pelafalan 93,2%, karena hasil untuk istilah yang berdiri sendiri jauh lebih lemah. Dan rencanakanlah sisi rekayasanya: jalur inferensinya masih sekelas riset, belum ada dukungan streaming, dan katalog suara bahasa Inggrisnya baru berisi lima suara.

Satu hal yang tidak boleh Anda lakukan adalah membaca ini sebagai kontes kualitas. Suara demo Sesame mungkin memang terdengar lebih baik daripada suara Inggris bawaan Ming; itulah yang seharusnya dicapai oleh produk empat persona yang dikurasi dan dioptimalkan untuk percakapan. Pertanyaannya adalah apakah Anda membeli suaranya atau menyewa pengalaman mendengarnya. Hanya satu dari keduanya yang ada di menu.