Ming-3.0-tts-tiny vs Sesame-Preview: un checkpoint che puoi scaricare contro una voce che non puoi chiamare

Metti Ming-3.0-tts-tiny e Sesame Previewnella stessa frase e il confronto si sfalda prima ancora del primo benchmark, perché solo uno dei due è qualcosa che uno sviluppatore può ottenere. Ming-3.0-tts-tiny è il checkpoint inclusionAI di Ant Group: 7,9 miliardi di parametri totali, circa 1,3 miliardi attivi per token, pesi con licenza MIT pubblicati su Hugging Face con codice di inferenza arrivato su GitHub il 19 ottobre 2026. Sesame Preview è un assistente per consumatori — quattro voci, un'app iOS e Android, nessuna API, nessun ID modello, nessun punteggio pubblicato per la voce che lo rende interessante da descrivere. Uno è un file. L'altro è un prodotto. La domanda interessante non è quale suoni meglio, dato che nessuno l'ha misurato da nessuna delle due parti in modo confrontabile, ma cosa ciascuno ti permette di fare un martedì pomeriggio quando hai uno script e una scadenza. I fallimenti documentati dell'IA e gli incidenti degli agenti dietro rilasci come questo sono raccolti in l'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, gravità, livello di confidenza e indicatore di contestazione.

Qui le date contano in un modo che raramente accade. Il repository di Ming-3.0-tts-tiny è stato creato il 22 settembre 2026, i pesi sono stati caricati il 24 settembre e per tre settimane e mezzo il rilascio è stato inutilizzabile: una cartella di shard senza alcun metodo pubblicato per eseguirli. Il codice di inferenza, gli esempi con un solo clic e il cookbook delle attività sono arrivati insieme il 19 ottobre alle 08:58 UTC. Ant non ha annunciato nulla di tutto ciò. Sesame Preview, al contrario, è distribuito pubblicamente dalla primavera e ha ricevuto un vero aggiornamento il 6 ottobre 2026, quando il chief product officer dell'azienda ha descritto un nuovo Conversational Speech Model alla base dell'app. Nessuno dei due è un lancio nel senso inteso da un comunicato stampa, ma entrambi sono movimenti, e solo uno dei due arriva con qualcosa che si può scaricare.

La versione breve, prima delle prove

Se stai sviluppando un prodotto, Sesame Preview non è un candidato e non può diventarlo oggi: non c'è alcun endpoint da chiamare, nessuna licenza da leggere, nessun prezzo e nessun impegno che la voce nell'app sia la voce in qualsiasi modello. Se stai sviluppando un prodotto e hai bisogno di una voce di tua proprietà, Ming-3.0-tts-tiny è un candidato — giovane, non valutato, self-hosted, che ti farà fare la tua valutazione.

Questa è l'intera decisione per la maggior parte dei team. Tutto ciò che segue riguarda i casi in cui non lo è: quelli che li confrontano come audio conversazionale anziché come prodotti, o che valutano se l'approccio di Sesame sia quello da copiare.

Cosa ciascuno mette davvero nelle tue mani

• Cosa scarichi — Ming-3.0-tts-tiny: circa 18 GB contenenti il backbone Ling V3, una testa diffusion-transformer, un tokenizer audio, un encoder di speaker CAM++ e un tokenizer di testo. Sesame Preview: un'app dall'App Store o G​oogle Play, e nient'altro.

• Cosa puoi invocare — Ming-3.0-tts-tiny: una classe Python, MingTinyTTS.from_pretrained, con nomi di task per clonazione zero-shot, sintesi multilingue, paralinguistica, dialogo podcast, emozione, dialetto, stile libero e progettazione della voce. Sesame: un'interfaccia di chat con quattro personalità. Nessun ID modello è mai stato pubblicato per la voce di produzione.

• Licenza — Ming-3.0-tts-tiny: MIT su pesi e codice, con una nota d'uso che chiede di non impersonare persone e di etichettare l'audio sintetico. Sesame: i termini di servizio dell'app, più un checkpoint aperto discusso di seguito che non è il modello di produzione.

• Copertura linguistica — Ming-3.0-tts-tiny: cinese, inglese, tedesco, spagnolo, francese, coreano e giapponese, con sichuanese e cantonese disponibili da una clip di riferimento dialettale. Sesame: l’inglese è l’unica lingua ufficialmente supportata; la guida rileva che gli assistenti gestiscono anche francese, italiano, tedesco, spagnolo, cinese, giapponese e coreano "in modo embrionale", il che si legge come un avvertimento più che come un elenco di funzionalità.

• Prezzo — Ming-3.0-tts-tiny: nessun tariffario; paghi un H800 e l'elettricità. Sesame: uso gratuito, nessun livello di piano pubblicato, e l'azienda dichiara di non mostrare pubblicità e di non vendere dati.

• Punteggio indipendente — Ming-3.0-tts-tiny: nessuno, e nello specifico non il punteggio Elo di 1.188 che Artificial Analysis indica per "Ming-3.0-tts", che appartiene al checkpoint 0.5B. Sesame: nessuno neanche per la voce dell'app. Questo è il raro confronto in cui nessuna delle due parti ha un numero.

L'unico artefatto Sesame che uno sviluppatore può tenere in mano

C'è un modello Sesame su Hugging Face, e vale la pena essere precisi su cosa sia, perché viene comunemente confuso con la voce nell'app.

CSM-1B è con licenza Apache-2.0, solo in inglese e costruito sull'architettura che l'azienda ha descritto pubblicamente: una backbone Llama che predice il primo codebook audio e un decoder di profondità più piccolo che predice il resto, decodificando tramite il codec Mimi di Kyutai a 24 kHz. La scheda lo definisce «un modello generativo di base» — capace di produrre voci varie, non adattato a una voce particolare, ed è esplicitamente una sua derivata ad alimentare la demo interattiva, non il checkpoint stesso. Al momento di questa rilevazione mostrava circa 130.000 download nel mese precedente e all'incirca 2.500 like, un vero seguito di sviluppatori per un rilascio di ricerca vecchio di due anni.

In pratica, questo significa che puoi caricare l'architettura di Sesame, metterla a punto e auto-ospitare un TTS conversazionale. Non puoi caricare il prodotto di Sesame. L'aggiornamento di ottobre — un nuovo CSM con migliore espressività e pronuncia, stando alle parole dell'azienda — ha spostato la cosa che non puoi avere, e non ha detto nulla di misurabile al riguardo.

Dove si sovrappongono davvero, e dove finisce la sovrapposizione

Entrambi mirano a un parlato che suoni come una conversazione anziché una narrazione, e non è una cosa da poco avere in comune. Sesame ha costruito la propria reputazione su respiro, esitazione e tempi di interruzione così convincenti che i primi ascoltatori pensavano ci fosse una persona in linea. Il modello minuscolo di Ant include 14 tag paralinguistici inline per risate, sospiri, respiro ed esitazione, e un compito di podcast multi-voce che il suo stesso modello gemello da 0.5B non è in grado di svolgere.

Oltre quel punto, la sovrapposizione si riduce rapidamente.

Il vantaggio di Sesame è che la voce è integrata in un prodotto funzionante con memoria, connettori a Gmail, Calendar e Drive, un proprio computer per navigare e agire, supporto MCP tramite OAuth e, da ottobre, la capacità di orchestrare altri agenti. Niente di tutto ciò è una funzionalità di un modello vocale; è un assistente, e la voce è il modo in cui ci parli. Il vantaggio di Ant è che tutto è ispezionabile. Ogni numero nella scheda del modello può essere ricondotto a un set di test, ogni attività ha un esempio eseguibile e la pipeline è tua da modificare.

L'asimmetria che decide la maggior parte delle valutazioni è più semplice di entrambe le liste: con Ming-3.0-tts-tiny puoi generare la stessa frase cento volte e ascoltare. Con Sesame non puoi generare nulla, quindi non c'è alcun esperimento da fare — solo un'opinione su un'app.

Cosa pubblica Ant e quanto vale

La tentazione, con un confronto diretto come questo, è colmare il divario con le tabelle di benchmark di Ant, e sono ampie: cinese Seed-TTS con 0,820% di word error e 0,781 di speaker similarity, inglese con 1,666% e 0,728, tedesco 0,325%, spagnolo 0,971%, risultati paralinguistici NVBench che primeggiano in tutte e sei le categorie a evento singolo, suite dialettali all'86,09% su WSC-Eval-TTS easy, emozione al 74,00% su CV3, voice design al 75,37% su InstructTTSEval-ZH.

Ognuno di questi è Ant che misura Ant, sull'harness di Ant, con le clip di riferimento e il codice di valutazione di Ant, e nulla di tutto ciò è stato riprodotto al di fuori dell'azienda. Questo non rende i numeri sbagliati. Li rende dati dichiarati dal fornitore, e significa che non possono essere confrontati con un dato di Sesame perché non esiste alcun dato di Sesame con cui confrontarli.

L’unico risultato della suite che si comporta come un vero confronto è quello scomodo: sul coreano, Ming-3.0-tts-tiny registra il 6,000% di errore sui caratteri, mentre il suo fratello 0.5B registra l’1,728%. La model card elenca il coreano tra i punti deboli noti e non offre alcuna spiegazione. Una spiegazione plausibile — il routing sparso che dà a una lingua poco addestrata meno capacità di quanta ne avrebbe un modello denso di dimensioni simili — è un’ipotesi, non un risultato. La lettura operativa è quella prudente: se il coreano rientra nel perimetro, testalo prima di fidarti.

C'è qualcosa da imparare dal modello di Sesame senza il modello?

Sì, ed è la cosa più utile in questo confronto dopo la differenza di licenza: Sesame pubblica un benchmark. Il 28 agosto 2026 ha rilasciato TurnBench, un benchmark aperto per l'alternanza dei turni nel dialogo parlato — 30 ore di parlato diadico con tripla annotazione, un protocollo di valutazione derivato dall'analisi della conversazione, una classifica pubblica e i risultati per 14 sistemi, realizzato con Carnegie Mellon, Mundo AI e Oto.

L'alternanza dei turni è esattamente la qualità che né una classifica Elo delle preferenze né una tabella degli errori di parola riescono a catturare, ed è la qualità per cui il prodotto di Sesame è famoso. Se stai valutando Ming-3.0-tts-tiny per qualsiasi contesto conversazionale, TurnBench è lo strumento da prendere in prestito anche se l'app di Sesame non è presente: valuta il tuo candidato sulla gestione delle interruzioni e sulla tempistica dei backchannel invece di indovinare da una metrica di similarità.

Questa è la forma di un confronto equo, in questo caso. Non Ming-3.0-tts-tiny contro la voce di Sesame Preview, che non può essere eseguita, ma Ming-3.0-tts-tiny contro un benchmark pubblico che Sesame ha definito per la caratteristica che entrambi inseguono.

Se stai costruendo la cosa per cui è pensato uno dei due

L'architettura realistica nel 2026 per un prodotto vocale è un livello vocale più un cervello testuale che decide cosa dire, e questi due occupano estremi opposti di quello stack. Ming-3.0-tts-tiny può essere il livello vocale, se hai una GPU e la voglia di valutarlo. Sesame Preview non può essere affatto un livello; è un prodotto concorrente contro cui costruiresti.

Il cervello testuale è la parte in cui un router è davvero utile anziché decorativo. OrcaRouter offre oltre 200 modelli testuali dietro un'unica chiave, al prezzo di listino del provider senza alcun ricarico aggiunto, così una variazione di prezzo del fornitore diventa il tuo prezzo lo stesso giorno, con failover automatico tra provider. Per essere espliciti sulla copertura: nessun modello vocale Ant è instradato qui, incluso Ming-3.0-tts-tiny, e nemmeno nessun modello Sesame, incluso CSM-1B. Ciò che viene instradato è la metà della pipeline che scrive il copione, sceglie il tag emotivo e decide quando l'agente deve parlare — che è anche la metà su cui puoi cambiare fornitore senza registrare nulla di nuovo.

Cosa guardare invece di un testa a testa

Tre cose trasformerebbero questo in un confronto reale, e nessuna di esse è ancora accaduta.

Un endpoint ospitato per Ming-3.0-tts-tiny, oppure una terza parte che ne pubblichi latenza e tasso di errore misurati. La roadmap di Ant stessa menziona il supporto a vLLM-Omni, che è una questione di serving più che di qualità, ma è il prerequisito affinché chiunque altro possa valutare il modello.

Un numero attribuito al CSM di ottobre di Sesame. L'azienda afferma che espressività e pronuncia sono migliorate e che la differenza è ampia nelle conversazioni lunghe; non ha pubblicato alcun ID del modello, alcun dato sulla latenza né alcun benchmark, e l'unica misurazione pubblica di qualcosa di correlato resta TurnBench, che valuta l'alternanza dei turni anziché la qualità della voce.

E un risultato coreano da chiunque non sia Ant. La cifra del 6.000% è il difetto più evidente nel record pubblicato, e un secondo team che la riproducesse o la contraddicesse ti direbbe più su questo checkpoint di quanto potrebbe fare qualsiasi punteggio Elo.

Fino ad allora il verdetto onesto è poco glamour: uno di questi puoi scaricarlo, verificarlo e distribuirlo, con una licenza che lo consente e una suite di benchmark che solo il suo autore ha eseguito. Con l'altro puoi parlare sul tuo telefono, ammirarlo e non costruirci sopra.