Ming-3.0-tts vs Sesame Preview: la voce che puoi possedere contro la voce che puoi solo ascoltare

Puoi ascoltare Sesame Preview in circa trenta secondi e non puoi scaricarlo a nessun prezzo. Puoi scaricare Ming-3.0-tts gratuitamente con licenza MIT e non c'è una demo curata da provare prima. Questa asimmetria è l'intero confronto, e la maggior parte dei confronti testa a testa sbaglia trattando i due come API di sintesi vocale concorrenti. Non lo sono. Sesame Preview è un prodotto consumer finito costruito attorno a una voce che Sesame non ha mai rilasciato; Ming-3.0-tts è un modello vocale a pesi aperti del team inclusionAI di Ant Group, pubblicato il 20 ottobre 2026, senza alcuna interfaccia consumer ospitata. Uno è un ristorante. L'altro è una cucina.

Ciò non rende inutile il confronto. Lo trasforma in una domanda su ciò che stai effettivamente cercando di acquistare: un agente conversazionale che funziona oggi, oppure una voce che puoi integrare nel tuo prodotto e mantenere. Una volta separati questi due aspetti, la decisione è più chiara di quanto suggeriscano le schede tecniche — e dipende da fatti che nessuna delle pagine di marketing dei due modelli dichiara apertamente.

Tre cose chiamate "Sesame", solo una delle quali puoi usare

Il nome è la prima trappola. "Sesame Preview" si riferisce all'app gratuita con quattro personalità conversazionali — Maya, Miles, Simone e Charlie. È stata lanciata come anteprima web nel febbraio 2025, è arrivata su iOS alla fine di maggio 2026 e su Android il 6 agosto 2026. Esegue ricerche web in tempo reale durante la conversazione e ricorda il contesto nell'arco di una sessione.

Ciò che alimenta quell'app non è il modello che puoi scaricare. La voce di produzione di Sesame gira su un modello più grande e chiuso che non è mai stato rilasciato. L'artefatto scaricabile è CSM-1B, il Conversational Speech Model: circa 1 miliardo di parametri, Apache-2.0, accessibile previa accettazione dei termini, costruito su un backbone Llama con il codec audio Mimi di Kyutai a 24 kHz. CSM-1B è l'antenato della voce demo, non la voce demo. È un modello base che non può generare testo da solo e necessita di un modello linguistico abbinato.

Quindi l'inquadramento onesto di "Ming-3.0-tts vs Sesame Preview" è in realtà due confronti sovrapposti. Rispetto all'app Preview, Ming compete sulle capacità e perde in rifinitura e latenza. Rispetto a CSM-1B, Ming compete direttamente su pesi, licenza e controllo, e vince sulla maggior parte di essi.

Cosa offre Ming-3.0-tts

Ming-3.0-tts è la linea di sintesi vocale della famiglia Ming-3.0 a cinque modelli di Ant, con licenza MIT, con pesi su Hugging Face e ModelScope e codice di inferenza in un repository GitHub separato. È distribuito in due checkpoint che sono prodotti realmente diversi.

• Ming-3.0-tts-0.5B — denso, su un backbone Qwen2.5-0.5B con una testa DiT e un tokenizer audio, circa 2,96 GB. Questo è il checkpoint con esecuzioni di benchmark indipendenti.

• Ming-3.0-tts-tiny — un mixture of experts da 7,9B totali e 1,3B attivi sul backbone Ling V3 di Ant, circa 18 GB, che aggiunge la generazione di podcast multi-speaker. "Tiny" descrive il costo di runtime, non la dimensione del download.

Funzionalità rilevanti per questo confronto: clonazione vocale zero-shot da una breve clip di riferimento, progettazione vocale da una descrizione in linguaggio naturale, una modalità regia per il controllo libero della resa, 14 tag paralinguistici inline come risate e sospiri, controlli espliciti di emozione, velocità, tono e volume, oltre 100 voci cinesi e cinque inglesi, sette lingue più il sichuanese e il cantonese, e output a 44,1 kHz.

Il test vocale non stabilisce nessuna delle due classifiche.

La reputazione di Sesame si basa su come suonano le voci Preview. Le misurazioni di terze parti lo confermano: la shortlist open-source di TTS di CodeSOTA ha collocato Sesame al primo posto con un MOS di 4.7, e CallSphere ha misurato la voce Maya di produzione a 4.6 MOS. Sono numeri forti, e sono il motivo per cui la demo è diventata virale.

Sono anche misurazioni di una voce per cui non puoi ottenere una licenza. La domanda rilevante per uno sviluppatore non è «quanto è brava Maya» ma «quanto è brava la migliore voce che posso mettere nel mio prodotto».

Sulle classifiche indipendenti, Ming-3.0-tts è più forte esattamente dove si colloca un flusso di lavoro di clonazione. La Controlled Voice Arena di Artificial Analysis, che utilizza otto voci clonate con quattro accenti statunitensi e quattro britannici, colloca Ming a 1.069 Elo — primo tra i modelli open-weight e intorno al 13º posto complessivo. Il suo punteggio Provider Voice, in cui un modello utilizza le proprie voci predefinite, è 1.188 Elo, terzo tra i modelli open-weight e intorno al 18º posto complessivo. Il divario tra questi due risultati riassume in una riga il carattere del modello: è molto più bravo a riprodurre una voce che gli fornisci che a essere una voce pronta all'uso.

Ming si è anche classificato a pari merito al primo posto complessivo per Robustezza della Pronuncia con il 93,2%, un risultato reale e di stretta misura. Sui termini isolati — nomi di marchi, nomi di luoghi, nomi propri isolati — si classifica 21º su 31. Leggetelo come un'etichetta di avvertenza per chiunque abbia uno script che contiene nomi di prodotto: il punteggio aggregato non è il numero su cui verteranno i vostri bug report.

Sesame Preview non compare su quelle classifiche in una forma comparabile. Le sue voci nell'app sono personalità fisse, non cloni, e non esiste un checkpoint pubblico del modello di produzione con cui fare benchmark. Il MOS di 4.7 è la migliore evidenza disponibile e misura una cosa diversa.

Controllo: una sedia da regista contro una personalità

Ming considera il parlato un segnale controllabile. Puoi clonare una voce di riferimento, progettarne una dal testo, contrassegnare un enunciato con una risata o un sospiro, oppure indicare la resa in linguaggio libero. La scheda del modello è schietta su dove questo è imperfetto: i tag paralinguistici multi-evento sono più deboli di quelli a evento singolo, il controllo delle emozioni è più difficile quando il testo contiene poco segnale emotivo, l'altezza tonale è meno accurata della velocità o del volume, e la progettazione vocale aperta è ancora indietro rispetto al sistema più forte valutato dal team. Niente di tutto ciò è insolito per una prima release pubblica. Tutto è documentato, il che è più di quanto offrano la maggior parte dei fornitori.

La superficie di controllo di Sesame è una conversazione. L'app gestisce l'alternanza dei turni, la memoria e la ricerca in tempo reale, e la voce è una componente di un agente anziché un parametro da regolare. Il suo punto debole è il rovescio della medaglia di questa integrazione: il function calling è stato misurato con un tasso di errore del 6,7% contro il 2,1% di un concorrente in tempo reale, un dato che conta se volessi costruirci sopra un agente invece di parlarci.

Se il tuo requisito è "una voce che legga questo script nel modo in cui specifico", Ming è l'unica delle due a offrire i controlli. Se il tuo requisito è "un agente vocale che gestisca una conversazione", Sesame è l'unica delle due a fornirne uno.

Lingua e qualità audio

• Lingue — Ming copre cinese, inglese, tedesco, spagnolo, francese, coreano e giapponese, oltre al sichuanese e al cantonese. Sesame Preview privilegia l'inglese; l'app è disponibile solo in inglese e le prestazioni di CSM-1B in lingue diverse dall'inglese sono in gran parte non testate.

• Frequenza di campionamento — Ming emette 44,1 kHz. CSM-1B emette 24 kHz tramite il codec Mimi, che è adeguato per il parlato conversazionale e sensibilmente ristretto per lavori affini alla musica o di tipo broadcast.

• Catalogo vocale — Ming offre oltre cento voci cinesi e cinque inglesi. Sesame offre quattro personaggi, ciascuno con un carattere distinto, il che è una decisione di prodotto curata anziché un catalogo.

• Ampiezza emotiva — Ming espone l'emozione come un controllo con limiti documentati. L'espressività emotiva di Sesame è integrata nelle personas ed è ampiamente considerata la sua qualità migliore; inoltre non è qualcosa che si possa regolare.

La latenza è l'indiscutibile vittoria di Sesame

Questo è l'unico asse su cui il confronto non regge: Sesame Preview trasmette in streaming con una latenza al primo byte inferiore a 300 ms; per la voce Maya è stato misurato un time-to-first-byte di 80–130 ms, mentre l'agente completo si attesta a 250–450 ms con un p95 di 480 ms. Si tratta di una qualità da conversazione, frutto di un prodotto costruito end-to-end per il dialogo in tempo reale.

Ming-3.0-tts è codice di inferenza di livello di ricerca. Non esiste un percorso di streaming documentato, né uno stack di serving, né un dato di latenza nella scheda del modello. Il repository indica l'inferenza accelerata di vLLM-Omni come roadmap. Finché non esisterà, confrontare la sua latenza con quella di Sesame equivale a confrontare un harness di benchmark con un prodotto già rilasciato, e il prodotto già rilasciato vince per definizione.

Quanto costa ciascuno

• Sesame Preview — l'app è gratuita. La voce demo non è in vendita a nessun prezzo, il che è il fatto rilevante per uno sviluppatore.

• CSM-1B — l'API proprietaria di Sesame lo elenca a circa $7 per milione di caratteri con un contesto di 4K, servita solo da Sesame. A circa 14 caratteri al secondo di parlato, equivale a circa $0,35 per ora di audio, ed è l'opzione vocale a consumo più economica in questo angolo di mercato.

• Ming-3.0-tts — pesi MIT gratuiti e una bolletta GPU. Un H800 noleggiato a circa $2 per GPU-ora che esegue un modello da 0,5B a velocità superiore al tempo reale risulta ben al di sotto della tariffa a consumo a volumi sostenuti, e al di sopra a bassi volumi una volta che la capacità inattiva viene conteggiata onestamente.

Il confronto dei costi dipende quindi interamente dal volume e dal fatto che tu possieda già delle GPU. Sotto qualche decina di ore di audio al mese, i $0,35 per ora di audio di CSM-1B sono difficili da battere e non richiedono alcuna infrastruttura. Oltre qualche centinaio di ore, l'hosting autonomo di Ming è più economico e lo diventa sempre di più, perché la generazione marginale non costa nulla. L'errore è scegliere in base al prezzo di listino invece che all'utilizzo.

Il licensing è il punto in cui i due si separano davvero.

CSM-1B è Apache-2.0, una licenza permissiva, ma è subordinato all'accettazione dei termini e non è il modello nella demo. Ming-3.0-tts è MIT su entrambi i checkpoint, senza restrizioni di accesso, senza click-through per l'uso accettabile e senza eccezioni commerciali. Per una revisione legale che chiede se il modello possa essere fine-tuned sui dati vocali dei clienti e distribuito all'interno di un prodotto chiuso, entrambe le risposte sono sì — ma solo uno dei due è il modello che hai effettivamente sentito.

Questo è il compromesso, in una frase: Sesame ti dà la voce dal suono migliore e se la tiene; Ming ti dà una voce che suona bene e che puoi portarti a casa.

Dove OrcaRouter è adatto — e dove non lo è

Nessuno dei due modelli è ospitato su OrcaRouter. Non esiste alcun endpoint vocale Ming né alcun endpoint Sesame sulla nostra piattaforma, e questa pagina non ne inventerà uno. Ciò che ospitiamo è il resto dello stack: i modelli linguistici che scrivono e riscrivono script, e modelli vocali di produzione come Gemini 3.1 Flash TTS Preview e GPT-4o mini TTS per i team che desiderano una voce gestita anziché una self-hosted.

La parte utile è il punto di congiunzione tra questi livelli. Se ospiti Ming in self-hosting, il tuo modello vocale non ha garanzie di disponibilità, né autoscaling né una seconda regione; il livello di routing può rendere ridondante la metà testuale della pipeline ed eseguire automaticamente il failover quando un provider si degrada. Una sola chiave API copre oltre 200 modelli a 0% di ricarico sul prezzo di listino del provider, e il DSL di routing ti consente di comporre un percorso primario e un fallback in un'unica chiamata invece di disseminare la logica di retry nella tua applicazione. La fusione di modelli è l'altra opzione che vale la pena conoscere: per qualcosa come l'adattamento di script, un panel di modelli che rispondono insieme spesso batte un singolo modello quando il compito è di giudizio anziché di generazione. Niente di tutto questo rende Ming più veloce o Sesame licenziabile. Rende la pipeline attorno alla voce che scegli in grado di sopravvivere al fatto che la voce sia l'anello debole.

La decisione, esposta chiaramente

Se questa settimana vuoi un agente vocale conversazionale in inglese, Sesame Preview è il prodotto finito e nulla nel mondo open-weight eguaglia la sua latenza o la sua personalità pronta all'uso. Accetta di non poter ottenere in licenza la voce, di stare costruendo su un'app chiusa e che il 4.7 MOS sia il limite massimo di ciò che puoi verificare.

Se vuoi una voce dentro il tuo prodotto — clonata, progettata, controllata, in sette lingue, con termini MIT e senza tariffazione per carattere — Ming-3.0-tts è la scelta, con due condizioni da tenere presenti. Metti alla prova il tuo vocabolario prima di fidarti del punteggio di pronuncia del 93,2%, perché il risultato sui termini isolati è molto più debole. E metti in conto la parte ingegneristica: il percorso di inferenza è di livello ricerca, non c'è ancora una soluzione per lo streaming e il catalogo delle voci inglesi si ferma a cinque voci.

L'unica cosa che non dovresti fare è leggerlo come una gara di qualità. La voce demo di Sesame probabilmente suona davvero meglio delle voci inglesi stock di Ming; è ciò che dovrebbe ottenere un prodotto curato a quattro personaggi ottimizzato per la conversazione. La questione è se tu stia comprando la voce o affittando l'esperienza di ascoltarla. Solo una delle due è nel menu.