Ming-3.0-tts-tiny vs Sesame-Preview：ダウンロードできるチェックポイントと、呼び出せない声の対決

同じ文にMing-3.0-tts-tinyとSesame Previewを入れると、最初のベンチマークの前で比較は崩れる。なぜなら、そのうち開発者が入手できるのは一方だけだからだ。Ming-3.0-tts-tinyはAnt GroupのinclusionAIチェックポイントで、総パラメータ数は79億、トークンあたり約13億がアクティブ。MITライセンスの重みはHugging Faceで公開され、推論コードは2026年10月19日にGitHubに登場した。Sesame Previewはコンシューマー向けアシスタントだ——4種類の音声、iOSとAndroidのアプリ、APIなし、モデルIDなし、そして記事にする価値があるのはその声なのに、その声について公表されたスコアもない。一方はファイル。もう一方は製品だ。興味深い問いは、どちらがよりよく聞こえるかではない——どちら側も比較可能な形でそれを測定した人はいないからだ——ではなく、原稿と締め切りを抱えた火曜日の午後に、それぞれが何を可能にするかだ。 このようなリリースの背景にある、記録されたAIの失敗やエージェントのインシデントは、次に集められている：OrcaRouter AI Incident Archive。そこでは各エントリが独自の出典、重大度、信頼度評価、異議ありフラグを備えている。

ここでは日付が、めったにないほど重要だ。Ming-3.0-tts-tinyのリポジトリは2026年9月22日に作成され、重みは9月24日に公開されたが、3週間半もの間、このリリースは使えない状態だった——シャードのフォルダがあるだけで、実行方法が一切公開されていなかった。推論コード、ワンクリックのサンプル、タスククックブックは、2026年10月19日08:58 UTCにそろって登場した。Antはそのどれも発表していない。対照的にSesame Previewは春から一般向けに提供されており、2026年10月6日には実際のアップデートを受けた。同社の最高製品責任者が、アプリを支える新しいConversational Speech Modelについて説明したのだ。どちらもプレスリリースが意味するようなローンチではないが、どちらも動きではあり、ダウンロードできるものを伴うのはそのうち一方だけだ。

手短な結論を、証拠の前に

製品を開発しているなら、Sesame Preview は候補ではなく、今日は候補になることもできません。呼び出せるエンドポイントも、読むべきライセンスも、価格もなく、アプリ内の音声がどのモデル内の音声であるという保証もありません。製品を開発していて、自分が所有する音声が必要なら、Ming-3.0-tts-tiny が候補です — 若く、未採点で、セルフホスト型の候補であり、自分で評価を行うことになります。

ほとんどのチームにとって、判断はそれで終わりです。以下の内容は、そうでないケース——それらを製品としてではなく会話音声として比較する場合や、Sesameのアプローチを模倣すべきものかどうかを検討する場合——のためのものです。

それぞれが実際にあなたの手に渡すもの

• ダウンロードするもの — Ming-3.0-tts-tiny：Ling V3 バックボーン、拡散トランスフォーマーヘッド、オーディオトークナイザー、CAM++ 話者エンコーダー、テキストトークナイザーを含む約18 GB。Sesame Preview：App Store または Google Play から入手するアプリのみで、それ以外は何もありません。

• 呼び出せるもの — Ming-3.0-tts-tiny：Pythonクラス、MingTinyTTS.from_pretrained。ゼロショットクローニング、多言語合成、パラ言語、ポッドキャスト対話、感情、方言、自由形式スタイル、音声デザイン用のタスク名を備えています。Sesame：4つのパーソナリティを備えたチャットインターフェース。本番用音声のモデルIDはこれまで公開されたことがありません。

• ライセンス — Ming-3.0-tts-tiny：重みとコードはMIT。ただし、人物へのなりすましをせず、合成音声であることを明示するよう求める利用上の注意付き。Sesame：アプリの利用規約に加え、以下で説明するオープンなチェックポイント（本番モデルではない）。

• 言語対応 — Ming-3.0-tts-tiny：中国語、英語、ドイツ語、スペイン語、フランス語、韓国語、日本語に対応し、四川語と広東語は方言の参照クリップから利用できます。Sesame：公式にサポートされている言語は英語のみです。ガイドには、アシスタントがフランス語、イタリア語、ドイツ語、スペイン語、中国語、日本語、韓国語も「早期」に対応すると記されていますが、これは機能一覧というより警告のように読めます。

• 価格 — Ming-3.0-tts-tiny：料金表はなく、H800本体と電気代を支払う形です。Sesame：無料で利用でき、公開されている料金プランはありません。同社は広告を掲載せず、データを販売しないと述べています。

• 独立スコア — Ming-3.0-tts-tiny: なし。特に、Artificial Analysis が「Ming-3.0-tts」に記載している 1,188 Elo は該当せず、それは 0.5B チェックポイントのものです。Sesame: アプリの音声についてもなし。これは、どちら側にも数値がない珍しい対戦です。

開発者が手にできる唯一のSesameの成果物

Hugging FaceにはSesameモデルがあり、それが何なのかを正確に述べておく価値があります。というのも、それはしばしばアプリ内の音声と誤解されているからです。

CSM-1BはApache-2.0で、英語のみを対象としており、同社が公に説明しているアーキテクチャに基づいて構築されている。最初のオーディオコードブックを予測するLlamaバックボーンと、残りを予測するより小型のデプスデコーダーを備え、24 kHzでKyutaiのMimiコーデックを通じてデコードする。モデルカードでは「ベース生成モデル」とされており、多様な声を生成できるが特定の声に合わせて調整されたものではなく、インタラクティブデモを動かしているのは明示的にその派生モデルであって、チェックポイント自体がデモなのではないとされている。この記録時点では、前月に約13万ダウンロード、約2,500いいねを記録しており、2年前の研究リリースとしては開発者から確かな支持を得ている。

実際に何を意味するかというと、Sesameのアーキテクチャをロードし、微調整し、会話型TTSをセルフホストできるということです。Sesameの製品はロードできません。10月のアップデート——同社自身の言葉によれば、表現力と発音が向上した新しいCSM——は、手に入れることのできないものを更新しましたが、それについて測定可能なことは何も語っていません。

それらが本当に重なるところ、そしてその重なりが終わるところ

どちらもナレーションではなく会話のように聞こえる音声を目指しており、それが共通しているというのは小さなことではない。Sesameは、初期のリスナーが電話の向こうに人がいると錯覚するほど説得力のある息遣い、ためらい、割り込みのタイミングで評判を築いた。Antの小型モデルは、笑い、ため息、息遣い、ためらいに対応する14個のインライン準言語タグを搭載し、自身の0.5Bの兄弟モデルにはできない複数話者のポッドキャストタスクも備えている。

それを過ぎると、重なりはすぐに薄くなる。

Sesameの強みは、音声が実際に動作する製品に組み込まれている点にある。記憶、Gmail、Calendar、Driveへのコネクタ、ブラウジングや操作を行うための自前のコンピュータ、OAuth経由のMCPサポート、そして10月以降は他のエージェントをオーケストレーションする能力を備えている。これらはいずれも音声モデルの機能ではない。それはアシスタントであり、音声はそれと話すための手段だ。Antの強みは、すべてを検査できることにある。モデルカードのあらゆる数値はテストセットまで追跡でき、あらゆるタスクには実行可能な例があり、パイプラインは自分で変更できる。

ほとんどの評価を決める非対称性は、どちらのリストよりも単純だ。Ming-3.0-tts-tinyなら、同じ文を100回生成して聴くことができる。Sesameでは何も生成できないので、実行できる実験はない——あるのはアプリについての意見だけだ。

Antが公開しているもの、そしてそれがどれほどの価値を持つのか

このような対決では、Antのベンチマーク表でその差を埋めたくなるものだが、その表は膨大だ。中国語のSeed-TTSは単語誤り率0.820%、話者類似度0.781、英語は1.666%と0.728、ドイツ語は0.325%、スペイン語は0.971%、NVBenchのパラ言語結果は6つの単一イベントカテゴリーすべてで首位、方言スイートはWSC-Eval-TTS easyで86.09%、感情はCV3で74.00%、音声設計はInstructTTSEval-ZHで75.37%だ。

それらはすべて、AntがAnt自身を、Antのハーネス上で、Antの参照クリップとスコアリングコードを使って測定したものであり、そのいずれも社外で再現されたことはありません。だからといって数値が間違っているわけではありません。それは数値がベンダー報告であるということであり、Sesameの数値と比較できないという意味です。なぜなら、比較対象となるSesameの数値が存在しないからです。

スイート内で実際の比較らしく振る舞う唯一の結果は、居心地の悪いものだ。韓国語では、Ming-3.0-tts-tiny が文字誤り率 6.000% を示す一方、同じ系列の 0.5B モデルは 1.728% を示す。モデルカードは韓国語を既知の弱点の一つとして挙げているが、説明はしていない。もっともらしい説明——疎なルーティングにより、学習の少ない言語には同程度のサイズの密なモデルよりも少ない容量しか与えられない——は仮説であって、知見ではない。運用上の読み方は安全側に倒すべきだ。韓国語が対象範囲に入るなら、信用する前にテストせよ。

Sesameのモデルを使わずに、そのモデルから学べることはありますか？

はい、そしてライセンスの違いに次いで、この比較で最も有用な点はこれです。Sesameはベンチマークを公開しています。2026年8月28日、同社はTurnBenchをリリースしました。これは音声対話におけるターンテイキングのためのオープンベンチマークで、三重アノテーション済みの二者間音声30時間分、会話分析に基づくスコアリングプロトコル、公開リーダーボード、そして14システムの結果を含み、カーネギーメロン大学、Mundo AI、Otoと共同で構築されました。

ターンテイキングは、選好Eloボードと単語誤り表のどちらも捉えられない性質であり、まさにSesameの製品が有名な性質でもある。Ming-3.0-tts-tinyを会話用途で評価するなら、Sesame自身のアプリはTurnBenchに載っていなくても、TurnBenchこそ借りるべき道具だ。類似度指標から推測するのではなく、候補を割り込み対応と相槌のタイミングで採点しよう。

ここでの公平な比較とは、そういう形だ。実行できないSesame Previewの音声とMing-3.0-tts-tinyを比べることではなく、両者が追い求めている特性についてSesameが定義した公開ベンチマークに対してMing-3.0-tts-tinyを比べることである。

どちらかが目的としているものを作っているなら

音声製品の現実的な2026年アーキテクチャは、音声レイヤーと、何を話すかを決めるテキストブレインで構成され、この2つはそのスタックの両端を占めます。Ming-3.0-tts-tinyは、GPUがあり、それを評価する意欲があれば、音声レイヤーになれます。Sesame Previewはレイヤーには全くなれません。それは、あなたが対抗して開発することになる競合製品です。

テキストブレインは、ルーターが飾りではなく本当に役立つ部分です。OrcaRouterは1つのキーで200以上のテキストモデルを、プロバイダーの定価で、マークアップなしで提供しています。そのため、ベンダーの価格変更は当日にそのままあなたの価格になり、プロバイダー間の自動フェイルオーバーも備えています。対応範囲について明言すると、ここではAntの音声モデルは一切ルーティングされません。Ming-3.0-tts-tinyも含みます。Sesameのモデルも同様で、CSM-1Bも含まれません。ルーティングされるのは、スクリプトを書き、感情タグを選び、エージェントがいつ話すべきかを決めるパイプラインの半分です。これは、何も録音し直さずにベンダーを変更できる半分でもあります。

直接対決の代わりに何を見るべきか

これを本当の比較にするには3つのことが必要だが、そのどれもまだ起きていない。

Ming-3.0-tts-tiny のホスト型エンドポイント、またはその実測レイテンシとエラー率を公開している第三者。Ant 自身のロードマップは vLLM-Omni サポートに言及している。これは品質ではなくサービング上の課題だが、他の誰かがこのモデルを評価するための前提条件である。

Sesameの10月のCSMに添えられた数字。同社は表現力と発音が向上し、長い会話ではその差が大きいと述べている。しかし、モデルIDもレイテンシの数値もベンチマークも公開しておらず、関連する事項についての唯一の公開測定は依然としてTurnBenchであり、これは音声品質ではなくターンテイキングを評価するものだ。

そして、Ant 以外の誰かによる韓国語の結果も。6.000% という数値は公表された記録の中で最も明白な欠陥であり、第二のチームがそれを再現するか反証すれば、どの Elo スコアよりもこのチェックポイントについて多くを教えてくれるだろう。

それまでの間、正直な判定は華やかさに欠ける。一方はダウンロードして監査し、出荷することもできる——それを許すライセンスと、作者だけが実行したベンチマークスイート付きで。もう一方は、スマートフォンで話しかけ、称賛することはできても、その上に構築することはできない。