Ming-3.0-tts vs Sesame Preview：自分で所有できる声と、聴くことしかできない声

約30秒で聴けます：Sesame Preview。ただし、どんな価格でもダウンロードはできません。無料でダウンロードできるのはMing-3.0-ttsで、MITライセンスの下で提供され、まず試せる洗練されたデモはありません。この非対称性こそが比較のすべてであり、ほとんどの直接比較は、両者を競合する音声合成APIとして扱うことで間違っています。そうではありません。Sesame Previewは、Sesameがこれまで公開したことのない声を中心に作られた完成済みの消費者向け製品です。Ming-3.0-ttsは、Ant GroupのinclusionAIチームによるオープンウェイトの音声モデルで、2026年10月20日に公開され、ホスト型の消費者向けフロントエンドは一切ありません。一方はレストランです。もう一方はキッチンです。

それは比較を無意味にするものではない。むしろ、あなたが実際に何を買おうとしているのかという問いになる――今日使える会話エージェントなのか、それとも自社製品に組み込んで使い続けられる音声なのか。その二つを切り分ければ、判断はスペック表から示唆されるより明確になる――そして、どちらのモデルのマーケティングページにも明記されていない事実に左右される。

「Sesame」と呼ばれる3つのもの、そのうち使えるのは1つだけ

命名が最初の罠だ。「Sesame Preview」は、Maya、Miles、Simone、Charlieという4つの会話ペルソナを備えた無料アプリを指す。2025年2月にウェブプレビューとして公開され、2026年5月下旬にiOS版、2026年8月6日にAndroid版が登場した。会話の途中でリアルタイムのウェブ検索を実行し、セッション内で文脈を記憶する。

あのアプリを動かしているのは、ダウンロードできるモデルではない。Sesameの製品版ボイスは、これまで一度も公開されたことのない、より大規模なクローズドモデルで動作している。ダウンロード可能な成果物はCSM-1B、すなわちConversational Speech Modelだ。約1Bパラメータ、Apache-2.0、利用規約への同意を条件とするゲート付きで、Llamaバックボーン上にKyutaiのMimi音声コーデック（24 kHz）を採用して構築されている。CSM-1Bはデモ音声の祖先であり、デモ音声そのものではない。単独ではテキストを生成できず、言語モデルと組み合わせる必要があるベースモデルである。

つまり「Ming-3.0-tts vs Sesame Preview」を正直に整理すると、実際には2つの比較が重なったものです。Previewアプリに対しては、Mingは機能で競い、洗練度とレイテンシでは劣ります。CSM-1Bに対しては、Mingはモデルの重み、ライセンス、制御性で直接競い、そのほとんどで勝っています。

Ming-3.0-ttsがもたらすもの

Ming-3.0-ttsは、Antの5モデル構成のMing-3.0ファミリーにおける音声合成ラインであり、MITライセンスの下で提供され、重みはHugging FaceとModelScopeに、推論コードは別個のGitHubリポジトリに公開されています。これは2つのチェックポイントとして提供されており、両者は実質的に異なる製品です。

• Ming-3.0-tts-0.5B — Qwen2.5-0.5BバックボーンにDiTヘッドとオーディオトークナイザーを備えた密なモデルで、約2.96 GB。独立したベンチマーク実行があるチェックポイントです。

• Ming-3.0-tts-tiny — Ant社のLing V3バックボーンを採用した、総パラメータ7.9B・アクティブ1.3BのMoE（混合エキスパート）モデル。約18GBで、マルチスピーカーのポッドキャスト生成を追加。「Tiny」はダウンロードサイズではなく、実行時のコストを表します。

この比較で重要な機能：短い参照クリップからのゼロショット音声クローン、自然言語の説明からの音声設計、自由な話し方制御のためのディレクターモード、笑いやため息などの14のインラインパラ言語タグ、明示的な感情、速度、ピッチ、音量の制御、100以上の中国語音声と5つの英語音声、7言語に四川語と広東語を加えたもの、そして44.1 kHz出力。

音声テストでは、どちらのリーダーボードも決着しない

Sesameの評判は、Previewの音声がどう聞こえるかにかかっている。第三者の測定もそれを裏付けている。CodeSOTAのオープンソースTTSショートリストではSesameが4.7 MOSで1位となり、CallSphereは本番環境のMaya音声を4.6 MOSと測定した。いずれも強力な数値であり、デモがバイラル化した理由でもある。

それらはまた、あなたがライセンスできない声の測定結果でもある。開発者にとって重要な問いは「Mayaはどれほど優れているか」ではなく、「自分の製品に搭載できる最良の声はどれほど優れているか」である。

独立系のリーダーボードでは、Ming-3.0-tts が最も強いのは、まさにクローニングのワークフローが生きる領域だ。8つのクローン音声を米国4種類・英国4種類のアクセントで用いる Artificial Analysis の Controlled Voice Arena では、Ming は 1,069 Elo で、オープンウェイトモデルの中で1位、総合ではおよそ13位となる。モデルが自前の既成音声を使う Provider Voice スコアでは 1,188 Elo で、オープンウェイトモデルの中で3位、総合ではおよそ18位だ。この2つの結果の差は、このモデルの特徴を一言で表している。つまり、自分が提供した声を再現することのほうが、最初から備わっている声として使われることよりもはるかに得意なのだ。

Mingはまた、発音ロバストネスで93.2%を記録して総合首位に並んだ。これは紛れもない結果であり、同時に僅差の結果でもある。単独の語句——ブランド名、地名、孤立した固有名詞——になると、31モデル中21位に落ちる。スクリプトに製品名が含まれる人は、これを警告表示として受け止めてほしい。総合スコアは、あなたのバグ報告が扱う数値ではないのだ。

Sesame Preview は、それらのボード上に比較可能な形では登場しない。そのアプリの音声は固定されたペルソナであり、クローンではない。また、ベンチマークに使える本番モデルの公開チェックポイントは存在しない。4.7 MOS は入手可能な最良の証拠だが、それは別のものを測定している。

コントロール：監督の椅子 対 人格

Mingは音声を制御可能な信号として扱う。参照音声をクローンできるほか、テキストから声を設計したり、発話に笑いやため息のタグを付けたり、自由記述の言語で話し方を指示したりできる。モデルカードは、どこが不完全かについて率直だ。複数イベントのパラ言語タグは単一イベントのものより弱く、テキストに感情的シグナルがほとんど含まれない場合の感情制御は難しく、ピッチは速度や音量より精度が低く、自由形式の声の設計はチームが評価した中で最強のシステムにまだ及ばない。初の一般公開リリースとしては、いずれも異例ではない。すべてが文書化されているのは、ほとんどのベンダーが提供するものより多い。

Sesame のコントロールサーフェスは会話そのものです。アプリがターンテイキング、メモリ、ライブ検索を管理し、音声は調整するパラメータではなくエージェントの一構成要素という位置づけです。その弱点は、この統合の裏返しでもあります。関数呼び出しのエラー率は 6.7% と測定されており、リアルタイム系の競合製品では 2.1% です。エージェントと話すのではなく、その上にエージェントを構築したいなら、これは無視できない数字です。

もしあなたの要件が「この原稿を私の指定どおりに読み上げる声」であれば、2つのうちコントロールを備えているのはMingだけです。もしあなたの要件が「会話を処理する音声エージェント」であれば、2つのうちそれを提供しているのはSesameだけです。

言語と音声品質

• 言語 — Ming は中国語、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、さらに四川語と広東語もカバーします。Sesame Preview は英語優先で、アプリは英語のみに対応しており、CSM-1B の非英語での性能はほとんど検証されていません。

• サンプルレート — Mingは44.1 kHzで出力します。CSM-1BはMimiコーデックを通じて24 kHzで出力し、これは会話音声には十分ですが、音楽寄りや放送用途の作業には明らかに狭いです。

• 音声カタログ — Mingは100以上の中国語音声と5つの英語音声を提供している。Sesameはそれぞれ異なるキャラクターを持つ4つのペルソナを提供しており、これはカタログではなく、キュレーションされた製品上の判断である。

• 感情の幅 — Mingは感情を、文書化された限界を備えた調整可能な項目として公開しています。Sesameの感情表現力はペルソナに組み込まれており、その最大の強みとして広く評価されていますが、自分で調整できるものではありません。

レイテンシーはSesameの紛れもない強みだ。

これは、比較にならないほど差がついている唯一の軸です。Sesame Preview は初回バイト遅延が 300 ミリ秒未満でストリーミングし、Maya の音声は初回バイトまでの時間が 80～130 ミリ秒、フルエージェントでは 250～450 ミリ秒、p95 は 480 ミリ秒と測定されています。これは会話に適した水準であり、リアルタイム対話のためにエンドツーエンドで構築された製品の成果です。

Ming-3.0-ttsは研究グレードの推論コードです。ストリーミング経路のドキュメントも、サービス提供用スタックも、モデルカードにレイテンシの数値もありません。リポジトリはvLLM-Omniによる高速化推論をロードマップとして示しています。それが実現するまでは、そのレイテンシをSesameのものと比較することは、ベンチマーク用ハーネスと出荷済み製品を比較することであり、出荷済み製品が既定で勝ちます。

それぞれの価格

• Sesame Preview — アプリは無料です。デモ音声はいかなる価格でも販売されておらず、これが開発者にとって重要な事実です。

• CSM-1B — Sesame自身のAPIでは、100万文字あたり約7ドル、4Kコンテキストで、Sesameのみが提供しています。音声1秒あたり約14文字とすると、音声1時間あたり約0.35ドルとなり、この市場分野では最も安価な従量課金制の音声オプションです。

• Ming-3.0-tts — MITライセンスの無料ウェイトとGPU費用。GPU時間あたり約2ドルで借りたH800で0.5Bモデルをリアルタイムより高速に動かすと、継続的な処理量では従量料金を大きく下回り、アイドル容量を正直に算入すれば低処理量ではそれを上回る。

したがって、コスト比較は完全に利用量と、すでにGPUを所有しているかどうかにかかっています。月間の音声が数十時間を下回る場合、CSM-1Bの音声1時間あたり0.35ドルはなかなか敵いませんし、インフラも不要です。数百時間を超えると、Mingのセルフホスティングの方が安く、しかもさらに安くなり続けます。限界生成コストがゼロだからです。間違いは、利用状況ではなく定価で選ぶことです。

ライセンス供与は、実際に両者が分かれるところです。

CSM-1BはApache-2.0で、これは寛容なライセンスですが、利用規約への同意を条件としてゲートされており、デモに登場するモデルではありません。Ming-3.0-ttsは両方のチェックポイントがMITで、ゲートなし、利用規範へのクリック同意も商用利用の除外規定もありません。顧客の音声データでモデルをファインチューニングし、クローズド製品に組み込んで出荷できるかという法務レビューに対しては、どちらも答えはイエスです — ただし、実際にあなたが聞いたモデルはそのうちの片方だけです。

これがそのトレードオフを一文で表したものだ：Sesameはより良い響きの声を提供し、それを手元に留める。Mingは持ち帰って使える良い響きの声を提供する。

OrcaRouterが適する場面 — そして適さない場面

どちらのモデルも OrcaRouter ではホストされていません。当プラットフォームには Ming の音声エンドポイントも Sesame のエンドポイントも存在せず、このページでそれを作り出すつもりもありません。当社がホストしているのはスタックの残りの部分です。つまり、スクリプトを書いたり書き直したりする言語モデルと、セルフホスト型ではなくマネージド音声を求めるチーム向けの本番用音声モデル、たとえば Gemini 3.1 Flash TTS Preview や GPT-4o mini TTS などです。

役に立つのは、それら層の間の継ぎ目だ。Ming をセルフホストする場合、音声モデルには可用性の保証も、オートスケーリングも、セカンドリージョンもない。ルーティング層があれば、パイプラインのテキスト側を冗長化し、プロバイダーが劣化したときに自動でフェイルオーバーできる。1 つの API キーで200 以上のモデルをプロバイダー定価に対する 0% のマークアップでカバーでき、ルーティング DSL を使えば、プライマリ経路とフォールバックを 1 回の呼び出しとして組み立てられるので、アプリケーション中にリトライ処理を散らばせる必要はない。もう 1 つ知っておく価値のある選択肢がモデルフュージョンだ。脚本の改変のような用途では、判断が求められる仕事であれば、複数のモデルが一緒に答えるパネルのほうが 1 つのモデルより優れることが多い。ただし、これらによって Ming が速くなるわけでも、Sesame がライセンス可能になるわけでもない。これらは、どの音声を選んだとしても、その音声が弱点になったときにパイプラインが生き残れるようにするものだ。

決定、それは率直に述べられたもの

今週中に英語の会話型音声エージェントが欲しいなら、Sesame Preview は完成された製品であり、オープンウェイトの世界でそのレイテンシやすぐに使える個性に匹敵するものはありません。音声をライセンスできないこと、クローズドなアプリの上に構築していること、そして 4.7 MOS が検証できる上限であることを受け入れてください。

自社製品に音声を組み込みたいなら——クローン作成も、設計も、制御も、7言語対応、MIT条件、文字数課金なし——Ming-3.0-ttsが選択肢だ。ただし2つの条件が付く。93.2%という発音スコアを信頼する前に、自社の語彙でテストすること。単独語の結果はかなり弱いからだ。そしてエンジニアリング面も見込んでおくこと。推論経路は研究段階の品質で、ストリーミング対応はまだなく、英語音声カタログは5音声にとどまる。

何より避けるべきは、これを品質コンテストとして解釈することだ。Sesameのデモ音声は、おそらくMingの既製英語音声よりも実際に良く聞こえる。会話に最適化された、厳選された4ペルソナの製品ならそうなって当然だろう。問題は、あなたが声そのものを買っているのか、その声を聞く体験を借りているのかということだ。メニューに載っているのは、そのどちらか一方だけだ。