Ming-3.0-tts-tiny vs Sesame-Preview: 다운로드할 수 있는 체크포인트 대 호출할 수 없는 음성

다음을 같은 문장에 넣어 보자: Ming-3.0-tts-tiny와 Sesame Preview — 첫 벤치마크가 나오기도 전에 비교는 무너진다. 둘 중 개발자가 실제로 구할 수 있는 것은 하나뿐이기 때문이다. Ming-3.0-tts-tiny는 Ant Group의 inclusionAI 체크포인트다. 총 79억 개 파라미터, 토큰당 약 13억 개 활성, MIT 라이선스로 배포된 가중치는 Hugging Face에 공개되었고, 추론 코드는 2026년 10월 19일 GitHub에 등장했다. Sesame Preview는 소비자용 어시스턴트다. 네 가지 음성, iOS 및 Android 앱, API 없음, 모델 ID 없음, 그리고 이 제품을 글 쓸 가치가 있게 만드는 음성에 대해 공개된 점수도 없다. 하나는 파일이다. 다른 하나는 제품이다. 흥미로운 질문은 어느 쪽이 더 잘 들리는가가 아니다. 양쪽 모두 비교 가능한 방식으로 측정된 적이 없기 때문이다. 그보다는 스크립트와 마감 시한이 있는 화요일 오후에 각각이 무엇을 할 수 있게 해 주는가이다. 이번 같은 출시의 배경에 있는 문서화된 AI 실패와 에이전트 사건들은 the OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 분쟁 플래그가 함께 붙어 있다.

여기서는 날짜가 좀처럼 그렇지 않은 방식으로 중요하다. Ming-3.0-tts-tiny의 저장소는 2026년 9월 22일에 만들어졌고, 가중치는 9월 24일에 올라갔으며, 그 후 3주 반 동안 이 릴리스는 사용할 수 없는 상태였다. 실행 방법이 공개되지 않은 샤드 폴더에 불과했다. 추론 코드, 원클릭 예제, 작업 쿡북은 10월 19일 08:58 UTC에 한꺼번에 공개됐다. Ant는 이 중 어느 것도 발표하지 않았다. 반면 Sesame Preview는 봄부터 공개적으로 출시되어 왔고, 2026년 10월 6일에는 실제 업데이트를 받았다. 당시 회사의 최고제품책임자는 앱을 뒷받침하는 새로운 Conversational Speech Model을 설명했다. 둘 중 어느 것도 보도자료가 뜻하는 의미의 출시는 아니지만, 둘 다 움직임이며, 그중 하나만 다운로드할 수 있는 무언가를 함께 제공한다.

증거를 보기 전에 짧게 말하자면

제품을 만들고 있다면 Sesame Preview는 후보가 아니며 오늘날 후보가 될 수도 없습니다. 호출할 엔드포인트도, 읽을 라이선스도, 가격도 없고, 앱의 음성이 어떤 모델의 음성이라는 보장도 없습니다. 제품을 만들고 있고 직접 소유하는 음성이 필요하다면 Ming-3.0-tts-tiny가 후보입니다 — 젊고, 점수가 매겨지지 않았으며, 직접 평가를 해야 하는 자체 호스팅 모델입니다.

대부분의 팀에게는 그것이 결정의 전부입니다. 아래 내용은 그렇지 않은 경우, 즉 두 가지를 제품이 아니라 대화형 오디오로서 비교하거나, Sesame의 접근 방식이 따라야 할 방식인지 저울질하는 경우를 위한 것입니다.

각각이 실제로 여러분 손에 쥐어주는 것

• 다운로드하는 항목 — Ming-3.0-tts-tiny: Ling V3 백본, 디퓨전 트랜스포머 헤드, 오디오 토크나이저, CAM++ 화자 인코더, 텍스트 토크나이저를 포함한 약 18GB. Sesame Preview: App Store 또는 G​oogle Play에서 받는 앱이며, 그 외에는 아무것도 없습니다.

• 호출할 수 있는 것 — Ming-3.0-tts-tiny: Python 클래스, MingTinyTTS.from_pretrained와 함께 제로샷 복제, 다국어 합성, 준언어적 요소, 팟캐스트 대화, 감정, 방언, 자유 형식 스타일 및 음성 디자인을 위한 작업 이름을 제공합니다. Sesame: 네 가지 성격을 갖춘 채팅 인터페이스입니다. 프로덕션 음성에 대한 모델 ID는 한 번도 공개된 적이 없습니다.

• 라이선스 — Ming-3.0-tts-tiny: 가중치와 코드에는 MIT 라이선스가 적용되며, 사람을 사칭하지 말고 합성 오디오임을 표시하도록 요청하는 사용 안내가 함께 있습니다. Sesame: 앱의 서비스 약관과, 아래에서 논의하는 공개 체크포인트가 있으며 이는 프로덕션 모델이 아닙니다.

• 언어 지원 — Ming-3.0-tts-tiny: 중국어, 영어, 독일어, 스페인어, 프랑스어, 한국어 및 일본어이며, 쓰촨어와 광둥어는 방언 참조 클립에서 사용할 수 있습니다. Sesame: 공식적으로 지원되는 언어는 영어뿐입니다. 안내서에는 어시스턴트가 프랑스어, 이탈리아어, 독일어, 스페인어, 중국어, 일본어, 한국어도 "초기" 단계로 처리한다고 나와 있는데, 이는 기능 목록이라기보다 경고처럼 읽힙니다.

• 가격 — Ming-3.0-tts-tiny: 정해진 요금표가 없으며, H800과 전기 요금을 직접 부담합니다. Sesame: 무료로 사용할 수 있고 공개된 요금제 등급은 없으며, 회사 측은 광고를 게재하지 않고 데이터를 판매하지 않는다고 밝혔습니다.

• 독립 점수 — Ming-3.0-tts-tiny: 없음, 특히 Artificial Analysis가 "Ming-3.0-tts"에 대해 기재한 1,188 Elo가 아니며, 이는 0.5B 체크포인트에 속합니다. Sesame: 앱의 음성에 대해서도 없음. 이는 어느 쪽도 수치가 없는 드문 맞대결입니다.

개발자가 손에 쥘 수 있는 단 하나의 Sesame 아티팩트

Hugging Face에는 Sesame 모델이 있으며, 이 모델이 무엇인지 정확히 짚고 넘어갈 필요가 있습니다. 왜냐하면 이 모델은 흔히 앱 속 음성으로 오해되기 때문입니다.

CSM-1B는 Apache-2.0 라이선스이고 영어 전용이며, 회사가 공개적으로 설명한 아키텍처를 기반으로 합니다. 즉 Llama 백본이 첫 번째 오디오 코드북을 예측하고 더 작은 깊이 디코더가 나머지를 예측하며, Kyutai의 Mimi 코덱을 통해 24 kHz로 디코딩합니다. 모델 카드는 이를 "기본 생성 모델"이라고 부릅니다. 다양한 목소리를 생성할 수 있지만 특정 목소리에 맞춰 조정되지는 않았으며, 체크포인트 자체가 데모인 것이 아니라 그 파생 모델이 인터랙티브 데모를 구동한다고 명시합니다. 이 캡처 시점 기준으로 지난달 약 130,000회 다운로드와 약 2,500개의 좋아요를 기록했으며, 이는 2년 된 연구 공개물로서는 실제 개발자 팔로잉이 있음을 보여줍니다.

실제로 이것이 의미하는 바는 다음과 같습니다: 여러분은 Sesame의 아키텍처를 로드하고, 미세 조정하고, 대화형 T​TS를 자체 호스팅할 수 있습니다. 하지만 Sesame의 제품은 로드할 수 없습니다. 10월 업데이트는 — 회사가 직접 표현한 대로 더 나은 표현력과 발음을 갖춘 새로운 CSM — 여러분이 가질 수 없는 것을 바꾸었고, 그것에 관해 측정 가능한 어떤 것도 말하지 않았습니다.

그들이 진정으로 겹치는 곳, 그리고 그 겹침이 끝나는 곳

Sesame과 Ant는 둘 다 내레이션이 아니라 대화처럼 들리는 말투를 겨냥하고 있으며, 이것이 공통점이라는 것은 작은 일이 아니다. Sesame은 숨소리, 머뭇거림, 끼어드는 타이밍을 너무나 설득력 있게 구현해 명성을 쌓았고, 초기 청취자들은 전화선에 사람이 있는 줄 알았다. Ant의 초소형 모델은 웃음, 한숨, 숨소리, 머뭇거림을 위한 14개의 인라인 준언어 태그와, 자사의 0.5B 형제 모델은 할 수 없는 다중 화자 팟캐스트 작업을 갖추고 출시된다.

그 지점을 넘어서면 겹치는 부분은 빠르게 줄어든다.

Sesame의 강점은 음성이 메모리, Gmail·Calendar·Drive 연결 기능, 탐색과 작업을 수행하는 자체 컴퓨터, OAuth를 통한 MCP 지원, 그리고 지난 10월부터 다른 에이전트를 오케스트레이션하는 능력을 갖춘 실제 동작하는 제품에 내장되어 있다는 점입니다. 이 중 어느 것도 음성 모델의 기능이 아니라 어시스턴트이며, 음성은 그와 대화하는 방식입니다. Ant의 강점은 모든 것을 검사할 수 있다는 점입니다. 모델 카드의 모든 수치는 테스트 세트로 추적할 수 있고, 모든 작업에는 실행 가능한 예제가 있으며, 파이프라인은 직접 수정할 수 있습니다.

대부분의 평가를 가르는 비대칭성은 두 목록 중 어느 쪽보다도 단순합니다. Ming-3.0-tts-tiny를 사용하면 같은 문장을 백 번 생성해서 들어볼 수 있습니다. Sesame을 사용하면 아무것도 생성할 수 없으므로 실행할 실험이 없고, 앱에 대한 의견만 있을 뿐입니다.

Ant가 게시하는 것, 그리고 그것이 지니는 가치

이런 맞대결에서 흔히 빠지기 쉬운 유혹은 Ant의 벤치마크 표로 빈틈을 메우는 것인데, 그 표는 방대합니다. 중국어 Seed-TTS는 단어 오류율 0.820%, 화자 유사도 0.781, 영어는 1.666%와 0.728, 독일어 0.325%, 스페인어 0.971%, NVBench 준언어적 결과는 6개 단일 이벤트 범주 모두에서 선두, 방언 평가 세트는 WSC-Eval-TTS easy에서 86.09%, 감정은 CV3에서 74.00%, 음성 설계는 InstructTTSEval-ZH에서 75.37%입니다.

그 모든 것은 Ant가 Ant의 하네스에서, Ant의 참조 클립과 채점 코드를 사용해 Ant를 측정한 것이며, 그중 어느 것도 회사 외부에서 재현된 적이 없습니다. 그렇다고 해서 그 수치가 틀린 것은 아닙니다. 다만 그것은 공급업체가 보고한 수치일 뿐이며, Sesame 수치와 비교할 수 없다는 뜻입니다. 비교 대상이 될 Sesame 수치가 존재하지 않기 때문입니다.

스위트에서 실제 비교처럼 작동하는 단 하나의 결과는 불편한 쪽이다. 한국어에서 Ming-3.0-tts-tiny는 6.000%의 문자 오류율을 기록한 반면, 같은 계열의 0.5B 모델은 1.728%를 기록했다. 모델 카드는 한국어를 알려진 약점 가운데 하나로 나열하면서도 아무런 설명을 제시하지 않는다. 그럴듯한 설명 하나 — 희소 라우팅이 충분히 학습되지 않은 언어에 비슷한 크기의 밀집 모델보다 적은 용량을 부여한다는 것 — 은 가설일 뿐, 확인된 발견이 아니다. 운영상의 해석은 안전한 쪽을 택하는 것이다. 한국어가 범위에 포함된다면, 신뢰하기 전에 먼저 테스트하라.

Sesame의 모델 없이 그 모델에서 배울 점이 있을까요?

그렇습니다. 그리고 이것은 라이선스 차이 다음으로 이 비교에서 가장 유용한 점입니다: Sesame은 벤치마크를 공개합니다. 2026년 8월 28일 Sesame은 TurnBench를 출시했습니다. TurnBench는 음성 대화의 턴테이킹을 위한 공개 벤치마크로, 세 차례 주석이 달린 30시간 분량의 2자 대화 음성, 대화 분석에서 도출된 채점 프로토콜, 공개 리더보드, 14개 시스템의 결과를 포함하며, Carnegie Mellon, Mundo AI, Oto와 함께 구축되었습니다.

턴테이킹은 선호도 Elo 보드와 단어 오류 표가 모두 포착하지 못하는 바로 그 품질이며, Sesame의 제품이 유명한 이유인 품질입니다. Ming-3.0-tts-tiny를 대화형 용도로 평가하고 있다면, Sesame 자체 앱이 TurnBench에 없더라도 TurnBench가 빌려 써야 할 도구입니다: 유사도 지표로 추측하는 대신 후보 모델의 끼어들기 처리와 백채널 타이밍을 점수화하세요.

그것이 여기서 공정한 비교의 형태다. 실행할 수 없는 Sesame Preview의 음성과 Ming-3.0-tts-tiny를 비교하는 것이 아니라, 둘 다 추구하는 속성에 대해 Sesame이 정의한 공개 벤치마크에 Ming-3.0-tts-tiny를 견주는 것이다.

둘 중 어느 쪽이든 그것을 목적으로 하는 그 무언가를 만들고 있다면

음성 제품을 위한 현실적인 2026년 아키텍처는 음성 레이어와 무엇을 말할지 결정하는 텍스트 두뇌로 구성되며, 이 둘은 해당 스택의 양 극단을 차지합니다. Ming-3.0-tts-tiny는 GPU가 있고 이를 평가해 볼 의향이 있다면 음성 레이어가 될 수 있습니다. Sesame Preview는 애초에 레이어가 될 수 없습니다. 그것은 당신이 맞서 개발하게 될 경쟁 제품입니다.

텍스트 두뇌는 라우터가 장식이 아니라 진정으로 유용하게 쓰이는 부분입니다. OrcaRouter는 하나의 키 뒤에 200개가 넘는 텍스트 모델을 공급자 정가 그대로, 마크업 없이 제공하므로 공급업체의 가격 변경이 같은 날 바로 여러분의 가격이 되며, 공급자 간 자동 장애 조치가 함께 제공됩니다. 적용 범위를 분명히 하자면, Ming-3.0-tts-tiny를 포함해 어떤 Ant 음성 모델도 여기서 라우팅되지 않으며, CSM-1B를 포함한 Sesame 모델도 마찬가지입니다. 라우팅되는 것은 파이프라인의 절반, 즉 스크립트를 작성하고 감정 태그를 고르며 에이전트가 언제 말할지 결정하는 부분입니다. 이는 또한 아무것도 다시 녹음할 필요 없이 공급업체를 바꿀 수 있는 절반이기도 합니다.

맞대결 대신 볼 만한 것

이것을 진짜 비교로 만들어 줄 세 가지가 있는데, 그중 어느 것도 아직 일어나지 않았다.

Ming-3.0-tts-tiny용 호스팅 엔드포인트, 또는 이 모델의 측정된 지연 시간과 오류율을 공개하는 제3자. Ant 자체 로드맵에는 vLLM-Omni 지원이 언급되어 있는데, 이는 품질이 아니라 서빙에 관한 문제이지만, 다른 누군가가 이 모델을 평가하려면 반드시 갖춰져야 할 전제 조건이다.

Sesame의 10월 CSM에 붙은 숫자 하나. 회사는 표현력과 발음이 개선됐고 긴 대화에서 그 차이가 크다고 말하지만, 모델 ID도, 지연 시간 수치도, 벤치마크도 공개하지 않았다. 인접한 분야에서 공개된 유일한 측정치는 여전히 TurnBench인데, 이는 음성 품질이 아니라 발화 차례 주고받기를 평가한다.

그리고 Ant가 아닌 다른 누군가로부터 나온 한국어 결과. 6.000% 수치는 공개된 기록에서 가장 명백한 결함이며, 두 번째 팀이 이를 재현하거나 반박한다면 어떤 Elo 점수보다도 이 체크포인트에 대해 더 많은 것을 알려줄 것입니다.

그때까지는 솔직한 평가가 그리 화려하지 않다. 이 중 하나는 다운로드하고 검토하고 배포할 수 있으며, 이를 허용하는 라이선스와 오직 그 저자만 실행해 본 벤치마크 스위트를 갖추고 있다. 다른 하나는 휴대전화에서 대화하고 감탄할 수는 있어도 그 위에 무언가를 구축할 수는 없다.