Ming-3.0-tts vs Sesame Preview: 내가 소유할 수 있는 목소리 대 들을 수만 있는 목소리

약 30초 안에 들어볼 수 있으며Sesame Preview, 어떤 가격을 치러도 다운로드할 수는 없습니다. 무료로 다운로드할 수 있는 것은Ming-3.0-tts입니다. MIT 라이선스에 따라 제공되며, 먼저 시험해 볼 완성도 높은 데모는 없습니다. 그 비대칭이 이 비교의 전부이며, 대부분의 일대일 비교는 두 제품을 경쟁하는 텍스트 음성 변환 API로 취급해서 잘못 판단합니다. 그렇지 않습니다. Sesame Preview는 Sesame이 한 번도 공개한 적 없는 음성을 중심으로 만든 완성된 소비자 제품이고, Ming-3.0-tts는 Ant Group의 inclusionAI 팀이 2026년 10월 20일에 공개한 오픈 웨이트 음성 모델이며, 호스팅되는 소비자용 프런트엔드는 전혀 없습니다. 하나는 식당이고, 다른 하나는 주방입니다.

그렇다고 해서 그 비교가 쓸모없어지는 것은 아니다. 그것은 당신이 실제로 사려는 것이 무엇인지에 대한 질문으로 바꾼다. 오늘 바로 작동하는 대화형 에이전트인지, 아니면 당신의 제품 안에 넣고 계속 유지할 수 있는 목소리인지. 이 둘을 분리하고 나면, 결정은 스펙 시트가 시사하는 것보다 더 명확해진다. 그리고 그 결정은 어느 모델의 마케팅 페이지에도 분명히 적혀 있지 않은 사실들에 달려 있다.

"Sesame"이라고 불리는 세 가지 것, 그중 사용할 수 있는 것은 하나뿐

이름이 첫 번째 함정이다. "Sesame Preview"는 네 명의 대화형 페르소나—Maya, Miles, Simone, Charlie—를 갖춘 무료 앱을 가리킨다. 2025년 2월 웹 프리뷰로 출시되었고, 2026년 5월 말 iOS에, 2026년 8월 6일에는 Android에 출시되었다. 대화 도중 실시간 웹 검색을 수행하고 한 세션 동안 맥락을 기억한다.

그 앱을 구동하는 것은 다운로드할 수 있는 모델이 아니다. Sesame의 프로덕션 음성은 한 번도 공개된 적 없는 더 크고 폐쇄적인 모델에서 실행된다. 다운로드 가능한 산출물은 CSM-1B, 즉 Conversational Speech Model이다. 약 1B 파라미터, Apache-2.0, 약관 동의를 거쳐야 접근할 수 있으며, 24 kHz의 Kyutai Mimi 오디오 코덱과 함께 Llama 백본을 기반으로 구축되었다. CSM-1B는 데모 음성의 조상이지 데모 음성 자체는 아니다. 이는 자체적으로 텍스트를 생성할 수 없고 언어 모델과 짝을 이뤄야 하는 베이스 모델이다.

" Ming-3.0-tts vs Sesame Preview"에 대한 솔직한 정리는 사실 두 가지 비교가 겹쳐진 것입니다. Preview 앱과 비교하면 Ming은 기능성으로 경쟁하지만 완성도와 지연 시간에서는 뒤집니다. CSM-1B와 비교하면 Ming은 모델 가중치, 라이선스, 통제력에서 직접 경쟁하며 그중 대부분에서 앞섭니다.

Ming-3.0-tts가 제공하는 것

Ming-3.0-tts는 Ant의 5개 모델 Ming-3.0 패밀리 중 음성 합성 라인으로, MIT 라이선스이며, 가중치는 Hugging Face와 ModelScope에, 추론 코드는 별도 GitHub 저장소에 있습니다. 실제로 서로 다른 제품인 두 개의 체크포인트로 제공됩니다.

• Ming-3.0-tts-0.5B — Qwen2.5-0.5B 백본에 DiT 헤드와 오디오 토크나이저를 얹은 dense 모델로, 약 2.96GB입니다. 독립적인 벤치마크 실행 결과가 있는 체크포인트입니다.

• Ming-3.0-tts-tiny — Ant의 Ling V3 백본을 기반으로 한 총 7.9B, 활성 1.3B 규모의 전문가 혼합(MoE) 모델로, 약 18GB이며 다중 화자 팟캐스트 생성을 추가했습니다. "Tiny"는 다운로드 크기가 아니라 런타임 비용을 의미합니다.

이 비교에서 중요한 기능은 다음과 같습니다: 짧은 참조 클립으로부터의 제로샷 음성 복제, 자연어 설명으로부터의 음성 디자인, 자유로운 전달 제어를 위한 디렉터 모드, 웃음과 한숨 같은 14개의 인라인 부가언어 태그, 명시적인 감정·속도·피치·볼륨 제어, 100개 이상의 중국어 음성과 5개의 영어 음성, 7개 언어와 쓰촨어 및 광둥어, 그리고 44.1 kHz 출력.

음성 테스트는 어느 리더보드도 결정하지 않는다.

Sesame의 명성은 Preview 음성이 얼마나 좋게 들리는지에 달려 있습니다. 제3자 측정 결과도 이를 뒷받침합니다. CodeSOTA의 오픈소스 TTS 후보 목록에서 Sesame이 4.7 MOS로 1위를 차지했고, CallSphere는 프로덕션 Maya 음성을 4.6 MOS로 측정했습니다. 이는 강력한 수치이며, 데모가 입소문을 탄 이유이기도 합니다.

그것들은 또한 라이선스할 수 없는 목소리를 측정한 결과이기도 합니다. 개발자에게 중요한 질문은 "Maya가 얼마나 좋은가"가 아니라 "내 제품에 넣을 수 있는 최고의 목소리는 얼마나 좋은가"입니다.

독립 리더보드에서 Ming-3.0-tts는 클로닝 워크플로가 실제로 존재하는 바로 그 영역에서 가장 강력합니다. 미국 억양 4개와 영국 억양 4개에 걸쳐 8개의 복제 음성을 사용하는 Artificial Analysis의 Controlled Voice Arena에서 Ming은 1,069 Elo로 오픈 웨이트 모델 중 1위, 전체 약 13위에 올랐습니다. 모델이 자체 기본 음성을 사용하는 Provider Voice 점수는 1,188 Elo로 오픈 웨이트 모델 중 3위, 전체 약 18위입니다. 이 두 결과 사이의 격차는 이 모델의 성격을 한 줄로 보여줍니다. 즉, 이 모델은 기본 제공되는 목소리가 되는 것보다 사용자가 제공한 목소리를 재현하는 데 훨씬 더 뛰어납니다.

Ming은 또한 Pronunciation Robustness에서 93.2%로 전체 공동 1위를 기록했는데, 이는 실제로 나온 결과이며 차이는 근소합니다. 단독 용어 — 브랜드명, 지명, 개별 고유명사 — 에서는 31개 중 21위입니다. 스크립트에 제품명이 포함된 사람이라면 이 점을 경고 표지로 받아들이세요. 종합 점수는 버그 보고서에서 다루게 될 숫자가 아닙니다.

Sesame Preview는 해당 보드에 비교 가능한 형태로 나타나지 않습니다. 이 앱의 음성은 클론이 아니라 고정된 페르소나이며, 벤치마크할 수 있는 프로덕션 모델의 공개 체크포인트도 없습니다. 4.7 MOS는 이용 가능한 최선의 증거이지만, 그것이 측정하는 대상은 다릅니다.

통제: 감독 의자 대 개성

Ming은 음성을 제어 가능한 신호로 다룹니다. 참조 음성을 복제하고, 텍스트로 음성을 설계하고, 발화에 웃음이나 한숨을 태그하고, 자유로운 언어로 전달 방식을 지시할 수 있습니다. 모델 카드는 이것이 불완전한 부분에 대해 솔직합니다. 다중 이벤트 준언어적 태그는 단일 이벤트 태그보다 약하고, 텍스트에 감정적 신호가 거의 없을 때 감정 제어는 더 어려우며, 피치는 속도나 음량보다 정확도가 떨어지고, 개방형 음성 설계는 팀이 평가한 가장 강력한 시스템에는 여전히 뒤처집니다. 이 중 어느 것도 첫 공개 릴리스에서 이례적인 일은 아닙니다. 이 모든 내용이 문서화되어 있다는 점은 대부분의 공급업체가 제공하는 것보다 더 나은 점입니다.

Sesame의 컨트롤 표면은 대화입니다. 앱이 턴테이킹, 메모리, 실시간 검색을 관리하며, 음성은 조정하는 파라미터가 아니라 에이전트의 한 구성 요소입니다. 약점은 바로 그 통합의 이면입니다. 함수 호출은 실시간 경쟁 제품의 2.1%에 비해 6.7%의 오류율로 측정되었는데, 이는 에이전트와 대화하는 것이 아니라 그 위에 에이전트를 구축하려는 경우에 중요해지는 숫자입니다.

요구 사항이 "내가 지정한 방식대로 이 대본을 읽어주는 음성"이라면, 둘 중에서 그런 제어 기능을 제공하는 쪽은 Ming뿐입니다. 요구 사항이 "대화를 처리하는 음성 에이전트"라면, 둘 중에서 그런 제품을 내놓은 쪽은 Sesame뿐입니다.

언어 및 오디오 품질

• 언어 — Ming은 중국어, 영어, 독일어, 스페인어, 프랑스어, 한국어, 일본어뿐 아니라 쓰촨어와 광둥어도 지원합니다. Sesame Preview는 영어 우선이며, 앱은 영어만 지원하고, CSM-1B의 비영어 성능은 대부분 검증되지 않았습니다.

• 샘플 레이트 — Ming은 44.1kHz를 출력합니다. CSM-1B는 Mimi 코덱을 통해 24kHz를 출력하는데, 이는 대화형 음성에는 충분하지만 음악에 가깝거나 방송용 작업에는 눈에 띄게 좁습니다.

• 음성 카탈로그 — Ming은 100개 이상의 중국어 음성과 5개의 영어 음성을 제공합니다. Sesame은 각기 뚜렷한 개성을 지닌 네 가지 페르소나를 제공하는데, 이는 카탈로그라기보다는 선별된 제품 결정입니다.

• 감정 범위 — Ming은 감정을 문서화된 한계가 있는 제어 항목으로 노출합니다. Sesame의 감정 표현력은 페르소나에 내재되어 있으며 가장 강력한 장점으로 널리 평가받습니다. 또한 이는 조절할 수 있는 요소가 아닙니다.

지연 시간은 Sesame의 논쟁의 여지 없는 승리다

이것은 비교가 명확히 갈리는 단 하나의 축입니다. Sesame Preview는 첫 바이트 지연 300ms 미만으로 스트리밍하며, Maya 음성은 첫 바이트 도달 시간(TTFB)이 80–130ms로 측정되었고, 전체 에이전트는 250–450ms에 p95 480ms를 기록합니다. 이는 대화 수준의 성능이며, 실시간 대화를 위해 엔드투엔드로 구축된 제품의 결과입니다.

Ming-3.0-tts는 연구 등급의 추론 코드입니다. 문서화된 스트리밍 경로도, 서빙 스택도, 모델 카드에 지연 시간 수치도 없습니다. 저장소는 vLLM-Omni 가속 추론을 로드맵으로 가리키고 있습니다. 그것이 존재하기 전까지는, 그 지연 시간을 Sesame의 지연 시간과 비교하는 것은 벤치마크 하네스와 출시된 제품을 비교하는 것이며, 출시된 제품이 기본적으로 이깁니다.

각각의 비용

• Sesame Preview — 앱은 무료입니다. 데모 음성은 어떤 가격에도 판매되지 않으며, 이는 개발자에게 중요한 사실입니다.

• CSM-1B — Sesame 자체 API에는 4K 컨텍스트 기준 100만 자당 약 $7로 명시되어 있으며, Sesame에서만 제공됩니다. 음성 1초당 약 14자 기준으로 오디오 1시간당 약 $0.35꼴이며, 이 시장 분야에서 가장 저렴한 종량제 음성 옵션입니다.

• Ming-3.0-tts — 무료 MIT 가중치와 GPU 청구서. GPU 시간당 약 $2의 임대 H800에서 0.5B 모델을 실시간보다 빠르게 구동하면, 지속적인 대량 처리에서는 종량 요금을 크게 밑돌고, 유휴 용량을 솔직하게 계산하면 저용량에서는 오히려 그보다 비싸진다.

따라서 비용 비교는 전적으로 사용량과 이미 GPU를 보유하고 있는지 여부에 달려 있습니다. 월 수십 시간 정도의 오디오라면 CSM-1B의 오디오 시간당 0.35달러는 따라가기 힘든 가격이며 인프라도 필요하지 않습니다. 수백 시간을 넘어서면 Ming을 셀프 호스팅하는 것이 더 저렴하고 계속해서 더 저렴해집니다. 한계 생성 비용이 사실상 제로이기 때문입니다. 실수는 활용도 대신 표면 가격만 보고 선택하는 것입니다.

라이선싱은 이 둘이 실제로 갈리는 지점입니다.

CSM-1B는 Apache-2.0으로, 이는 관대한 라이선스이지만 약관 동의를 거쳐야 접근할 수 있으며 데모에 있는 모델은 아닙니다. Ming-3.0-tts는 두 체크포인트 모두 MIT이고, 게이트가 없으며, 허용 사용 정책 클릭 동의도, 상업적 예외 조항도 없습니다. 고객 음성 데이터로 모델을 미세 조정하여 폐쇄형 제품 안에 출시할 수 있는지 묻는 법무 검토에서 두 답변 모두 '예'입니다. 다만 그중 실제로 들어본 모델은 하나뿐입니다.

그게 한 문장으로 요약한 맞교환이다. Sesame는 더 좋게 들리는 목소리를 주고 그것을 계속 보유하며, Ming은 집에 가져갈 수 있는 좋게 들리는 목소리를 준다.

OrcaRouter가 적합한 곳 — 그리고 그렇지 않은 곳

두 모델 모두 OrcaRouter에 호스팅되지 않습니다. 저희 플랫폼에는 Ming 음성 엔드포인트도, Sesame 엔드포인트도 없으며, 이 페이지가 그런 엔드포인트를 새로 만들어내지는 않을 것입니다. 저희가 호스팅하는 것은 스택의 나머지 부분입니다. 즉, 스크립트를 작성하고 다시 쓰는 언어 모델과 다음과 같은 프로덕션 음성 모델입니다: Gemini 3.1 Flash TTS Preview 및 GPT-4o mini TTS가 있으며, 이는 직접 호스팅하는 음성 대신 관리형 음성을 원하는 팀을 위한 것입니다.

유용한 부분은 그 계층들 사이의 이음새입니다. Ming을 셀프 호스팅하면 음성 모델에는 가용성 보장도, 오토스케일링도, 보조 리전도 없습니다. 라우팅 계층은 파이프라인의 텍스트 절반을 중복 가능하게 만들고 제공자가 성능 저하를 겪을 때 자동으로 페일오버할 수 있습니다. API 키 하나로 200개 이상의 모델을 공급자 정가에 0% 마크업으로 이용할 수 있으며, 라우팅 DSL을 사용하면 재시도 로직을 애플리케이션 전반에 흩뿌리는 대신 기본 경로와 폴백을 단일 호출로 구성할 수 있습니다. 모델 퓨전은 알아둘 만한 또 다른 옵션입니다. 스크립트 적응 같은 작업에서는 판단이 필요한 일이라면 생성보다 여러 모델이 함께 답하는 패널이 하나의 모델보다 종종 더 낫습니다. 이 모든 것이 Ming을 더 빠르게 만들거나 Sesame을 라이선스 가능하게 만들지는 않습니다. 이는 선택한 음성이 약한 고리가 되더라도 그 주변의 파이프라인이 살아남게 합니다.

분명하게 밝힌 결정

이번 주에 영어 대화형 음성 에이전트를 원한다면 Sesame Preview가 완성된 제품이며, 오픈 웨이트 세계에서 그 지연 시간이나 별도 설정 없이 바로 발휘되는 개성에 필적하는 것은 없습니다. 음성 라이선스를 받을 수 없다는 점, 폐쇄형 앱 위에서 구축하고 있다는 점, 그리고 4.7 MOS가 검증할 수 있는 것의 상한이라는 점을 받아들이십시오.

자체 제품 안에 음성을 넣고 싶다면 — 복제되고, 설계되고, 제어되며, 7개 언어를 지원하고, MIT 조건에 문자당 과금이 없는 — Ming-3.0-tts가 선택지입니다. 다만 두 가지 조건이 붙습니다. 93.2% 발음 점수를 믿기 전에 자체 어휘로 테스트해 보세요. 단독 용어 결과는 훨씬 약하기 때문입니다. 그리고 엔지니어링을 계획하세요: 추론 경로는 연구 단계 수준이고, 아직 스트리밍 지원 계획이 없으며, 영어 음성 카탈로그는 다섯 개뿐입니다.

절대 하지 말아야 할 일은 이것을 품질 경쟁으로 읽는 것입니다. Sesame의 데모 음성은 아마 Ming의 기본 영어 음성보다 실제로 더 좋게 들릴 것입니다. 대화에 최적화된, 선별된 네 가지 페르소나 제품이라면 마땅히 그런 결과를 내야 합니다. 문제는 당신이 그 음성을 구매하는 것인지, 아니면 그 음성을 듣는 경험을 임대하는 것인지입니다. 그중 메뉴에 올라 있는 것은 하나뿐입니다.