Ming-3.0-tts vs Sesame Preview: de stem die je kunt bezitten tegenover de stem die je alleen kunt horen

Je kunt Sesame Preview in ongeveer dertig seconden horen en je kunt het voor geen enkele prijs downloaden. Je kunt Ming-3.0-tts gratis downloaden onder de MIT-licentie, en er is geen gepolijste demo om eerst uit te proberen. Die asymmetrie is de hele vergelijking, en de meeste directe vergelijkingen zitten ernaast door de twee te behandelen als concurrerende tekst-naar-spraak-API's. Dat zijn ze niet. Sesame Preview is een afgewerkt consumentenproduct rond een stem die Sesame nooit heeft uitgebracht; Ming-3.0-tts is een spraakmodel met open gewichten van het inclusionAI-team van Ant Group, gepubliceerd op 20 oktober 2026, zonder enige gehoste consumentenfront-end. De ene is een restaurant. De andere is een keuken.

Dat maakt de vergelijking niet nutteloos. Het maakt er een kwestie van wat je eigenlijk probeert te kopen: een conversationele agent die vandaag werkt, of een stem die je in je eigen product kunt integreren en kunt behouden. Zodra je die twee onderscheidt, is de beslissing duidelijker dan de specsheets suggereren — en ze draait om feiten die geen van beide marketingpagina's van de modellen ronduit vermeldt.

Drie dingen die "Sesame" heten, waarvan je er maar één kunt gebruiken

De naamgeving is de eerste valkuil. "Sesame Preview" verwijst naar de gratis app met vier gesprekspersona's — Maya, Miles, Simone en Charlie. De app werd in februari 2025 gelanceerd als webpreview, bereikte iOS eind mei 2026 en Android op 6 augustus 2026. Tijdens het gesprek voert de app live webzoekopdrachten uit en onthoudt hij context binnen een sessie.

Wat die app aandrijft, is niet het model dat je kunt downloaden. De productiestem van Sesame draait op een groter, gesloten model dat nooit is uitgebracht. Het downloadbare artefact is CSM-1B, het Conversational Speech Model: ongeveer 1 miljard parameters, Apache-2.0, afgeschermd achter het accepteren van voorwaarden, gebouwd op een Llama-backbone met Kyutai's Mimi-audiocodec op 24 kHz. CSM-1B is de voorouder van de demostem, niet de demostem. Het is een basismodel dat zelf geen tekst kan genereren en een taalmodel nodig heeft dat ermee wordt gecombineerd.

Dus de eerlijke framing van "Ming-3.0-tts vs Sesame Preview" bestaat eigenlijk uit twee opeengestapelde vergelijkingen. Tegenover de Preview-app concurreert Ming op capaciteiten en verliest Ming op afwerking en latentie. Tegenover CSM-1B concurreert Ming rechtstreeks op gewichten, licentie en controle, en wint Ming op de meeste daarvan.

Wat Ming-3.0-tts te bieden heeft

Ming-3.0-tts is de spraaksynthese-lijn van Ants Ming-3.0-familie met vijf modellen, MIT-gelicenseerd, met gewichten op Hugging Face en ModelScope en inferentiecode in een aparte GitHub-repository. Het wordt geleverd in twee checkpoints die echt verschillende producten zijn.

• Ming-3.0-tts-0.5B — dense, op een Qwen2.5-0.5B-backbone met een DiT-head en een audiotokenizer, ongeveer 2,96 GB. Dit is het checkpoint met onafhankelijke benchmarkruns.

• Ming-3.0-tts-tiny — een mixture of experts met in totaal 7,9B parameters en 1,3B actieve parameters op de Ling V3-backbone van Ant, ongeveer 18 GB, die podcastgeneratie met meerdere sprekers toevoegt. "Tiny" beschrijft de runtimekosten, niet de downloadgrootte.

Vaardigheden die voor deze vergelijking van belang zijn: zero-shot stemklonen op basis van een korte referentieclip, stemontwerp op basis van een beschrijving in natuurlijke taal, een regisseursmodus voor vrije controle over de voordracht, 14 inline paralinguïstische tags zoals lachen en zuchten, expliciete regeling van emotie, snelheid, toonhoogte en volume, meer dan 100 Chinese stemmen en vijf Engelse, zeven talen plus Sichuannees en Kantonees, en uitvoer op 44,1 kHz.

De stemtest beslecht geen van beide klassementen.

De reputatie van Sesame berust op hoe de Preview-stemmen klinken. Metingen door derden bevestigen dat: CodeSOTA's open-source TTS-shortlist plaatste Sesame op de eerste plaats met een 4,7 MOS, en CallSphere mat de Maya-stem in productie op 4,6 MOS. Dat zijn sterke cijfers, en ze zijn de reden dat de demo viraal ging.

Het zijn ook metingen van een stem waarvoor je geen licentie kunt krijgen. De relevante vraag voor een ontwikkelaar is niet "hoe goed is Maya", maar "hoe goed is de beste stem die ik in mijn product kan verwerken."

Op de onafhankelijke ranglijsten is Ming-3.0-tts het sterkst precies daar waar een kloonworkflow thuishoort. Artificial Analysis' Controlled Voice Arena, die acht gekloonde stemmen gebruikt met vier Amerikaanse en vier Britse accenten, plaatst Ming op 1.069 Elo — eerste onder open-weightmodellen en ongeveer 13e overall. De Provider Voice-score, waarbij een model zijn eigen standaardstemmen gebruikt, is 1.188 Elo, derde onder open-weightmodellen en ongeveer 18e overall. Het verschil tussen die twee resultaten typeert het model in één zin: het is veel beter in het reproduceren van een stem die je aanlevert dan in zelf een stem uit de doos zijn.

Ming eindigde ook gedeeld eerste overall op Pronunciation Robustness met 93,2%, wat een echte en nipte uitslag is. Op losstaande termen — merknamen, plaatsnamen, geïsoleerde eigennamen — staat het op de 21e plaats van de 31. Lees dat als een waarschuwing voor iedereen wiens script productnamen bevat: de geaggregeerde score is niet het getal waarover je bugmeldingen zullen gaan.

Sesame Preview verschijnt niet in een vergelijkbare vorm op die boards. De stemmen in de app zijn vaste persona's, geen clones, en er is geen openbaar checkpoint van het productiemodel om mee te benchmarken. De 4.7 MOS is het best beschikbare bewijs en meet iets anders.

Controle: een regisseursstoel versus een persoonlijkheid

Ming behandelt spraak als een controleerbaar signaal. Je kunt een referentiestem klonen, er een ontwerpen op basis van tekst, een uiting taggen met een lach of een zucht, of de voordracht in vrije taal instrueren. De modelkaart is openhartig over waar dit tekortschiet: paralinguïstische tags met meerdere gebeurtenissen zijn zwakker dan die met één gebeurtenis, emotiebeheersing is moeilijker wanneer de tekst weinig emotionele signaalwaarde heeft, toonhoogte is minder nauwkeurig dan snelheid of volume, en open-ended stemontwerp blijft achter bij het sterkste systeem dat het team heeft geëvalueerd. Niets daarvan is ongebruikelijk voor een eerste openbare release. Het is allemaal gedocumenteerd, wat meer is dan de meeste leveranciers bieden.

Het bedieningsoppervlak van Sesame is een gesprek. De app beheert de beurtwisseling, het geheugen en live zoeken, en de stem is één component van een agent in plaats van een parameter die je afstelt. De zwakte ervan is de keerzijde van die integratie: function calling is gemeten met een foutpercentage van 6,7% tegenover 2,1% voor een realtime concurrent, en dat is het soort getal dat ertoe doet als je er een agent op wilde bouwen in plaats van met een agent te praten.

Als je vereiste is 'een stem die dit script leest zoals ik het aangeef', dan is Ming de enige van de twee die de bedieningselementen biedt. Als je vereiste is 'een spraakagent die een gesprek afhandelt', dan is Sesame de enige van de twee die er een levert.

Taal en audiokwaliteit

• Talen — Ming ondersteunt Chinees, Engels, Duits, Spaans, Frans, Koreaans en Japans, plus Sichuanees en Kantonees. Sesame Preview richt zich in de eerste plaats op Engels; de app is alleen in het Engels beschikbaar en de niet-Engelse prestaties van CSM-1B zijn grotendeels ongetest.

• Samplefrequentie — Ming levert 44,1 kHz. CSM-1B levert 24 kHz via de Mimi-codec, wat toereikend is voor gespreksspraak en duidelijk smal voor muziekgerelateerd of omroepwerk.

• Stemcatalogus — Ming levert meer dan 100 Chinese stemmen en vijf Engelse. Sesame levert vier persona's, elk met een duidelijk eigen karakter, wat een gecureerde productbeslissing is in plaats van een catalogus.

• Emotioneel bereik — Ming stelt emotie beschikbaar als een regelaar met gedocumenteerde grenzen. Sesame's emotionele expressiviteit is ingebakken in de persona's en wordt algemeen beschouwd als de sterkste eigenschap; je kunt er ook niet aan draaien.

Latentie is de onbetwistbare overwinning van Sesame.

Dit is de enige as waarop de vergelijking niet eens close is. Sesame Preview streamt met een first-byte-latency van minder dan 300 ms; voor de Maya-stem is een time-to-first-byte van 80–130 ms gemeten, en voor de volledige agent 250–450 ms met een p95 van 480 ms. Dat is conversational-grade, en het is het resultaat van een product dat end-to-end voor realtime dialoog is gebouwd.

Ming-3.0-tts is inferentiecode van onderzoekskwaliteit. Er is geen gedocumenteerd streamingpad, geen servingstack en geen latentiecijfer in de modelkaart. De repository verwijst naar vLLM-Omni versnelde inferentie als roadmap. Totdat dat bestaat, is de latentie ervan vergelijken met die van Sesame een benchmarkharnas met een uitgebracht product vergelijken, en het uitgebrachte product wint bij voorbaat.

Wat elk exemplaar kost

• Sesame Preview — de app is gratis. De demosten is tegen geen enkele prijs te koop, wat het relevante feit is voor een ontwikkelaar.

• CSM-1B — Sesame's eigen API vermeldt het voor ongeveer $7 per miljoen tekens met een 4K-context, uitsluitend aangeboden door Sesame. Bij ruwweg 14 tekens per seconde spraak komt dat neer op ongeveer $0,35 per audio-uur, en het is de goedkoopste spraakoptie met verbruiksmetering in dit segment van de markt.

• Ming-3.0-tts — gratis MIT-gewichten en een GPU-rekening. Een gehuurde H800 van ongeveer $2 per GPU-uur waarop een 0,5B-model sneller dan realtime draait, blijft bij aanhoudend volume ruim onder het gemeten tarief en komt erbij laag volume boven uit zodra onbenutte capaciteit eerlijk wordt meegeteld.

De kostenvergelijking hangt dus volledig af van het volume en van de vraag of je al over GPU's beschikt. Bij minder dan een paar dozijn uur audio per maand is de $0,35 per audio-uur van CSM-1B moeilijk te verslaan en is er geen infrastructuur nodig. Boven een paar honderd uur is het zelf hosten van Ming goedkoper en wordt het almaar goedkoper, omdat de marginale generatie niets kost. De fout is om te kiezen op basis van de stickerprijs in plaats van de benutting.

Licenties zijn het punt waarop de twee daadwerkelijk uiteengaan.

CSM-1B is Apache-2.0, een permissieve licentie, maar de toegang is afgeschermd door acceptatie van voorwaarden en het is niet het model in de demo. Ming-3.0-tts is MIT op beide checkpoints, zonder toegangsbeperking, zonder doorklikbevestiging voor acceptabel gebruik en zonder commerciële uitzondering. Voor een juridische beoordeling die de vraag stelt of het model mag worden gefinetuned op stemgegevens van klanten en mag worden meegeleverd in een gesloten product, luidt het antwoord in beide gevallen ja — maar slechts één daarvan is het model dat u daadwerkelijk hebt gehoord.

{{1}}Dat is de ruil in één zin:{{/1}} Sesame geeft je de beter klinkende stem en houdt die; Ming geeft je een goed klinkende stem die je mee naar huis kunt nemen.

Waar OrcaRouter past — en waar het niet past.

Geen van beide modellen wordt op OrcaRouter gehost. Er is geen Ming-spraakeindpunt en geen Sesame-eindpunt op ons platform, en deze pagina gaat er geen verzinnen. Wat we wel hosten, is de rest van de stack: de taalmodellen die scripts schrijven en herschrijven, en productie-spraakmodellen zoals Gemini 3.1 Flash TTS Preview en GPT-4o mini TTS voor teams die een beheerde stem willen in plaats van een zelfgehoste.

Het nuttige deel is de naad tussen die lagen. Als je Ming zelf host, heeft je stemmodel geen beschikbaarheidsgarantie, geen autoscaling en geen tweede regio; de routeringslaag kan de teksthelft van de pijplijn redundant maken en automatisch een failover uitvoeren wanneer een provider achteruitgaat. Eén API-sleutel dekt meer dan 200 modellen tegen 0% opslag op de lijstprijs van de provider, en de routerings-DSL laat je een primair pad en een fallback samenstellen tot één aanroep in plaats van retry-logica door je applicatie te verspreiden. Modelfusie is de andere optie die je moet kennen: voor zoiets als scriptaanpassing verslaat een panel van modellen dat samen antwoordt vaak één model wanneer de taak om beoordelingsvermogen gaat in plaats van om generatie. Niets hiervan maakt Ming sneller of Sesame licentieerbaar. Het maakt de pijplijn rond welke stem je ook kiest bestand tegen het feit dat de stem de zwakke schakel is.

De beslissing, simpelweg gesteld

Als je deze week een gespreksmatige stemagent in het Engels wilt, is Sesame Preview het afgewerkte product en niets in de open-weightwereld evenaart de latentie of de out-of-the-box persoonlijkheid ervan. Accepteer dat je de stem niet kunt licentiëren, dat je op een gesloten app bouwt, en dat de 4.7 MOS het plafond is van wat je kunt verifiëren.

Als je een stem in je eigen product wilt — gekloond, ontworpen, gecontroleerd, in zeven talen, met MIT-voorwaarden en zonder afrekening per teken — dan is Ming-3.0-tts de keuze, met twee voorwaarden eraan verbonden. Test je eigen vocabulaire voordat je het uitspraakcijfer van 93,2% vertrouwt, want het resultaat voor losstaande termen is veel zwakker. En plan voor de engineering: het inferentiepad is van onderzoekskwaliteit, er is nog geen streamingverhaal, en de Engelse stemmencatalogus telt vijf stemmen.

Het enige wat je niet moet doen, is dit als een kwaliteitswedstrijd lezen. De demo-stem van Sesame klinkt waarschijnlijk beter dan de standaard Engelse stemmen van Ming; dat is wat een samengesteld product met vier persona's, geoptimaliseerd voor gesprekken, zou moeten opleveren. De vraag is of je de stem koopt of de ervaring van het horen ervan huurt. Slechts één daarvan staat op het menu.