Ming-3.0-tts-tiny kontra Sesame-Preview: checkpoint, który możesz pobrać, kontra głos, którego nie możesz wywołać

Umieść Ming-3.0-tts-tiny i Sesame Preview w tym samym zdaniu, a porównanie się rozpadnie, zanim pojawi się pierwszy benchmark, ponieważ tylko jedno z nich jest czymś, co deweloper może pozyskać. Ming-3.0-tts-tiny to checkpoint inclusionAI należący do Ant Group: łącznie 7,9 mld parametrów, około 1,3 mld aktywnych na token, wagi na licencji MIT opublikowane na Hugging Face wraz z kodem inferencyjnym, który trafił na GitHub 19 października 2026 r. Sesame Preview to asystent konsumencki — cztery głosy, aplikacja na iOS i Androida, brak API, brak identyfikatora modelu, brak opublikowanego wyniku dla głosu, który sprawia, że warto o nim pisać. Jedno to plik. Drugie to produkt. Ciekawe pytanie nie brzmi, które brzmi lepiej, skoro nikt nie zmierzył tego po żadnej ze stron w porównywalny sposób, lecz co każde z nich pozwala ci zrobić we wtorkowe popołudnie, gdy masz scenariusz i termin. Udokumentowane awarie AI i incydenty z agentami stojące za takimi premierami jak ta są gromadzone w OrcaRouter AI Incident Archive gdzie każdy wpis zawiera własne źródła, poziom dotkliwości, stopień pewności i oznaczenie sporności.

Chronologia ma tu znaczenie w sposób, w jaki rzadko się zdarza. Repozytorium Ming-3.0-tts-tiny utworzono 22 września 2026 r., wagi opublikowano 24 września, a przez trzy i pół tygodnia wydanie było bezużyteczne — folder z shardami bez opublikowanego sposobu ich uruchomienia. Kod wnioskowania, przykłady uruchamiane jednym kliknięciem i cookbook zadań pojawiły się razem 19 października o 08:58 UTC. Ant nie ogłosił niczego z tego. Dla kontrastu Sesame Preview jest publicznie udostępniany od wiosny i otrzymał prawdziwą aktualizację 6 października 2026 r., kiedy dyrektor produktu firmy opisał nowy Conversational Speech Model stojący za aplikacją. Żadne z nich nie jest premierą w rozumieniu komunikatu prasowego, ale oba są ruchami, a tylko jedno z nich wiąże się z czymś, co można pobrać.

Wersja skrócona, przed dowodami

Jeśli budujesz produkt, Sesame Preview nie jest kandydatem i dziś nie może nim zostać: nie ma punktu końcowego, który można wywołać, licencji do przeczytania, ceny ani gwarancji, że głos w aplikacji to głos w jakimkolwiek modelu. Jeśli budujesz produkt i potrzebujesz głosu, którego jesteś właścicielem, Ming-3.0-tts-tiny jest kandydatem — młodym, nieocenionym, hostowanym samodzielnie, który sprawi, że będziesz musiał przeprowadzić własną ocenę.

To cała decyzja dla większości zespołów. Wszystko poniżej dotyczy przypadków, w których tak nie jest: tych, które porównują je jako dźwięk konwersacyjny, a nie jako produkty, albo zastanawiają się, czy podejście Sesame jest tym, które należy naśladować.

Co każde z nich tak naprawdę daje ci w ręce

• Co pobierasz — Ming-3.0-tts-tiny: około 18 GB zawierające szkielet Ling V3, głowicę transformera dyfuzyjnego, tokenizator audio, enkoder mówcy CAM++ i tokenizator tekstu. Sesame Preview: aplikacja z App Store lub G​oogle Play i nic więcej.

• Co możesz wywołać — Ming-3.0-tts-tiny: klasa Pythona, MingTinyTTS.from_pretrained z nazwami zadań do klonowania zero-shot, syntezy wielojęzycznej, paralingwistyki, dialogu podcastowego, emocji, dialektu, swobodnego stylu i projektowania głosu. Sesame: interfejs czatu z czterema osobowościami. Dla produkcyjnego głosu nigdy nie opublikowano identyfikatora modelu.

• Licencja — Ming-3.0-tts-tiny: MIT dla wag i kodu, z uwagą dotyczącą użytkowania, w której prosi się, aby nie podszywać się pod inne osoby i oznaczać syntetyczne audio. Sesame: regulamin aplikacji oraz omówiony poniżej otwarty checkpoint, który nie jest modelem produkcyjnym.

• Obsługa języków — Ming-3.0-tts-tiny: chiński, angielski, niemiecki, hiszpański, francuski, koreański i japoński, a syczuański i kantoński są dostępne na podstawie klipu referencyjnego w dialekcie. Sesame: angielski to jedyny oficjalnie obsługiwany język; przewodnik zauważa, że asystenci obsługują także francuski, włoski, niemiecki, hiszpański, chiński, japoński i koreański „na wczesnym etapie”, co brzmi bardziej jak ostrzeżenie niż lista funkcji.

• Cena — Ming-3.0-tts-tiny: brak cennika; płacisz za H800 i prąd. Sesame: darmowe w użyciu, brak opublikowanego planu taryfowego, a firma twierdzi, że nie wyświetla reklam i nie sprzedaje danych.

• Niezależny wynik — Ming-3.0-tts-tiny: brak, i w szczególności nie jest to 1,188 Elo, które Artificial Analysis podaje dla „Ming-3.0-tts”, należące do checkpointu 0.5B. Sesame: również brak dla głosu aplikacji. To rzadkie starcie, w którym żadna ze stron nie ma liczby.

Jedyny artefakt Sesame, który deweloper może trzymać w ręku

Na Hugging Face istnieje model Sesame i warto dokładnie wyjaśnić, czym on jest, ponieważ bywa regularnie mylony z głosem w aplikacji.

CSM-1B jest objęty licencją Apache-2.0, obsługuje wyłącznie język angielski i został zbudowany na architekturze, którą firma opisała publicznie: szkielet Llama przewidujący pierwszy codebook audio oraz mniejszy dekoder głębokości przewidujący resztę, z dekodowaniem przez kodek Mimi firmy Kyutai przy 24 kHz. Karta modelu nazywa go „bazowym modelem generatywnym” — zdolnym do tworzenia różnorodnych głosów, nie dostosowanym do żadnego konkretnego, i wprost wskazuje, że to jego pochodna napędza interaktywne demo, a nie sam checkpoint będący demem. Na moment tego zapisu pokazywał około 130 000 pobrań w poprzednim miesiącu i około 2500 polubień, co stanowi realną społeczność deweloperów dla dwuletniego wydania badawczego.

Co to oznacza w praktyce: możesz wczytać architekturę Sesame, dostroić ją i samodzielnie hostować konwersacyjny TTS. Nie możesz wczytać produktu Sesame. Październikowa aktualizacja — nowy CSM z lepszą ekspresyjnością i wymową, jak ujmuje to sama firma — zmieniła to, czego nie możesz mieć, i nie powiedziała o tym nic wymiernego.

Tam, gdzie faktycznie się pokrywają, i tam, gdzie pokrywanie się kończy

Oba są ukierunkowane na mowę, która brzmi jak rozmowa, a nie narracja, a to bynajmniej nie jest drobna wspólna cecha. Sesame zbudował swoją reputację na oddechu, wahaniu i wyczuciu czasu przerw tak przekonującym, że pierwsi słuchacze sądzili, że na linii jest człowiek. Mały model Ant oferuje 14 wbudowanych znaczników paralingwistycznych dla śmiechu, westchnień, oddechu i wahania oraz zadanie podcastu z wieloma mówcami, którego jego własny model 0.5B nie potrafi wykonać.

Poza tym nakładanie się szybko maleje.

Zaletą Sesame jest to, że głos jest osadzony w działającym produkcie z pamięcią, konektorami do Gmaila, Calendar i Drive, własnym komputerem do przeglądania i działania, obsługą MCP przez OAuth oraz — od października — możliwością orkiestrowania innymi agentami. Żadna z tych rzeczy nie jest cechą modelu mowy; to asystent, a mowa jest sposobem, w jaki się z nim rozmawia. Zaletą Ant jest to, że wszystko można sprawdzić. Każdą liczbę w karcie modelu można prześledzić do zbioru testowego, każde zadanie ma przykład do uruchomienia, a pipeline możesz modyfikować samodzielnie.

Asymetria, która rozstrzyga większość ocen, jest prostsza niż każda z obu list: dzięki Ming-3.0-tts-tiny możesz wygenerować to samo zdanie sto razy i posłuchać. W przypadku Sesame nie możesz wygenerować zupełnie nic, więc nie ma żadnego eksperymentu do przeprowadzenia — tylko opinia o aplikacji.

Co Ant publikuje i ile to jest warte

W przypadku takiego zestawienia pokusa jest taka, by wypełnić lukę tabelami benchmarków Anta, a są one obszerne: chiński Seed-TTS z 0,820% błędów słów i 0,781 podobieństwa mówcy, angielski z 1,666% i 0,728, niemiecki 0,325%, hiszpański 0,971%, wyniki paralingwistyczne NVBench wiodące we wszystkich sześciu kategoriach pojedynczych zdarzeń, zestawy dialektów z 86,09% w WSC-Eval-TTS easy, emocje z 74,00% w CV3, projektowanie głosu z 75,37% w InstructTTSEval-ZH.

Każdy z tych wyników to Ant mierzący Anta, na stanowisku testowym Anta, z referencyjnymi klipami i kodem oceniającym Anta, i żaden z nich nie został odtworzony poza firmą. To nie czyni tych liczb błędnymi. Czyni je danymi raportowanymi przez dostawcę, a to oznacza, że nie można ich zestawić z wynikiem Sesame, ponieważ nie ma żadnego wyniku Sesame, z którym można by je zestawić.

Jedynym wynikiem w zestawie, który zachowuje się jak prawdziwe porównanie, jest ten niewygodny: w przypadku koreańskiego Ming-3.0-tts-tiny odnotowuje 6,000% błędu znaków, podczas gdy jego własny model siostrzany 0.5B odnotowuje 1,728%. Karta modelu wymienia koreański wśród znanych słabości i nie podaje żadnego wyjaśnienia. Prawdopodobne wyjaśnienie — rzadkie trasowanie dające słabo wytrenowanemu językowi mniejszą pojemność niż miałby gęsty model o podobnym rozmiarze — jest hipotezą, a nie ustaleniem. Bezpieczna jest interpretacja operacyjna: jeśli koreański jest w zakresie, przetestuj go, zanim mu zaufasz.

Czy można się czegoś nauczyć z modelu Sesame bez samego modelu?

Tak, i jest to najprzydatniejsza rzecz w tym porównaniu po różnicy licencyjnej: Sesame publikuje benchmark. 28 sierpnia 2026 r. udostępnił TurnBench — otwarty benchmark do przejmowania tur w dialogu mówionym: 30 godzin potrójnie anotowanej mowy dwuosobowej, protokół oceniania zaczerpnięty z analizy konwersacyjnej, publiczny ranking oraz wyniki dla 14 systemów, zbudowany we współpracy z Carnegie Mellon, Mundo AI i Oto.

Naprzemienność mówienia to dokładnie ta cecha, której nie potrafią uchwycić ani ranking preferencji Elo, ani tabela błędów słów, a to właśnie z niej słynie produkt Sesame. Jeśli oceniasz Ming-3.0-tts-tiny pod kątem jakiegokolwiek zastosowania konwersacyjnego, TurnBench jest narzędziem, które warto wykorzystać, mimo że nie ma w nim własnej aplikacji Sesame: oceń swojego kandydata pod względem obsługi przerwań i wyczucia momentu na sygnały podtrzymujące rozmowę (backchannel), zamiast zgadywać na podstawie metryki podobieństwa.

Taki jest kształt uczciwego porównania w tym przypadku. Nie Ming-3.0-tts-tiny kontra głos Sesame Preview, którego nie można uruchomić, lecz Ming-3.0-tts-tiny wobec publicznego benchmarku, który Sesame zdefiniowało dla właściwości, o którą oba zabiegają.

Jeśli budujesz to, do czego służy którekolwiek z nich

Realistyczna architektura produktu głosowego w 2026 r. to warstwa mowy plus mózg tekstowy, który decyduje, co powiedzieć, a te dwa elementy zajmują przeciwne końce tego stosu. {{1}}Ming-3.0-tts-tiny{{/1}} może być warstwą mowy, jeśli masz GPU i apetyt na jej ocenę. {{2}}Sesame Preview{{/2}} w ogóle nie może być warstwą; to konkurencyjny produkt, przeciwko któremu budowałbyś swoje rozwiązanie.

Mózg tekstowy to ta część, w której router jest naprawdę przydatny, a nie tylko dekoracyjny. OrcaRouter obsługuje ponad 200 modeli tekstowych za jednym kluczem, w cenie katalogowej dostawcy bez doliczanej marży, więc zmiana ceny przez dostawcę to Twoja cena tego samego dnia, z automatycznym przełączaniem awaryjnym między dostawcami. Aby jasno określić zakres: żaden model mowy Ant nie jest tu trasowany, w tym Ming-3.0-tts-tiny, i żaden model Sesame również nie, w tym CSM-1B. Routingiem objęta jest ta połowa potoku, która pisze scenariusz, wybiera znacznik emocji i decyduje, kiedy agent powinien mówić — a to także ta połowa, w której możesz zmienić dostawcę bez ponownego nagrywania czegokolwiek.

Co obejrzeć zamiast bezpośredniego starcia

Trzy rzeczy uczyniłyby z tego prawdziwe porównanie, a żadna z nich jeszcze nie nastąpiła.

Hostowany endpoint dla Ming-3.0-tts-tiny albo strona trzecia, która publikuje zmierzone opóźnienie i wskaźnik błędów dla tego modelu. Własna roadmapa Ant wspomina o wsparciu vLLM-Omni, co jest kwestią serwowania, a nie jakości, ale stanowi warunek wstępny, by ktokolwiek inny mógł ocenić ten model.

Liczba przypisana do październikowego CSM Sesame. Firma twierdzi, że poprawiły się ekspresyjność i wymowa, a różnica jest duża w przypadku długich rozmów; nie opublikowała jednak żadnego identyfikatora modelu, żadnej wartości opóźnienia ani żadnego benchmarku, a jedynym publicznym pomiarem czegokolwiek choćby zbliżonego pozostaje TurnBench, który ocenia naprzemienność mówienia, a nie jakość głosu.

I koreański wynik od kogokolwiek innego niż Ant. Liczba 6,000% to najwyraźniejsza wada w opublikowanym materiale, a drugi zespół, który by ją odtworzył lub jej zaprzeczył, powiedziałby ci o tym checkpoincie więcej niż jakikolwiek wynik Elo.

Do tego czasu uczciwy werdykt jest mało efektowny: jedno z nich można pobrać, przeaudytować i wdrożyć, na licencji, która na to pozwala, i z zestawem benchmarków, który uruchomił wyłącznie jego autor. Z drugim można porozmawiać na telefonie i je podziwiać, ale nie da się na nim budować.