Ming-3.0-tts vs Sesame Preview: głos, który możesz mieć na własność, kontra głos, który możesz tylko usłyszeć

Można usłyszeć Sesame Preview w ciągu około trzydziestu sekund, a nie można go pobrać za żadną cenę. Możesz pobrać Ming-3.0-tts za darmo na licencji MIT, a nie ma żadnego dopracowanego demo, którego można najpierw wypróbować. Na tej asymetrii opiera się całe porównanie, a większość bezpośrednich zestawień popełnia błąd, traktując oba jako konkurujące ze sobą API do syntezy mowy. Nie są nimi. Sesame Preview to gotowy produkt konsumencki zbudowany wokół głosu, którego Sesame nigdy nie udostępniło; Ming-3.0-tts to model mowy z otwartymi wagami od zespołu inclusionAI z Ant Group, opublikowany 20 października 2026 r., bez żadnego hostowanego interfejsu dla konsumentów. Jedno to restauracja. Drugie to kuchnia.

To nie czyni porównania bezużytecznym. Sprawia raczej, że staje się pytaniem o to, co tak naprawdę chcesz kupić: agenta konwersacyjnego, który działa już dziś, czy głos, który możesz osadzić we własnym produkcie i zachować. Gdy je rozdzielisz, decyzja staje się jaśniejsza, niż sugerują arkusze specyfikacji — i zależy od faktów, których strona marketingowa żadnego z modeli nie podaje wprost.

Trzy rzeczy zwane „Sesame”, z których tylko jednej możesz użyć

Nazewnictwo to pierwsza pułapka. „Sesame Preview” odnosi się do darmowej aplikacji z czterema osobowościami konwersacyjnymi — Maya, Miles, Simone i Charlie. Zadebiutowała jako podgląd webowy w lutym 2025 r., trafiła na iOS pod koniec maja 2026 r., a na Androida 6 sierpnia 2026 r. Wykonuje wyszukiwania w internecie na żywo w trakcie rozmowy i pamięta kontekst w ramach sesji.

To, co napędza tę aplikację, to nie model, który możesz pobrać. Produkcyjny głos Sesame działa na większym, zamkniętym modelu, który nigdy nie został udostępniony. Pobierany artefakt to CSM-1B, Conversational Speech Model: około 1 mld parametrów, Apache-2.0, dostępny po zaakceptowaniu warunków, zbudowany na szkielecie Llama z kodekiem audio Mimi firmy Kyutai o częstotliwości 24 kHz. CSM-1B jest przodkiem głosu demonstracyjnego, a nie głosem demonstracyjnym. To model bazowy, który nie potrafi samodzielnie generować tekstu i wymaga sparowania z modelem językowym.

Uczciwe ujęcie „Ming-3.0-tts vs Sesame Preview” to tak naprawdę dwa porównania nałożone na siebie. W starciu z aplikacją Preview Ming konkuruje możliwościami, a przegrywa pod względem dopracowania i opóźnienia. W starciu z CSM-1B Ming konkuruje bezpośrednio pod względem wag, licencji i kontroli, i wygrywa w większości tych aspektów.

Co Ming-3.0-tts ma do zaoferowania

Ming-3.0-tts to linia syntezy mowy z rodziny pięciu modeli Ming-3.0 firmy Ant, objęta licencją MIT, z wagami na Hugging Face i ModelScope oraz kodem inferencji w osobnym repozytorium GitHub. Jest dostarczany w dwóch checkpointach, które są naprawdę różnymi produktami.

• Ming-3.0-tts-0.5B — gęsty model, oparty na szkielecie Qwen2.5-0.5B z głowicą DiT i tokenizatorem audio, około 2,96 GB. To checkpoint z niezależnymi przebiegami testów porównawczych.

• Ming-3.0-tts-tiny — model mieszanki ekspertów o łącznej liczbie 7,9 mld parametrów i 1,3 mld aktywnych, oparty na szkielecie Ling V3 firmy Ant, około 18 GB, dodający generowanie podcastów z wieloma mówcami. „Tiny” opisuje koszt działania, a nie rozmiar pobierania.

Możliwości istotne dla tego porównania: zero-shot klonowanie głosu na podstawie krótkiego klipu referencyjnego, projektowanie głosu na podstawie opisu w języku naturalnym, tryb reżysera do swobodnej kontroli sposobu mówienia, 14 wbudowanych znaczników paralingwistycznych, takich jak śmiech i westchnienia, jawne kontrolki emocji, szybkości, wysokości i głośności, ponad 100 głosów chińskich i pięć angielskich, siedem języków plus syczuański i kantoński oraz wyjście dźwięku 44,1 kHz.

Test głosu nie rozstrzyga żadnej z tabel wyników.

Reputacja Sesame opiera się na brzmieniu głosów Preview. Potwierdzają to pomiary zewnętrzne: otwartoźródłowa lista rekomendowanych rozwiązań TTS CodeSOTA umieściła Sesame na pierwszym miejscu z MOS 4,7, a CallSphere zmierzył produkcyjny głos Maya na 4,6 MOS. To mocne wyniki i właśnie dzięki nim demo stało się viralem.

Są to również pomiary głosu, którego nie można licencjonować. Istotne pytanie dla dewelopera nie brzmi „jak dobry jest Maya”, lecz „jak dobry jest najlepszy głos, jaki mogę umieścić w swoim produkcie”.

Na niezależnych rankingach {{1}}Ming-3.0-tts{{/1}} jest najmocniejszy dokładnie tam, gdzie liczy się proces klonowania. Controlled Voice Arena od {{2}}Artificial Analysis{{/2}}, w której wykorzystuje się osiem sklonowanych głosów w czterech akcentach amerykańskich i czterech brytyjskich, plasuje {{3}}Ming{{/3}} na 1 069 Elo — pierwsze miejsce wśród modeli otwartych i około 13. miejsce ogółem. Jego wynik w Provider Voice, gdzie model używa własnych wbudowanych głosów, wynosi 1 188 Elo — trzecie miejsce wśród modeli otwartych i około 18. miejsce ogółem. Różnica między tymi dwoma wynikami w jednym zdaniu oddaje charakter modelu: znacznie lepiej odtwarza głos, który mu dostarczysz, niż jest głosem gotowym do użycia od razu.

Ming również zajął ex aequo pierwsze miejsce w ogólnym zestawieniu pod względem odporności wymowy z wynikiem 93,2%, co jest realnym wynikiem, choć osiągniętym o włos. W przypadku pojedynczych terminów — nazw marek, nazw miejsc, odosobnionych nazw własnych — zajmuje 21. miejsce na 31. Odczytuj to jako etykietę ostrzegawczą dla każdego, czyj skrypt zawiera nazwy produktów: wynik zbiorczy to nie ta liczba, której będą dotyczyć Twoje raporty błędów.

Sesame Preview nie pojawia się na tych rankingach w porównywalnej formie. Głosy w jego aplikacji to stałe persony, a nie klony, i nie istnieje publiczny checkpoint modelu produkcyjnego do benchmarkowania. MOS 4.7 to najlepszy dostępny dowód, a mierzy on coś innego.

Kontrola: krzesło reżysera kontra osobowość

Ming traktuje mowę jako sygnał, którym można sterować. Możesz sklonować głos referencyjny, zaprojektować go na podstawie tekstu, oznaczyć wypowiedź śmiechem lub westchnieniem albo opisać sposób mówienia dowolnym językiem. Karta modelu szczerze mówi o tym, gdzie jest to niedoskonałe: znaczniki paralingwistyczne wielu zdarzeń są słabsze niż te dla pojedynczych zdarzeń, kontrola emocji jest trudniejsza, gdy tekst niesie niewiele sygnału emocjonalnego, wysokość dźwięku jest mniej dokładna niż tempo lub głośność, a otwarte projektowanie głosu nadal ustępuje najsilniejszemu systemowi ocenianemu przez zespół. Nic z tego nie jest nietypowe dla pierwszego publicznego wydania. Wszystko to jest udokumentowane, co oferuje więcej niż większość dostawców.

Powierzchnią sterowania Sesame jest rozmowa. Aplikacja zarządza naprzemiennością wypowiedzi, pamięcią i wyszukiwaniem na żywo, a głos jest jednym ze składników agenta, a nie parametrem, który się dostraja. Jej słabością jest druga strona tej integracji: w przypadku wywoływania funkcji zmierzono wskaźnik błędów na poziomie 6,7% wobec 2,1% u konkurenta działającego w czasie rzeczywistym — a to liczba, która ma znaczenie, jeśli chciałbyś zbudować na niej agenta, a nie tylko z nim rozmawiać.

Jeśli Twoim wymaganiem jest „głos, który czyta ten skrypt tak, jak określę”, Ming jest jedynym z tych dwóch, który oferuje takie mechanizmy kontroli. Jeśli Twoim wymaganiem jest „agent głosowy, który prowadzi rozmowę”, Sesame jest jedynym z tych dwóch, który takiego dostarcza.

Język i jakość dźwięku

• Języki — Ming obsługuje chiński, angielski, niemiecki, hiszpański, francuski, koreański i japoński, a także syczuański i kantoński. Sesame Preview stawia najpierw na angielski; aplikacja jest wyłącznie angielska, a wydajność CSM-1B w językach innych niż angielski jest w dużej mierze niesprawdzona.

• Częstotliwość próbkowania — Ming generuje 44,1 kHz. CSM-1B generuje 24 kHz przez kodek Mimi, co jest wystarczające dla mowy konwersacyjnej, ale zauważalnie wąskie dla prac związanych z muzyką lub nadawaniem.

• Katalog głosów — Ming oferuje ponad 100 głosów chińskich i pięć angielskich. Sesame oferuje cztery persony, każda o odrębnym charakterze, co jest przemyślaną decyzją produktową, a nie katalogiem.

• Zakres emocjonalny — Ming udostępnia emocje jako ustawienie z udokumentowanymi ograniczeniami. Ekspresyjność emocjonalna Sesame jest wbudowana w persony i powszechnie uważana za jej największą zaletę; nie jest to też coś, co można regulować.

Opóźnienie to niezaprzeczalna przewaga Sesame.

To jedyny wymiar, w którym porównanie nie jest wyrównane. Sesame Preview strumieniuje z opóźnieniem pierwszego bajtu poniżej 300 ms; dla głosu Maya zmierzono czas do pierwszego bajtu na poziomie 80–130 ms, a dla pełnego agenta — 250–450 ms przy p95 wynoszącym 480 ms. To jakość konwersacyjna i efekt produktu zbudowanego kompleksowo pod dialog w czasie rzeczywistym.

Ming-3.0-tts to kod inferencji klasy badawczej. Nie ma udokumentowanej ścieżki strumieniowania, stosu serwowania ani wartości opóźnienia w karcie modelu. Repozytorium wskazuje przyspieszoną inferencję vLLM-Omni jako plan rozwoju. Dopóki to nie istnieje, porównywanie jego opóźnienia z Sesame to porównywanie stanowiska benchmarkowego z gotowym produktem, a gotowy produkt wygrywa domyślnie.

Ile kosztuje każdy z nich

• Sesame Preview — aplikacja jest darmowa. Głos demonstracyjny nie jest na sprzedaż za żadną cenę, co jest istotnym faktem dla dewelopera.

• CSM-1B — Własne API Sesame podaje ją w cenie około 7 USD za milion znaków przy kontekście 4K, obsługiwana wyłącznie przez Sesame. Przy około 14 znakach na sekundę mowy daje to około 0,35 USD za godzinę audio i jest to najtańsza rozliczana opcja mowy w tym segmencie rynku.

• Ming-3.0-tts — darmowe wagi MIT i rachunek za GPU. Wynajęty H800 za około 2 USD za godzinę GPU, uruchamiający model 0,5B szybciej niż w czasie rzeczywistym, wypada znacznie poniżej stawki rozliczanej przy stałym wolumenie, a powyżej niej przy niskim wolumenie, gdy uczciwie uwzględni się bezczynne moce.

Porównanie kosztów zależy zatem wyłącznie od wolumenu i od tego, czy masz już GPU. Poniżej kilkudziesięciu godzin audio miesięcznie stawka CSM-1B wynosząca $0.35 za godzinę audio jest trudna do pobicia i nie wymaga żadnej infrastruktury. Powyżej kilkuset godzin samodzielne hostowanie Ming jest tańsze i stale tanieje, ponieważ koszt krańcowy generowania wynosi zero. Błędem jest wybór na podstawie ceny katalogowej zamiast stopnia wykorzystania.

Licencjonowanie to miejsce, w którym te dwa faktycznie się rozdzielają

CSM-1B jest objęty licencją Apache-2.0, która jest licencją permisywną, ale dostęp do niego wymaga zaakceptowania regulaminu i nie jest to model użyty w demo. Ming-3.0-tts jest na licencji MIT w przypadku obu checkpointów, bez ograniczeń dostępu, bez kliknięcia akceptacji zasad dopuszczalnego użytkowania i bez wyłączenia komercyjnego. W przypadku przeglądu prawnego, który pyta, czy model można dostrajać na danych głosowych klienta i dostarczać w zamkniętym produkcie, obie odpowiedzi brzmią „tak” — ale tylko jedna z nich dotyczy modelu, którego faktycznie słyszałeś.

To jest ten kompromis w jednym zdaniu: Sesame daje ci lepiej brzmiący głos i zachowuje go dla siebie; Ming daje ci dobrze brzmiący głos, który możesz zabrać do domu.

Gdzie pasuje OrcaRouter — a gdzie nie

Żaden z tych modeli nie jest hostowany na OrcaRouter. Na naszej platformie nie ma punktu końcowego mowy Ming ani punktu końcowego Sesame, a ta strona nie zamierza żadnego wymyślać. Hostujemy natomiast resztę stosu: modele językowe, które piszą i przepisują skrypty, oraz produkcyjne modele mowy, takie jak Gemini 3.1 Flash TTS Preview i GPT-4o mini TTS dla zespołów, które chcą zarządzanego głosu, a nie hostowanego samodzielnie.

Przydatna część to styk między tymi warstwami. Jeśli hostujesz Ming samodzielnie, twój model głosowy nie ma gwarancji dostępności, automatycznego skalowania ani drugiego regionu; warstwa routingu może uczynić tekstową połowę potoku nadmiarową i automatycznie przełączać się w razie awarii, gdy dostawca działa gorzej. Jeden klucz API obejmuje ponad 200 modeli przy 0% narzutu na cenę katalogową dostawcy, a DSL routingu pozwala złożyć ścieżkę główną i awaryjną w jedno wywołanie, zamiast rozpraszać logikę ponowień po całej aplikacji. Fuzja modeli to druga opcja warta poznania: w przypadku czegoś takiego jak adaptacja scenariusza panel modeli odpowiadających wspólnie często przewyższa pojedynczy model, gdy zadanie wymaga osądu, a nie generowania. Nic z tego nie czyni Ming szybszym ani Sesame objętym licencją. Sprawia, że potok wokół dowolnie wybranego głosu przetrwa sytuację, w której głos jest słabym ogniwem.

Decyzja, wyrażona wprost

Jeśli w tym tygodniu chcesz konwersacyjnego agenta głosowego w języku angielskim, Sesame Preview jest gotowym produktem i nic w świecie modeli open-weight nie dorównuje jego latencji ani osobowości od razu po uruchomieniu. Zaakceptuj, że nie możesz licencjonować tego głosu, że budujesz na zamkniętej aplikacji oraz że 4.7 MOS to górna granica tego, co możesz zweryfikować.

Jeśli chcesz głos we własnym produkcie — sklonowany, zaprojektowany, kontrolowany, w siedmiu językach, na warunkach MIT i bez opłaty za znak — Ming-3.0-tts jest wyborem, ale wiążą się z nim dwa warunki. Przetestuj własne słownictwo, zanim zaufasz wynikowi wymowy 93,2%, ponieważ wynik dla terminów w izolacji jest znacznie słabszy. Zaplanuj też kwestie inżynieryjne: ścieżka wnioskowania ma charakter badawczy, nie ma jeszcze obsługi streamingu, a katalog głosów angielskich liczy pięć pozycji.

Jedyne, czego nie powinieneś robić, to odczytywać tego jako konkursu jakości. Głos demonstracyjny Sesame prawdopodobnie rzeczywiście brzmi lepiej niż standardowe angielskie głosy Ming; właśnie to powinien osiągać starannie opracowany produkt z czterema personami zoptymalizowany pod rozmowę. Pytanie brzmi, czy kupujesz głos, czy wynajmujesz doświadczenie jego słuchania. W ofercie jest tylko jedna z tych opcji.