Ming-3.0-tts-tiny vs Sesame-Preview: Um checkpoint que você pode baixar versus uma voz que você não pode chamar

Coloque Ming-3.0-tts-tiny e Sesame Preview na mesma frase e a comparação desmorona antes do primeiro benchmark, porque apenas um deles é algo que um desenvolvedor consegue obter. O Ming-3.0-tts-tiny é o checkpoint inclusionAI do Ant Group: 7,9 bilhões de parâmetros no total, cerca de 1,3 bilhão ativos por token, pesos licenciados sob MIT publicados no Hugging Face com código de inferência que chegou ao GitHub em 19 de outubro de 2026. O Sesame Preview é um assistente para consumidores — quatro vozes, um app para iOS e Android, sem API, sem ID de modelo, nenhuma pontuação publicada para a voz que faz valer a pena escrever sobre ele. Um é um arquivo. O outro é um produto. A pergunta interessante não é qual soa melhor, já que ninguém mediu isso de nenhum dos lados de forma comparável, mas o que cada um permite fazer numa terça-feira à tarde quando você tem um roteiro e um prazo. As falhas de IA e incidentes com agentes documentados por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, severidade, grau de confiança e indicador de contestação.

A cronologia importa aqui de um modo que raramente acontece. O repositório do Ming-3.0-tts-tiny foi criado em 22 de setembro de 2026, os pesos foram publicados em 24 de setembro e, por três semanas e meia, o lançamento ficou inutilizável — uma pasta de shards sem nenhuma forma publicada de executá-los. O código de inferência, os exemplos com um clique e o cookbook de tarefas apareceram juntos em 19 de outubro às 08:58 UTC. A Ant não anunciou nada disso. O Sesame Preview, em contrapartida, vem sendo disponibilizado publicamente desde a primavera e recebeu uma atualização de verdade em 6 de outubro de 2026, quando o diretor de produtos da empresa descreveu um novo Conversational Speech Model por trás do aplicativo. Nenhum dos dois é um lançamento no sentido que um comunicado de imprensa dá à palavra, mas ambos são movimentos, e só um deles vem com algo que você pode baixar.

A versão curta, antes das evidências

Se você está construindo um produto, o Sesame Preview não é um candidato e não pode se tornar um hoje: não há endpoint para chamar, nem licença para ler, nem preço, e nenhum compromisso de que a voz no aplicativo seja a voz em qualquer modelo. Se você está construindo um produto e precisa de uma voz que você possua, o Ming-3.0-tts-tiny é um candidato — um jovem, sem pontuação, auto-hospedado, que fará você fazer sua própria avaliação.

Essa é toda a decisão para a maioria das equipes. Tudo abaixo é para os casos em que não é: os que os comparam como áudio conversacional em vez de como produtos, ou ponderando se a abordagem da Sesame é a que deve ser copiada.

O que cada um realmente coloca em suas mãos

• O que você baixa — Ming-3.0-tts-tiny: cerca de 18 GB contendo o backbone Ling V3, uma cabeça de transformer de difusão, um tokenizador de áudio, um codificador de locutor CAM++ e um tokenizador de texto. Sesame Preview: um aplicativo da App Store ou do G​oogle Play, e nada mais.

• O que você pode chamar — Ming-3.0-tts-tiny: uma classe Python, MingTinyTTS.from_pretrained, com nomes de tarefas para clonagem zero-shot, síntese multilíngue, paralinguística, diálogo de podcast, emoção, dialeto, estilo livre e design de voz. Sesame: uma interface de chat com quatro personalidades. Nenhum ID de modelo jamais foi publicado para a voz de produção.

• Licença — Ming-3.0-tts-tiny: MIT para pesos e código, com uma nota de uso pedindo que você não se passe por outras pessoas e identifique áudios sintéticos. Sesame: os termos de serviço do aplicativo, além de um checkpoint aberto discutido abaixo que não é o modelo de produção.

• Cobertura de idiomas — Ming-3.0-tts-tiny: chinês, inglês, alemão, espanhol, francês, coreano e japonês, com sichuanês e cantonês disponíveis a partir de um clipe de referência de dialeto. Sesame: o inglês é o único idioma oficialmente suportado; o guia observa que os assistentes também lidam com francês, italiano, alemão, espanhol, chinês, japonês e coreano "em estágio inicial", o que soa como um aviso, e não como uma lista de recursos.

• Preço — Ming-3.0-tts-tiny: sem tabela de preços; você paga por um H800 e pela eletricidade. Sesame: gratuito para uso, sem nível de plano publicado, e a empresa afirma que não veicula anúncios e não vende dados.

• Pontuação independente — Ming-3.0-tts-tiny: nenhuma, e especificamente não os 1.188 de Elo que o Artificial Analysis lista para "Ming-3.0-tts", que pertence ao checkpoint de 0,5B. Sesame: nenhuma para a voz do aplicativo também. Este é o raro confronto em que nenhum dos lados tem um número.

O único artefato Sesame que um desenvolvedor pode segurar

Há um modelo Sesame no Hugging Face, e vale a pena ser preciso sobre o que ele é, porque ele é rotineiramente confundido com a voz no aplicativo.

CSM-1B é Apache-2.0, apenas em inglês e construído sobre a arquitetura que a empresa descreveu publicamente: um backbone Llama que prevê o primeiro codebook de áudio e um decodificador de profundidade menor que prevê o restante, decodificando por meio do codec Mimi, da Kyutai, a 24 kHz. O card do modelo o chama de "um modelo base de geração" — capaz de produzir vozes variadas, não ajustado a nenhuma em particular e, explicitamente, o que alimenta a demo interativa é uma derivada dele, e não o checkpoint em si que é a demo. No momento desta captura, ele mostrava cerca de 130.000 downloads no mês anterior e aproximadamente 2.500 curtidas, o que representa um público real de desenvolvedores para um lançamento de pesquisa de dois anos.

O que isso significa na prática: você pode carregar a arquitetura do Sesame, fazer fine-tuning nela e auto-hospedar um TTS conversacional. Você não pode carregar o produto do Sesame. A atualização de outubro — um novo CSM com melhor expressividade e pronúncia, nas palavras da própria empresa — mexeu na coisa que você não pode ter e não disse nada mensurável sobre ela.

Onde eles realmente se sobrepõem, e onde a sobreposição termina

Ambos visam uma fala que soe como conversa, e não como narração, e isso não é pouca coisa em comum. A Sesame construiu sua reputação com respiração, hesitação e timing de interrupção tão convincentes que os primeiros ouvintes presumiam que havia uma pessoa na linha. O modelo minúsculo da Ant traz 14 tags paralinguísticas inline para riso, suspiros, respiração e hesitação, além de uma tarefa de podcast com vários falantes que seu próprio irmão de 0,5B não consegue realizar.

A partir daí, a sobreposição diminui rapidamente.

A vantagem do Sesame é que a voz está incorporada a um produto funcional, com memória, conectores para Gmail, Calendar e Drive, um computador próprio para navegar e agir, suporte a MCP via OAuth e, desde outubro, a capacidade de orquestrar outros agentes. Nada disso é um recurso de modelo de fala; é um assistente, e a fala é como você conversa com ele. A vantagem do Ant é que tudo é inspecionável. Cada número na ficha do modelo pode ser rastreado até um conjunto de teste, cada tarefa tem um exemplo executável e o pipeline é seu para modificar.

A assimetria que decide a maioria das avaliações é mais simples do que qualquer uma das duas listas: com o Ming-3.0-tts-tiny, você pode gerar a mesma frase cem vezes e ouvi-la. Com o Sesame, você não consegue gerar absolutamente nada, então não há experimento a executar — apenas uma opinião sobre um aplicativo.

O que o Ant publica, e quanto isso vale

A tentação com um confronto como este é preencher a lacuna com as tabelas de benchmark da Ant, e elas são extensas: Seed-TTS chinês com 0,820% de erro de palavra e 0,781 de similaridade de locutor, inglês com 1,666% e 0,728, alemão 0,325%, espanhol 0,971%, resultados paralinguísticos do NVBench liderando todas as seis categorias de evento único, conjuntos de dialetos com 86,09% no WSC-Eval-TTS easy, emoção com 74,00% no CV3, design de voz com 75,37% no InstructTTSEval-ZH.

Cada um desses casos é a Ant medindo a Ant, no harness da Ant, com os clipes de referência e o código de pontuação da Ant, e nada disso foi reproduzido fora da empresa. Isso não torna os números errados. Torna-os divulgados pelo próprio fornecedor, e significa que não podem ser comparados a um número da Sesame, porque não existe nenhum número da Sesame com que compará-los.

O único resultado da suíte que se comporta como uma comparação real é o desconfortável: em coreano, o Ming-3.0-tts-tiny registra 6,000% de erro de caractere, enquanto seu próprio irmão de 0,5B registra 1,728%. O card do modelo lista o coreano entre as fraquezas conhecidas e não oferece explicação. Uma explicação plausível — o roteamento esparso conferindo a um idioma pouco treinado menos capacidade do que teria um modelo denso de tamanho semelhante — é uma hipótese, não um achado. A leitura operacional é a segura: se o coreano estiver no escopo, teste-o antes de confiar nele.

Há algo a aprender com o modelo da Sesame sem o modelo?

Sim, e é a coisa mais útil desta comparação depois da diferença de licença: a Sesame publica um benchmark. Em 28 de agosto de 2026, lançou o TurnBench, um benchmark aberto para a alternância de turnos em diálogo falado — 30 horas de fala diádica com tripla anotação, um protocolo de pontuação baseado em análise da conversa, uma tabela de classificação pública e resultados para 14 sistemas, desenvolvido com Carnegie Mellon, Mundo AI e Oto.

A alternância de turnos é exatamente a qualidade que uma tabela Elo de preferência e uma tabela de erro de palavras não conseguem capturar, e é a qualidade pela qual o produto da Sesame é famoso. Se você está avaliando o Ming-3.0-tts-tiny para qualquer coisa conversacional, o TurnBench é o instrumento a usar, mesmo que o app da própria Sesame não esteja nele: avalie seu candidato quanto ao tratamento de interrupções e ao timing de backchannel em vez de adivinhar com base em uma métrica de similaridade.

Essa é a forma de uma comparação justa aqui. Não Ming-3.0-tts-tiny versus a voz do Sesame Preview, que não pode ser executada, mas Ming-3.0-tts-tiny contra um benchmark público que a Sesame definiu para a propriedade que ambos buscam.

Se você está construindo aquilo para o que qualquer um dos dois serve

A arquitetura realista de 2026 para um produto de voz é uma camada de fala mais um cérebro de texto que decide o que dizer, e esses dois ocupam extremos opostos dessa pilha. Ming-3.0-tts-tiny pode ser a camada de fala, se você tiver uma GPU e disposição para avaliá-lo. Sesame Preview não pode ser uma camada de forma alguma; é um produto concorrente contra o qual você estaria construindo.

O cérebro de texto é a parte em que um roteador é genuinamente útil, e não apenas decorativo. O OrcaRouter reúne mais de 200 modelos de texto por trás de uma única chave, pelo preço de tabela do provedor, sem acréscimo de margem, então uma mudança de preço de um fornecedor é o seu preço no mesmo dia, com failover automático entre provedores. Para deixar a cobertura explícita: nenhum modelo de fala da Ant é uma rota aqui, incluindo o Ming-3.0-tts-tiny, e nenhum modelo da Sesame também é, incluindo o CSM-1B. O que é roteado é a metade do pipeline que escreve o roteiro, escolhe a tag de emoção e decide quando o agente deve falar — que também é a metade em que você pode trocar de fornecedor sem regravar nada.

O que assistir em vez de um confronto direto

Três coisas tornariam isto numa comparação real, e nenhuma delas aconteceu ainda.

Um endpoint hospedado para o Ming-3.0-tts-tiny, ou um terceiro que publique uma latência e uma taxa de erro medidas para ele. O roadmap da própria Ant menciona suporte ao vLLM-Omni, o que é uma questão de serving e não de qualidade, mas é o pré-requisito para qualquer outra pessoa avaliar o modelo.

Um número atribuído ao CSM de outubro da Sesame. A empresa diz que a expressividade e a pronúncia melhoraram e que a diferença é grande em conversas longas; não publicou nenhum ID de modelo, nenhum número de latência e nenhum benchmark, e a única medição pública de algo adjacente continua sendo o TurnBench, que avalia a alternância de turnos em vez da qualidade da voz.

E um resultado coreano de qualquer pessoa que não seja a Ant. A cifra de 6,000% é o defeito mais evidente no registro publicado, e uma segunda equipe que a reproduza ou contrarie lhe diria mais sobre este checkpoint do que qualquer pontuação Elo poderia.

Até então, o veredito honesto é pouco glamoroso: um deles você pode baixar, auditar e distribuir, com uma licença que o permite e uma suíte de benchmarks que só o autor executou. Com o outro, você pode conversar no celular, admirá-lo, mas não construir sobre ele.