Ming-3.0-tts vs Sesame Preview: a voz que você pode possuir contra a voz que você só pode ouvir

Você pode ouvir Sesame Preview em cerca de trinta segundos e não pode baixá-lo por preço algum. Você pode baixar Ming-3.0-tts gratuitamente sob a licença MIT e não há uma demonstração refinada para experimentar antes. Essa assimetria é toda a comparação, e a maioria das comparações diretas erra ao tratar os dois como APIs concorrentes de conversão de texto em fala. Eles não são. Sesame Preview é um produto de consumo finalizado construído em torno de uma voz que a Sesame nunca lançou; Ming-3.0-tts é um modelo de fala de pesos abertos da equipe inclusionAI do Ant Group, publicado em 20 de outubro de 2026, sem qualquer front-end de consumidor hospedado. Um é um restaurante. O outro é uma cozinha.

Isso não torna a comparação inútil. Torna-a uma questão sobre o que você está realmente tentando comprar: um agente conversacional que funciona hoje, ou uma voz que você pode colocar dentro do seu próprio produto e manter. Depois que você separa essas duas coisas, a decisão fica mais clara do que as fichas técnicas sugerem — e depende de fatos que a página de marketing de nenhum dos dois modelos declara abertamente.

Três coisas chamadas "Sesame", das quais apenas uma você pode usar

A nomenclatura é a primeira armadilha. "Sesame Preview" refere-se à aplicação gratuita com quatro personas conversacionais — Maya, Miles, Simone e Charlie. Foi lançada como pré-visualização web em fevereiro de 2025, chegou ao iOS no final de maio de 2026 e ao Android a 6 de agosto de 2026. Realiza pesquisas na web em tempo real durante a conversa e memoriza o contexto ao longo de uma sessão.

O que alimenta esse aplicativo não é o modelo que você pode baixar. A voz de produção da Sesame roda em um modelo maior e fechado que nunca foi lançado. O artefato disponível para download é o CSM-1B, o Conversational Speech Model: cerca de 1 bilhão de parâmetros, Apache-2.0, condicionado à aceitação de termos, construído sobre uma base Llama com o codec de áudio Mimi da Kyutai a 24 kHz. O CSM-1B é o ancestral da voz de demonstração, não a voz de demonstração. É um modelo base que não consegue gerar texto sozinho e precisa de um modelo de linguagem emparelhado com ele.

Então, a forma honesta de enquadrar "Ming-3.0-tts vs Sesame Preview" são, na verdade, duas comparações sobrepostas. Contra o app Preview, o Ming compete em capacidade e perde em refinamento e latência. Contra o CSM-1B, o Ming compete diretamente em pesos, licença e controle, e vence na maioria deles.

O que o Ming-3.0-tts traz de vantagens

Ming-3.0-tts é a linha de síntese de fala da família Ming-3.0 de cinco modelos da Ant, licenciada sob MIT, com pesos no Hugging Face e no ModelScope e código de inferência em um repositório separado no GitHub. Ela é distribuída em dois checkpoints que são genuinamente produtos diferentes.

• Ming-3.0-tts-0.5B — denso, em uma base Qwen2.5-0.5B com uma cabeça DiT e um tokenizador de áudio, cerca de 2,96 GB. Este é o checkpoint com execuções independentes de benchmark.

• Ming-3.0-tts-tiny — um mixture of experts de 7,9B no total e 1,3B ativos, sobre o backbone Ling V3 da Ant, cerca de 18 GB, que adiciona geração de podcasts com vários locutores. "Tiny" descreve o custo de execução, não o tamanho do download.

Capacidades que importam para esta comparação: clonagem de voz zero-shot a partir de um clipe de referência curto, design de voz a partir de uma descrição em linguagem natural, um modo diretor para controle livre da entrega, 14 tags paralinguísticas inline, como risadas e suspiros, emoção explícita, controles de velocidade, tom e volume, mais de 100 vozes em chinês e cinco em inglês, sete idiomas além de sichuanês e cantonês, e saída em 44,1 kHz.

O teste de voz não resolve nenhum dos rankings.

A reputação da Sesame se baseia em como soam as vozes do Preview. Medições de terceiros confirmam isso: a seleção de TTS de código aberto da CodeSOTA colocou a Sesame em primeiro lugar com 4,7 de MOS, e a CallSphere mediu a voz Maya de produção em 4,6 de MOS. Esses são números fortes, e são o motivo pelo qual a demonstração viralizou.

Elas também são medições de uma voz que você não pode licenciar. A pergunta relevante para um desenvolvedor não é "quão boa é a Maya", mas "quão boa é a melhor voz que posso colocar no meu produto".

Nos rankings independentes, o Ming-3.0-tts é mais forte exatamente onde vive um fluxo de trabalho de clonagem. A Controlled Voice Arena da Artificial Analysis, que usa oito vozes clonadas em quatro sotaques dos EUA e quatro do Reino Unido, coloca o Ming com 1.069 Elo — primeiro entre os modelos de pesos abertos e por volta do 13º lugar no geral. Sua pontuação no Provider Voice, em que um modelo usa suas próprias vozes padrão, é 1.188 Elo, terceiro entre os modelos de pesos abertos e por volta do 18º no geral. A diferença entre esses dois resultados resume o caráter do modelo em uma frase: ele é muito melhor em reproduzir uma voz que você fornece do que em ser uma voz pronta de fábrica.

Ming também empatou em primeiro lugar geral em Robustez de Pronúncia, com 93,2%, o que é um resultado real e apertado. Em termos isolados — nomes de marcas, nomes de lugares, substantivos próprios isolados —, ele fica em 21º de 31. Leia isso como um rótulo de aviso para qualquer pessoa cujo script contenha nomes de produtos: a pontuação agregada não é o número sobre o qual seus relatórios de bug tratarão.

O Sesame Preview não aparece nesses rankings de forma comparável. As vozes do app são personas fixas, não clones, e não há checkpoint público do modelo de produção para servir de referência. O MOS de 4,7 é a melhor evidência disponível e mede uma coisa diferente.

Controle: uma cadeira de diretor versus uma personalidade

Ming trata a fala como um sinal controlável. Você pode clonar uma voz de referência, projetar uma a partir de texto, marcar um enunciado com uma risada ou um suspiro, ou instruir a entrega em linguagem livre. A ficha do modelo é franca sobre onde isso é imperfeito: tags paralinguísticas de múltiplos eventos são mais fracas que as de evento único, o controle de emoção é mais difícil quando o texto carrega pouco sinal emocional, o tom é menos preciso que a velocidade ou o volume, e o design de voz aberto ainda fica atrás do sistema mais forte avaliado pela equipe. Nada disso é incomum em um primeiro lançamento público. Tudo isso está documentado, o que é mais do que a maioria dos fornecedores oferece.

A interface de controle do Sesame é uma conversa. O app gerencia a alternância de turnos, a memória e a busca ao vivo, e a voz é um componente de um agente, não um parâmetro que você ajusta. Sua fraqueza é o outro lado dessa integração: a chamada de funções foi medida com uma taxa de erro de 6,7%, contra 2,1% de um concorrente em tempo real, que é o tipo de número que importa se você quisesse construir um agente sobre ele em vez de conversar com um.

Se o seu requisito é "uma voz que lê este roteiro da forma que eu especificar", Ming é a única das duas que oferece os controles. Se o seu requisito é "um agente de voz que conduz uma conversa", Sesame é a única das duas que oferece um.

Idioma e qualidade de áudio

• Idiomas — O Ming cobre chinês, inglês, alemão, espanhol, francês, coreano e japonês, além de sichuanês e cantonês. O Sesame Preview prioriza o inglês; o app é somente em inglês, e o desempenho do CSM-1B em idiomas diferentes do inglês é em grande parte não testado.

• Taxa de amostragem — O Ming gera 44,1 kHz. O CSM-1B gera 24 kHz por meio do codec Mimi, o que é adequado para fala conversacional e nitidamente estreito para trabalhos relacionados a música ou de broadcast.

• Catálogo de vozes — A Ming oferece mais de 100 vozes em chinês e cinco em inglês. A Sesame oferece quatro personas, cada uma com um caráter distinto, o que é uma decisão de produto curada em vez de um catálogo.

• Amplitude emocional — O Ming expõe a emoção como um controle com limites documentados. A expressividade emocional do Sesame está incorporada nas personas e é amplamente considerada sua qualidade mais forte; também não é algo que você possa ajustar.

A latência é a vitória indiscutível da Sesame

Este é o único eixo em que a comparação não chega perto. O Sesame Preview faz streaming com latência de primeiro byte inferior a 300 ms; a voz Maya foi medida em 80–130 ms de tempo até o primeiro byte, e o agente completo em 250–450 ms, com p95 de 480 ms. Isso é de nível conversacional, e é o resultado de um produto construído de ponta a ponta para diálogo em tempo real.

Ming-3.0-tts é código de inferência de nível de pesquisa. Não há caminho de streaming documentado, nem stack de serving, nem número de latência no model card. O repositório aponta a inferência acelerada do vLLM-Omni como roadmap. Até que isso exista, comparar sua latência com a do Sesame é comparar um harness de benchmark a um produto já lançado, e o produto já lançado vence por padrão.

Quanto custa cada um

• Sesame Preview — o aplicativo é gratuito. A voz de demonstração não está à venda por preço algum, o que é o fato relevante para um desenvolvedor.

• CSM-1B — A própria API da Sesame o lista a cerca de US$ 7 por milhão de caracteres, com contexto de 4K, servido exclusivamente pela Sesame. A aproximadamente 14 caracteres por segundo de fala, isso equivale a cerca de US$ 0,35 por hora de áudio, e é a opção de fala medida mais barata neste segmento do mercado.

• Ming-3.0-tts — pesos MIT gratuitos e uma conta de GPU. Um H800 alugado a cerca de US$ 2 por hora de GPU, executando um modelo de 0,5B acima do tempo real, fica bem abaixo da tarifa medida em volume sustentado, e acima dela em volume baixo quando a capacidade ociosa é contabilizada honestamente.

A comparação de custos, portanto, depende inteiramente do volume e de você já possuir GPUs. Abaixo de algumas dezenas de horas de áudio por mês, o custo de US$ 0,35 por hora de áudio do CSM-1B é difícil de superar e não exige infraestrutura. Acima de algumas centenas de horas, hospedar o Ming por conta própria é mais barato e continua ficando mais barato, porque a geração marginal não custa nada. O erro é escolher pelo preço de etiqueta em vez da utilização.

É no licenciamento que os dois realmente se separam

O CSM-1B está sob Apache-2.0, que é uma licença permissiva, mas está condicionado à aceitação de termos e não é o modelo da demonstração. O Ming-3.0-tts é MIT em ambos os checkpoints, sem restrição de acesso, sem aceite de uso aceitável por clique e sem ressalva comercial. Para uma revisão jurídica que pergunta se o modelo pode ser ajustado com dados de voz de clientes e distribuído dentro de um produto fechado, ambas as respostas são sim — mas apenas uma delas é o modelo que você realmente ouviu.

Esse é o trade-off em uma frase: a Sesame oferece a voz que soa melhor e fica com ela; a Ming oferece uma voz que soa bem e que você pode levar para casa.

Onde o OrcaRouter se encaixa — e onde não se encaixa

Nenhum dos modelos está hospedado no OrcaRouter. Não há endpoint de fala Ming nem endpoint Sesame em nossa plataforma, e esta página não vai inventar nenhum. O que hospedamos é o restante da stack: os modelos de linguagem que escrevem e reescrevem roteiros, e modelos de fala prontos para produção como Gemini 3.1 Flash TTS Preview e GPT-4o mini TTS para equipes que querem uma voz gerenciada em vez de uma auto-hospedada.

A parte útil é a costura entre essas camadas. Se você hospeda o Ming por conta própria, seu modelo de voz não tem garantia de disponibilidade, nem escalonamento automático, nem segunda região; a camada de roteamento pode tornar a metade de texto do pipeline redundante e fazer failover automaticamente quando um provedor degradar. Uma única chave de API cobre mais de 200 modelos a 0% de markup sobre o preço de tabela do provedor, e a DSL de roteamento permite compor um caminho primário e um fallback em uma única chamada, em vez de espalhar lógica de novas tentativas pela sua aplicação. A fusão de modelos é a outra opção que vale conhecer: para algo como adaptação de roteiro, um painel de modelos respondendo em conjunto muitas vezes supera um único modelo quando a tarefa é de julgamento, não de geração. Nada disso torna o Ming mais rápido ou o Sesame licenciável. Isso faz com que o pipeline em torno da voz que você escolher sobreviva quando a voz é o elo fraco.

A decisão, dita claramente

Se você quer um agente de voz conversacional em inglês esta semana, o Sesame Preview é o produto finalizado, e nada no mundo de pesos abertos iguala sua latência ou sua personalidade pronta para uso. Aceite que você não pode licenciar a voz, que está construindo sobre um aplicativo fechado e que o 4.7 MOS é o teto do que você consegue verificar.

Se você quer uma voz dentro do seu próprio produto — clonada, projetada, controlada, em sete idiomas, com termos MIT e sem cobrança por caractere — a Ming-3.0-tts é a escolha, com duas condições atreladas. Teste o seu próprio vocabulário antes de confiar na pontuação de pronúncia de 93,2%, porque o resultado com termos isolados é bem mais fraco. E planeje a engenharia: o caminho de inferência é de nível de pesquisa, ainda não há suporte a streaming, e o catálogo de vozes em inglês tem apenas cinco vozes.

A única coisa que você não deve fazer é interpretar isto como um concurso de qualidade. A voz de demonstração da Sesame provavelmente soa melhor do que as vozes padrão em inglês da Ming; é o que um produto curado de quatro personas otimizado para conversação deveria alcançar. A questão é se você está comprando a voz ou alugando a experiência de ouvi-la. Apenas uma dessas opções está no cardápio.