Ming-3.0-tts-tiny против Sesame-Preview: чекпоинт, который можно скачать, против голоса, который нельзя вызвать

Поставьте Ming-3.0-tts-tiny и Sesame Preview в одно предложение, и сравнение разваливается ещё до первого бенчмарка, потому что только одно из них доступно разработчику. Ming-3.0-tts-tiny — это чекпоинт inclusionAI от Ant Group: всего 7,9 млрд параметров, около 1,3 млрд активных на токен, веса под лицензией MIT, опубликованные на Hugging Face, с кодом инференса, появившимся на GitHub 19 октября 2026 года. Sesame Preview — потребительский ассистент: четыре голоса, приложение для iOS и Android, никакого API, никакого ID модели, никакой опубликованной оценки для голоса, который делает его достойным статьи. Один — файл. Другой — продукт. Интересный вопрос не в том, что звучит лучше, — ведь никто не измерял это ни для одного из них так, чтобы можно было сравнить, — а в том, что каждое из них позволяет вам сделать во вторник днём, когда у вас есть сценарий и дедлайн. Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, степень серьёзности, уровень уверенности и флаг спорности.

Здесь даты важны так, как это редко бывает. Репозиторий Ming-3.0-tts-tiny был создан 22 сентября 2026 года, веса выложены 24 сентября, и в течение трёх с половиной недель релиз был непригоден для использования — папка с шардами без опубликованного способа их запуска. Код инференса, примеры запуска в один клик и сборник рецептов по задачам появились одновременно 19 октября в 08:58 UTC. Ant ничего из этого не анонсировала. Sesame Preview, напротив, публично выпускается с весны и получил существенное обновление 6 октября 2026 года, когда директор по продукту компании описал новую Conversational Speech Model, лежащую в основе приложения. Ни то, ни другое не является запуском в том смысле, который подразумевает пресс-релиз, но оба знаменуют движение, и только одно из них сопровождается чем-то, что можно скачать.

Коротко, до доказательств

Если вы создаёте продукт, Sesame Preview не является кандидатом и не может им стать сегодня: нет эндпоинта, к которому можно обратиться, нет лицензии, которую можно прочитать, нет цены и нет гарантии, что голос в приложении — это голос в какой-либо модели. Если вы создаёте продукт и вам нужен голос, которым вы владеете, Ming-3.0-tts-tiny — кандидат: молодой, неоценённый, с самостоятельным хостингом, который заставит вас провести собственную оценку.

Для большинства команд на этом решение и заканчивается. Всё, что ниже, — для случаев, когда это не так: для тех, кто сравнивает их как разговорное аудио, а не как продукты, или взвешивает, стоит ли брать за образец подход Sesame.

Что каждый из них на самом деле даёт вам в руки

• Что вы скачиваете — Ming-3.0-tts-tiny: примерно 18 ГБ, включающих основу Ling V3, голову диффузионного трансформера, аудиотокенизатор, кодировщик диктора CAM++ и текстовый токенизатор. Sesame Preview: приложение из App Store или G​oogle Play — и ничего больше.

• Что можно вызвать — Ming-3.0-tts-tiny: класс Python, MingTinyTTS.from_pretrained, с названиями задач для zero-shot-клонирования, многоязычного синтеза, паралингвистики, диалога для подкастов, эмоций, диалекта, свободного стиля и дизайна голоса. Sesame: чат-интерфейс с четырьмя личностями. Для production-голоса так и не был опубликован ни один ID модели.

• Лицензия — Ming-3.0-tts-tiny: MIT на веса и код, с примечанием об использовании, в котором вас просят не выдавать себя за других людей и маркировать синтетическое аудио. Sesame: условия обслуживания приложения, а также открытый чекпоинт, обсуждаемый ниже, который не является производственной моделью.

• Языковое покрытие — Ming-3.0-tts-tiny: китайский, английский, немецкий, испанский, французский, корейский и японский; сычуаньский и кантонский доступны при использовании эталонного аудиофрагмента на диалекте. Sesame: официально поддерживается только английский; в руководстве отмечено, что ассистенты также «на раннем этапе» работают с французским, итальянским, немецким, испанским, китайским, японским и корейским, что звучит скорее как предупреждение, чем как перечень возможностей.

• Цена — Ming-3.0-tts-tiny: тарифной сетки нет; вы платите за H800 и электроэнергию. Sesame: бесплатно, опубликованного тарифного плана нет, и компания заявляет, что не размещает рекламу и не продаёт данные.

• Независимая оценка — Ming-3.0-tts-tiny: отсутствует, и, в частности, это не те 1 188 Elo, которые Artificial Analysis указывает для «Ming-3.0-tts»; они относятся к чекпоинту 0.5B. Sesame: для голоса приложения тоже отсутствует. Это редкий случай противостояния, когда ни у одной из сторон нет числового показателя.

Единственный артефакт Sesame, который разработчик может подержать в руках

На Hugging Face есть модель Sesame, и стоит точно понимать, что она собой представляет, потому что её регулярно путают с голосом в приложении.

CSM-1B распространяется под лицензией Apache-2.0, поддерживает только английский язык и построен на архитектуре, которую компания описала публично: магистраль Llama предсказывает первую аудиокодовую книгу, а меньший depth-декодер предсказывает остальные, с декодированием через кодек Mimi от Kyutai на частоте 24 кГц. В карточке модели он назван «базовой генеративной моделью» — способной создавать разнообразные голоса и не настроенной под какой-либо конкретный голос; и прямо указано, что интерактивную демонстрацию обеспечивает производная от него модель, а не сам чекпойнт. На момент этого снимка у него было около 130 000 загрузок за предыдущий месяц и примерно 2 500 лайков, что для двухлетнего исследовательского релиза означает реальную аудиторию разработчиков.

Что это значит на практике: вы можете загрузить архитектуру Sesame, дообучить её и развернуть у себя разговорную TTS-систему. Вы не можете загрузить продукт Sesame. Октябрьское обновление — новая CSM с лучшей выразительностью и произношением, по словам самой компании — затронуло то, чего вам не получить, и не сообщило о нём ничего измеримого.

Там, где они действительно пересекаются, и там, где пересечение заканчивается

Обе нацелены на речь, которая звучит как разговор, а не как повествование, и это немалое сходство. Sesame построила репутацию на дыхании, паузах нерешительности и тайминге перебиваний, настолько убедительных, что первые слушатели думали, будто на линии человек. Крошечная модель Ant включает 14 встроенных паралингвистических меток для смеха, вздохов, дыхания и колебаний, а также задачу многоголосного подкаста, с которой не справляется даже её собственная родственная модель 0.5B.

Дальше пересечение быстро редеет.

Преимущество Sesame в том, что голос встроен в работающий продукт с памятью, коннекторами к Gmail, Calendar и Drive, собственным компьютером для просмотра и выполнения действий, поддержкой MCP через OAuth и — с октября — возможностью оркестрировать других агентов. Ничто из этого не является функцией речевой модели; это ассистент, и речь — способ общения с ним. Преимущество Ant в том, что всё можно проверить. Каждое число в карточке модели можно проследить до тестового набора, для каждой задачи есть запускаемый пример, а пайплайн вы можете изменять сами.

Асимметрия, которая решает исход большинства оценок, проще любого из списков: с Ming-3.0-tts-tiny вы можете сгенерировать одно и то же предложение сотню раз и послушать. С Sesame вы не можете сгенерировать вообще ничего, так что эксперимента не поставить — остаётся лишь мнение о приложении.

Что публикует Ant и чего это стоит

Соблазн в сравнении подобного рода — заполнить пробел таблицами бенчмарков Ant, а они обширны: китайский Seed-TTS — 0,820% ошибок в словах и 0,781 сходства диктора, английский — 1,666% и 0,728, немецкий — 0,325%, испанский — 0,971%, паралингвистические результаты NVBench лидируют во всех шести категориях одиночных событий, диалектные наборы — 86,09% на WSC-Eval-TTS easy, эмоции — 74,00% на CV3, голосовой дизайн — 75,37% на InstructTTSEval-ZH.

Каждый из них — это Ant, измеряющий Ant, на стенде Ant, с эталонными клипами Ant и кодом оценки Ant, и ничего из этого не воспроизводилось за пределами компании. Это не делает цифры неверными. Это делает их данными, заявленными поставщиком, и означает, что их нельзя сопоставить с показателем Sesame, потому что нет показателя Sesame, с которым их можно сопоставить.

Единственный результат в наборе, который ведёт себя как настоящее сравнение, — это неудобный: на корейском Ming-3.0-tts-tiny выдаёт 6.000% ошибок на уровне символов, тогда как его собственный собрат 0.5B — 1.728%. В карточке модели корейский указан среди известных слабых мест, и объяснения не приводится. Правдоподобное объяснение — разреженная маршрутизация даёт слабо обученному языку меньше ёмкости, чем дала бы плотная модель сопоставимого размера, — это гипотеза, а не установленный факт. Операционная трактовка — безопасная: если корейский входит в область применения, протестируйте его, прежде чем доверять.

Есть ли чему поучиться у модели Sesame без самой модели?

Да, и после разницы в лицензии это самое полезное в этом сравнении: Sesame публикует бенчмарк. 28 августа 2026 года она выпустила TurnBench — открытый бенчмарк для смены реплик в устном диалоге: 30 часов диадической речи с тройной аннотацией, протокол оценки, основанный на конверсационном анализе, публичная таблица лидеров и результаты для 14 систем, созданный совместно с Carnegie Mellon, Mundo AI и Oto.

Смена реплик — это именно то качество, которое не улавливают ни Elo-таблица предпочтений, ни таблица ошибок в словах, и именно этим качеством знаменит продукт Sesame. Если вы оцениваете Ming-3.0-tts-tiny для чего-либо разговорного, TurnBench — тот инструмент, который стоит взять на вооружение, даже если приложения самой Sesame в нём нет: оценивайте своего кандидата по обработке перебиваний и таймингу бэкчэннелов вместо того, чтобы гадать по метрике сходства.

Вот в чём заключается суть справедливого сравнения здесь. Не Ming-3.0-tts-tiny против голоса Sesame Preview, который невозможно запустить, а Ming-3.0-tts-tiny против публичного бенчмарка, который Sesame определила для свойства, к которому стремятся оба.

Если вы создаёте то, для чего предназначен любой из них

Реалистичная архитектура голосового продукта в 2026 году — это речевой слой плюс текстовый «мозг», который решает, что сказать, и эти два компонента находятся на противоположных концах этого стека. Ming-3.0-tts-tiny может быть речевым слоем, если у вас есть GPU и желание его оценить. Sesame Preview вообще не может быть слоем; это конкурирующий продукт, против которого вы будете строить свой.

Текстовый мозг — это та часть, где маршрутизатор действительно полезен, а не декоративен. OrcaRouter предоставляет более 200 текстовых моделей под одним ключом, по прайсовой цене провайдера без добавленной наценки, поэтому изменение цены поставщика становится вашей ценой в тот же день, с автоматическим переключением при сбое между провайдерами. Если говорить об охвате прямо: ни одна речевая модель Ant здесь не маршрутизируется, включая Ming-3.0-tts-tiny, и ни одна модель Sesame тоже, включая CSM-1B. Маршрутизируется та половина конвейера, которая пишет сценарий, выбирает тег эмоции и решает, когда агенту следует говорить, — и это также та половина, для которой можно сменить поставщиков без повторной записи чего-либо.

Что посмотреть вместо очной встречи

Три вещи превратили бы это в настоящее сравнение, и ни одна из них пока не произошла.

Хостинговый эндпоинт для Ming-3.0-tts-tiny или третья сторона, которая публикует измеренные задержку и частоту ошибок для него. В собственной дорожной карте Ant упоминается поддержка vLLM-Omni — это вопрос обслуживания, а не качества, но это предварительное условие для любого, кто будет оценивать модель.

Цифра, привязанная к октябрьской CSM от Sesame. Компания утверждает, что выразительность и произношение улучшились и что разница велика в долгих разговорах; она не опубликовала ни идентификатор модели, ни показатель задержки, ни бенчмарк, а единственным публичным измерением чего-либо смежного остаётся TurnBench, который оценивает смену реплик, а не качество голоса.

И корейский результат от кого-либо, кроме Ant. Показатель 6.000% — самый явный дефект в опубликованных данных, и если бы вторая команда воспроизвела или опровергла его, это сказало бы вам больше об этом чекпоинте, чем любой показатель Elo.

А до тех пор честный вердикт звучит прозаично: одно из них можно скачать, проверить и выпустить — с лицензией, которая это разрешает, и набором бенчмарков, который запускал только его автор. С другим можно поговорить по телефону, полюбоваться им — и не строить на нём.