Ming-3.0-tts против Sesame Preview: голос, которым вы можете владеть, против голоса, который вы можете только слышать

Вы можете услышать Sesame Preview примерно за тридцать секунд, но не можете скачать его ни за какие деньги. Скачать Ming-3.0-tts можно бесплатно по лицензии MIT, и нет отполированного демо, чтобы сначала попробовать. Вся суть сравнения — в этой асимметрии, и большинство прямых сопоставлений ошибаются, когда рассматривают эти два продукта как конкурирующие API синтеза речи. Но это не так. Sesame Preview — это готовый потребительский продукт, построенный вокруг голоса, который Sesame так и не выпустила; Ming-3.0-tts — это речевая модель с открытыми весами от команды inclusionAI в Ant Group, опубликованная 20 октября 2026 года, и у неё вообще нет размещённого потребительского интерфейса. Первый — ресторан. Второй — кухня.

Это не делает сравнение бесполезным. Оно превращает его в вопрос о том, что вы на самом деле пытаетесь купить: разговорного агента, который работает уже сегодня, или голос, который можно встроить в собственный продукт и сохранить у себя. Как только вы разделите эти варианты, решение станет яснее, чем предполагают таблицы характеристик, — и оно зависит от фактов, которые ни одна из маркетинговых страниц моделей не излагает прямо.

Три вещи под названием «Sesame», но использовать можно только одну из них.

Первая ловушка — само название. «Sesame Preview» — это бесплатное приложение с четырьмя собеседниками-персонами: Майей, Майлзом, Симоной и Чарли. Оно появилось как веб-превью в феврале 2025 года, в конце мая 2026 года добралось до iOS, а 6 августа 2026 года — до Android. Оно выполняет поиск в интернете в реальном времени прямо посреди разговора и запоминает контекст в рамках сессии.

То, что приводит в действие это приложение, — не та модель, которую можно скачать. Голос Sesame в продакшене работает на более крупной закрытой модели, которая никогда не публиковалась. Доступный для скачивания артефакт — это CSM-1B, Conversational Speech Model: около 1 млрд параметров, Apache-2.0, доступ предоставляется после принятия условий, построена на основе Llama с аудиокодеком Mimi от Kyutai на 24 кГц. CSM-1B — предок демонстрационного голоса, а не сам демонстрационный голос. Это базовая модель, которая не может самостоятельно генерировать текст, и ей нужна языковая модель в паре.

Итак, честная формулировка «Ming-3.0-tts vs Sesame Preview» — это на самом деле два сравнения, наложенных друг на друга. В сравнении с приложением Preview Ming конкурирует возможностями и проигрывает по отполированности и задержке. В сравнении с CSM-1B Ming напрямую конкурирует по весам, лицензии и контролю и выигрывает по большинству этих пунктов.

Что Ming-3.0-tts может предложить

Ming-3.0-tts — это линейка синтеза речи в составе семейства Ming-3.0 из пяти моделей от Ant, распространяемая под лицензией MIT: веса доступны на Hugging Face и ModelScope, а код инференса — в отдельном репозитории на GitHub. Она поставляется в виде двух чекпоинтов, которые представляют собой по-настоящему разные продукты.

• Ming-3.0-tts-0.5B — плотная модель на основе Qwen2.5-0.5B с DiT-головой и аудиотокенизатором, около 2,96 ГБ. Это контрольная точка с независимыми прогонами бенчмарков.

• Ming-3.0-tts-tiny — это смесь экспертов с 7,9 млрд общих и 1,3 млрд активных параметров на базе Ling V3 от Ant, около 18 ГБ, с добавлением генерации подкастов с несколькими спикерами. «Tiny» описывает затраты на выполнение, а не размер загрузки.

Возможности, важные для этого сравнения: zero-shot-клонирование голоса по короткому референсному фрагменту, создание голоса по описанию на естественном языке, режим режиссёра для свободного управления подачей, 14 встроенных паралингвистических тегов, таких как смех и вздохи, явное управление эмоцией, скоростью, высотой тона и громкостью, более 100 китайских голосов и пять английских, семь языков плюс сычуаньский и кантонский, а также вывод с частотой 44,1 кГц.

Голосовой тест не определяет ни одну из таблиц лидеров.

Репутация Sesame держится на том, как звучат голоса Preview. Измерения независимых сторон это подтверждают: открытый шорт-лист TTS от CodeSOTA поставил Sesame на первое место с MOS 4,7, а CallSphere измерила голос Maya в продакшене на уровне 4,6 MOS. Это сильные показатели, и именно благодаря им демо стало вирусным.

{{1}}Это также измерения голоса, который вы не можете лицензировать.{{/1}} Для разработчика актуальный вопрос не «насколько хороша Maya», а «насколько хорош лучший голос, который я могу использовать в своём продукте».

В независимых рейтингах Ming-3.0-tts сильнее всего именно там, где и живёт рабочий процесс клонирования. Controlled Voice Arena от Artificial Analysis, использующая восемь клонированных голосов с четырьмя американскими и четырьмя британскими акцентами, ставит Ming на 1 069 Elo — первое место среди моделей с открытыми весами и примерно 13-е в общем зачёте. Его оценка Provider Voice, где модель использует собственные стандартные голоса, составляет 1 188 Elo — третье место среди моделей с открытыми весами и примерно 18-е в общем зачёте. Разрыв между этими двумя результатами одной строкой описывает характер модели: она гораздо лучше воспроизводит голос, который вы ей предоставляете, чем является голосом «из коробки».

Ming также разделил первое место в общем зачёте по Pronunciation Robustness с результатом 93,2% — результат настоящий, но с минимальным отрывом. По отдельно взятым терминам — названиям брендов, топонимам, изолированным именам собственным — он занимает 21-е место из 31. Считайте это предупреждающей маркировкой для всех, в чьих скриптах встречаются названия продуктов: агрегированный балл — не та цифра, которая будет фигурировать в ваших отчётах об ошибках.

Sesame Preview не представлен в этих рейтингах в сопоставимом виде. Голоса в его приложении — это фиксированные персонажи, а не клоны, и не существует публичного чекпойнта production-модели для бенчмарка. MOS 4,7 — это наилучшее доступное свидетельство, и оно измеряет нечто иное.

Контроль: режиссёрское кресло против личности

Ming относится к речи как к управляемому сигналу. Можно клонировать эталонный голос, создать голос по текстовому описанию, пометить высказывание смехом или вздохом либо задать манеру подачи на свободном языке. В карточке модели честно указано, где это неидеально: многособытийные паралингвистические теги слабее однособытийных, управлять эмоциями сложнее, когда текст несёт мало эмоционального сигнала, высота тона менее точна, чем скорость или громкость, а открытое проектирование голоса всё ещё уступает самой сильной системе, которую оценивала команда. Ничто из этого не является необычным для первого публичного релиза. Всё это задокументировано, что предлагают немногие вендоры.

Интерфейс управления Sesame — это беседа. Приложение управляет очерёдностью реплик, памятью и поиском в реальном времени, а голос — лишь один компонент агента, а не параметр, который вы настраиваете. Его слабость — обратная сторона этой интеграции: вызов функций был измерен с частотой ошибок 6,7% против 2,1% у конкурента в режиме реального времени, и это именно та цифра, которая имеет значение, если вы хотите строить агента на его основе, а не разговаривать с ним.

Если ваше требование — «голос, который читает этот сценарий так, как я укажу», то Ming — единственный из двух, кто предлагает средства управления. Если ваше требование — «голосовой агент, который ведёт разговор», то Sesame — единственный из двух, кто поставляет такого агента.

Язык и качество звука

• Языки — Ming поддерживает китайский, английский, немецкий, испанский, французский, корейский и японский, а также сычуаньский и кантонский диалекты. Sesame Preview ориентирован в первую очередь на английский; приложение работает только на английском, а работа CSM-1B с другими языками практически не проверялась.

• Частота дискретизации — Ming выдаёт 44,1 кГц. CSM-1B выдаёт 24 кГц через кодек Mimi, что достаточно для разговорной речи, но заметно узко для задач, близких к музыке или вещанию.

• Каталог голосов — Ming предлагает более 100 китайских голосов и пять английских. Sesame предлагает четыре персоны, каждая с собственным характером; это продуманное продуктовое решение, а не каталог.

• Эмоциональный диапазон — Ming делает эмоции элементом управления с задокументированными ограничениями. Эмоциональная выразительность Sesame встроена в персоны и широко считается её сильнейшим качеством; её также нельзя настроить вручную.

Задержка — неоспоримое преимущество Sesame.

Это единственная ось, по которой сравнение не в пользу конкурентов. Sesame Preview обеспечивает потоковую передачу с задержкой первого байта менее 300 мс; у голоса Maya измеренное время до первого байта составляет 80–130 мс, а у полного агента — 250–450 мс при p95 480 мс. Это уровень, пригодный для живого разговора, и результат продукта, созданного от начала до конца для диалога в реальном времени.

Ming-3.0-tts — это код инференса исследовательского уровня. В карточке модели нет документированного потокового режима, стека обслуживания или показателя задержки. Репозиторий указывает на ускоренный инференс vLLM-Omni как на пункт дорожной карты. Пока этого не существует, сравнение его задержки с Sesame — это сравнение стенда для бенчмарков с выпущенным продуктом, и выпущенный продукт побеждает по умолчанию.

Сколько стоит каждый из них

• Sesame Preview — приложение бесплатно. Демонстрационный голос не продаётся ни за какую цену, и это существенный факт для разработчика.

• CSM-1B — Собственный API Sesame указывает для него цену около $7 за миллион символов при контексте 4K; предоставляется только Sesame. При скорости речи около 14 символов в секунду это примерно $0.35 за аудиочас, и это самый дешёвый вариант с оплатой речи по счётчику в этом сегменте рынка.

• Ming-3.0-tts — бесплатные веса под лицензией MIT и счёт за GPU. Арендованный H800 примерно за $2 за GPU-час, на котором модель 0,5B работает быстрее реального времени, при устойчивом объёме обходится заметно ниже тарифа с оплатой по факту использования, а при малом объёме — выше него, если честно учитывать простой мощности.

Следовательно, сравнение затрат полностью зависит от объёма и от того, есть ли у вас уже GPU. При объёме менее нескольких десятков часов аудио в месяц цену CSM-1B в $0.35 за час аудио трудно превзойти, к тому же ей не требуется инфраструктура. При объёме свыше нескольких сотен часов самостоятельный хостинг Ming обходится дешевле и продолжает дешеветь, поскольку маржинальная генерация ничего не стоит. Ошибка — выбирать по цене на ценнике, а не по фактическому использованию.

Именно в лицензировании эти два понятия на самом деле разделяются.

CSM-1B распространяется по Apache-2.0 — разрешительной лицензии, — но доступ к нему открывается только после принятия условий, и это не та модель, что в демо. Ming-3.0-tts распространяется по MIT для обеих контрольных точек, без ограничений доступа, без необходимости нажимать для принятия политики допустимого использования и без отдельного исключения для коммерческого использования. Если в рамках юридической проверки задаётся вопрос, можно ли дообучить модель на голосовых данных клиентов и поставлять её внутри закрытого продукта, ответ в обоих случаях — да, но только одна из них является моделью, которую вы действительно слышали.

Вот в чём суть сделки, если в двух словах: Sesame даёт вам голос, который звучит лучше, и оставляет его себе; Ming даёт вам хорошо звучащий голос, который можно забрать с собой.

Где OrcaRouter подходит — а где нет

Ни одна из этих моделей не размещена на OrcaRouter. На нашей платформе нет ни голосовой конечной точки Ming, ни конечной точки Sesame, и эта страница не собирается её выдумывать. Что мы действительно размещаем — так это остальную часть стека: языковые модели, которые пишут и переписывают сценарии, и речевые модели для продакшена, такие как Gemini 3.1 Flash TTS Preview и GPT-4o mini TTS для команд, которым нужен управляемый голосовой сервис, а не развёрнутый у себя.

Полезная часть — это стык между этими слоями. Если вы самостоятельно размещаете Ming, у вашей голосовой модели нет гарантии доступности, автомасштабирования и второго региона; слой маршрутизации может обеспечить резервирование текстовой половины конвейера и автоматически переключаться на резерв при деградации провайдера. Один API-ключ покрывает более 200 моделейснаценкой 0% сверх прейскурантной цены провайдера, а DSL маршрутизации позволяет объединить основной путь и резервный в один вызов, вместо того чтобы размазывать логику повторных попыток по приложению. Слияние моделей — еще один вариант, о котором стоит знать: для чего-то вроде адаптации сценария ансамбль моделей, отвечающих совместно, часто превосходит одну модель, когда задача требует суждения, а не генерации. Ничто из этого не делает Ming быстрее или Sesame лицензируемой. Это делает конвейер вокруг любого выбранного вами голоса устойчивым к тому, что голос оказывается слабым звеном.

Решение, изложенное без обиняков

Если вам на этой неделе нужен разговорный голосовой агент на английском, Sesame Preview — это готовый продукт, и ничто в мире открытых весов не сравнится с ним по задержке или по характеру «из коробки». Смиритесь с тем, что вы не можете лицензировать этот голос, что вы строите на закрытом приложении и что 4.7 MOS — это потолок того, что вы можете проверить.

Если вы хотите голос внутри собственного продукта — клонированный, спроектированный, управляемый, на семи языках, на условиях MIT и без счётчика за символы, — Ming-3.0-tts станет выбором, но с двумя оговорками. Проверьте собственный словарь, прежде чем доверять показателю произношения 93,2%, потому что результат на отдельных терминах гораздо слабее. И планируйте инженерную работу: путь вывода имеет исследовательский уровень, потокового решения пока нет, а каталог английских голосов насчитывает всего пять голосов.

Единственное, чего вам не следует делать, — воспринимать это как конкурс качества. Демонстрационный голос Sesame, вероятно, действительно звучит лучше, чем стандартные английские голоса Ming; именно этого и должен добиваться продуманный продукт с четырьмя персонами, оптимизированный для разговора. Вопрос в том, покупаете ли вы голос или арендуете опыт его прослушивания. В меню есть только один из этих вариантов.