Ming-3.0-tts-tiny vs Sesame-Preview: En checkpoint du kan ladda ner kontra en röst du inte kan anropa

Sätt Ming-3.0-tts-tiny och Sesame Preview i samma mening och jämförelsen faller samman redan före den första benchmarken, eftersom bara en av dem är något som en utvecklare kan få tag i. Ming-3.0-tts-tiny är Ant Groups inclusionAI-checkpoint: 7,9 miljarder parametrar totalt, cirka 1,3 miljarder aktiva per token, MIT-licensierade vikter publicerade på Hugging Face med inferenskod som kom till GitHub den 19 oktober 2026. Sesame Preview är en konsumentassistent – fyra röster, en iOS- och Android-app, inget API, inget modell-ID, ingen publicerad poäng för den röst som gör den värd att skriva om. Den ena är en fil. Den andra är en produkt. Den intressanta frågan är inte vilken som låter bättre, eftersom ingen har mätt det på någon av sidorna på ett sätt som kan jämföras, utan vad var och en låter dig göra en tisdagseftermiddag när du har ett manus och en deadline. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som den här samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.

Datumen spelar roll här på ett sätt som de sällan gör. Ming-3.0-tts-tiny:s förvar skapades den 22 september 2026, vikterna lades upp den 24 september, och i tre och en halv vecka var utgåvan oanvändbar — en mapp med shards utan något publicerat sätt att köra dem. Inferenskoden, exemplen med ett klick och uppgiftskokboken landade tillsammans den 19 oktober kl. 08:58 UTC. Ant har inte tillkännagivit något av det. Sesame Preview har däremot levererats offentligt sedan i våras och fick en riktig uppdatering den 6 oktober 2026, då företagets produktchef beskrev en ny Conversational Speech Model bakom appen. Ingendera av dem är en lansering i den mening ett pressmeddelande avser, men båda är rörelser, och bara en av dem kommer med något du kan ladda ner.

Den korta versionen, innan bevisen

Om du bygger en produkt är Sesame Preview ingen kandidat och kan inte bli det i dag: det finns ingen endpoint att anropa, ingen licens att läsa, inget pris och inget åtagande om att rösten i appen är rösten i någon modell. Om du bygger en produkt och behöver en röst du äger, är Ming-3.0-tts-tiny en kandidat – en ung, icke poängsatt, självhostad sådan som gör att du måste göra din egen utvärdering.

För de flesta team är det hela beslutet. Allt nedan gäller de fall där så inte är fallet: de som jämför dem som samtalsaudio snarare än som produkter, eller överväger om Sesames angreppssätt är det som bör kopieras.

Vad var och en faktiskt ger dig i handen

• Vad du laddar ner – Ming-3.0-tts-tiny: ungefär 18 GB som innehåller Ling V3-stommen, ett diffusion-transformer-huvud, en ljudtokeniserare, en CAM++-talarkodare och en texttokeniserare. Sesame Preview: en app från App Store eller Google Play, och inget annat.

• Vad du kan anropa — Ming-3.0-tts-tiny: en Python-klass, MingTinyTTS.from_pretrained, med uppgiftsnamn för zero-shot-kloning, flerspråkig syntes, paralingvistik, podddialog, känsla, dialekt, fri form-stil och röstdesign. Sesame: ett chattgränssnitt med fyra personligheter. Inget modell-ID har någonsin publicerats för produktionsrösten.

• {{1}}Licens{{/1}} — {{2}}Ming-3.0-tts-tiny{{/2}}: {{3}}MIT{{/3}} för vikter och kod, med en användningsnotis som ber dig att inte utge dig för att vara andra människor och att märka syntetiskt ljud. {{4}}Sesame{{/4}}: appens användarvillkor, samt en öppen checkpoint som diskuteras nedan och som inte är produktionsmodellen.

• Språktäckning – Ming-3.0-tts-tiny: kinesiska, engelska, tyska, spanska, franska, koreanska och japanska, där sichuanesiska och kantonesiska finns tillgängliga från ett referensklipp på dialekt. Sesame: engelska är det enda officiellt stödda språket; guiden noterar att assistenterna även hanterar franska, italienska, tyska, spanska, kinesiska, japanska och koreanska "tidigt", vilket framstår som en varning snarare än en funktionslista.

• Pris — Ming-3.0-tts-tiny: ingen prislista; du betalar för en H800 och elen. Sesame: gratis att använda, ingen publicerad plannivå, och företaget uppger att de inte har några annonser och inte säljer data.

• Oberoende poäng — Ming-3.0-tts-tiny: ingen, och specifikt inte de 1 188 Elo som Artificial Analysis listar för "Ming-3.0-tts", vilka tillhör 0,5B-checkpointen. Sesame: ingen för appens röst heller. Det här är den sällsynta matchningen där ingen av sidorna har en siffra.

Det enda Sesame-artefaktet en utvecklare kan hålla i

Det finns en Sesame-modell på Hugging Face, och det är värt att vara precis om vad den är, eftersom den rutinmässigt förväxlas med rösten i appen.

CSM-1B är Apache-2.0, endast på engelska och byggd på den arkitektur som företaget har beskrivit offentligt: en Llama-ryggrad som förutsäger den första ljudkodboken och en mindre djupavkodare som förutsäger resten, med avkodning via Kyutais Mimi-codec vid 24 kHz. Modellkortet kallar den "en basmodell för generering" – kapabel att producera varierade röster, inte anpassad till någon särskild, och uttryckligen är det en derivata av den som driver den interaktiva demon snarare än att checkpointen själv är demon. Vid tidpunkten för den här sammanställningen visade den cirka 130 000 nedladdningar under föregående månad och ungefär 2 500 gilla-markeringar, vilket är ett verkligt utvecklarfölje för en två år gammal forskningsutgåva.

Vad det innebär i praktiken: du kan ladda Sesames arkitektur, finjustera den och självhosta en konversationell TTS. Du kan inte ladda Sesames produkt. Oktoberuppdateringen – en ny CSM med bättre uttrycksfullhet och uttal, enligt företagets egna ord – flyttade det du inte kan få, och sade inget mätbart om det.

Där de verkligen överlappar, och där överlappningen slutar

Båda syftar till tal som låter som samtal snarare än uppläsning, och det är ingen liten sak att ha gemensamt. Sesame byggde sitt rykte på andning, tvekan och avbrottstajming som var så övertygande att tidiga lyssnare antog att en människa fanns på linjen. Ants lilla modell levereras med 14 infogade paralingvistiska taggar för skratt, suckar, andning och tvekan, samt en podcastuppgift med flera talare som dess egen 0.5B-syskonmodell inte klarar.

Bortom det tunnas överlappningen snabbt ut.

Sesames fördel är att rösten är inbäddad i en fungerande produkt med minne, kopplingar till Gmail, Calendar och Drive, en egen dator för att surfa och agera, MCP-stöd via OAuth och, sedan oktober, förmågan att orkestrera andra agenter. Inget av det är en funktion i talmodellen; det är en assistent, och talet är hur du pratar med den. Ants fördel är att allt går att granska. Varje siffra i modellkortet kan spåras till en testuppsättning, varje uppgift har ett körbart exempel, och pipelinen är din att modifiera.

Asymmetrin som avgör de flesta utvärderingar är enklare än någon av listorna: med Ming-3.0-tts-tiny kan du generera samma mening hundra gånger och lyssna. Med Sesame kan du inte generera någonting alls, så det finns inget experiment att köra — bara en åsikt om en app.

Vad Ant publicerar, och vad det är värt

Frestelsen med en sådan här matchning är att fylla gapet med Ants benchmark-tabeller, och de är omfattande: kinesiska Seed-TTS på 0,820 % ord fel och 0,781 i talarlikhet, engelska på 1,666 % och 0,728, tyska 0,325 %, spanska 0,971 %, NVBench-resultat inom paralingvistik som toppar alla sex kategorier för enskilda händelser, dialektuppsättningar på 86,09 % på WSC-Eval-TTS easy, emotion på 74,00 % på CV3, röstdesign på 75,37 % på InstructTTSEval-ZH.

Var och en av dem är Ant som mäter Ant, på Ants egen testrigg, med Ants referensklipp och poängsättningskod, och inget av det har återskapats utanför företaget. Det gör inte siffrorna fel. Det gör dem till leverantörsrapporterade siffror, och det innebär att de inte kan ställas mot en Sesame-siffra eftersom det inte finns någon Sesame-siffra att ställa dem mot.

Det enda resultatet i sviten som beter sig som en riktig jämförelse är det obekväma: på koreanska får Ming-3.0-tts-tiny 6,000 % teckenfel medan dess egen 0.5B-syskonmodell får 1,728 %. Modellkortet listar koreanska bland de kända svagheterna och ger ingen förklaring. En plausibel sådan – att gles routning ger ett språk med lite träning mindre kapacitet än en tät modell av liknande storlek skulle ge – är en hypotes, inte ett fynd. Den operationella tolkningen är den säkra: om koreanska ingår i omfånget, testa det innan du litar på det.

Finns det något att lära sig av Sesames modell utan modellen?

Ja, och det är det mest användbara i den här jämförelsen efter licensskillnaden: Sesame publicerar ett benchmark. Den 28 augusti 2026 släppte det TurnBench, ett öppet benchmark för turtagning i talad dialog – 30 timmar trefaldigt annoterat dyadiskt tal, ett poängprotokoll hämtat från samtalsanalys, en offentlig topplista och resultat för 14 system, framtaget tillsammans med Carnegie Mellon, Mundo AI och Oto.

Turntagning är precis den kvalitet som varken en Elo-topplista över preferenser eller en ordfelsstabell lyckas fånga, och det är den kvalitet som Sesames produkt är känd för. Om du utvärderar Ming-3.0-tts-tiny för något samtalsinriktat är TurnBench instrumentet att låna, även om Sesames egen app inte finns med där: poängsätt din kandidat på avbrottshantering och backchannel-timing i stället för att gissa utifrån ett likhetsmått.

Det är formen för en rättvis jämförelse här. Inte Ming-3.0-tts-tiny mot Sesame Previews röst, som inte kan köras, utan Ming-3.0-tts-tiny mot ett offentligt benchmark som Sesame definierade för den egenskap som båda strävar efter.

Om du bygger det som någon av dem är till för

Den realistiska 2026-arkitekturen för en röstprodukt är ett röstlager plus en texthjärna som avgör vad som ska sägas, och dessa två befinner sig i varsin ände av den stacken. Ming-3.0-tts-tiny kan vara röstlagret, om du har en GPU och lusten att utvärdera det. Sesame Preview kan inte vara ett lager överhuvudtaget; det är en konkurrerande produkt som du i så fall skulle bygga mot.

Text-hjärnan är den del där en router verkligen är användbar snarare än dekorativ. OrcaRouter har fler än 200 textmodeller bakom en enda nyckel, till leverantörens listpris utan påslag, så att en leverantörs prisändring blir ditt pris samma dag, med automatisk failover mellan leverantörer. För att vara tydlig med täckningen: ingen talmodell från Ant är en route här, inklusive Ming-3.0-tts-tiny, och ingen modell från Sesame är det heller, inklusive CSM-1B. Det som routas är den halva av pipelinen som skriver manuset, väljer känslotaggen och avgör när agenten ska tala – vilket också är den halva där du kan byta leverantör utan att spela in något igen.

Vad du kan titta på i stället för ett direktmöte

Tre saker skulle göra detta till en riktig jämförelse, och ingen av dem har hänt ännu.

En hostad slutpunkt för Ming-3.0-tts-tiny, eller en tredje part som publicerar uppmätt latens och felkvot för den. Ants egen färdplan nämner stöd för vLLM-Omni, vilket är en serveringsfråga snarare än en kvalitetsfråga, men det är förutsättningen för att någon annan ska kunna poängsätta modellen.

Ett nummer kopplat till Sesames CSM från oktober. Företaget säger att uttrycksfullhet och uttal har förbättrats och att skillnaden är stor över långa samtal; det har inte publicerat något modell-ID, ingen latenssiffra och ingen benchmark, och det enda offentliga måttet på något närliggande är fortfarande TurnBench, som mäter turtagning snarare än röstkvalitet.

Och ett koreanskt resultat från någon annan än Ant. Siffran 6,000 % är den tydligaste defekten i det publicerade underlaget, och ett andra team som reproducerar eller motsäger den skulle säga dig mer om denna checkpoint än någon Elo-poäng skulle kunna.

Fram till dess är den ärliga domen oglamorös: en av dem kan du ladda ner, granska och släppa, med en licens som tillåter det och en benchmarksvit som bara dess upphovsperson har kört. Den andra kan du prata med i telefonen, och beundra, men inte bygga på.