Ming-3.0-tts vs Sesame Preview: rösten du kan äga mot rösten du bara kan höra

Du kan höra Sesame Preview på ungefär trettio sekunder och du kan inte ladda ner den till något pris. Du kan ladda ner Ming-3.0-tts gratis under MIT-licensen och det finns ingen polerad demo att prova först. Den asymmetrin är hela jämförelsen, och de flesta direktjämförelser gör fel när de behandlar de två som konkurrerande text-till-tal-API:er. Det är de inte. Sesame Preview är en färdig konsumentprodukt byggd kring en röst som Sesame aldrig har släppt; Ming-3.0-tts är en talmodell med öppna vikter från Ant Groups inclusionAI-team, publicerad den 20 oktober 2026, utan något hostat konsumentgränssnitt över huvud taget. Den ena är en restaurang. Den andra är ett kök.

Det gör inte jämförelsen värdelös. Det gör den till en fråga om vad du faktiskt försöker köpa: en konversationsagent som fungerar i dag, eller en röst som du kan lägga in i din egen produkt och behålla. När du väl skiljer på de två blir beslutet tydligare än specifikationsbladen antyder – och det hänger på fakta som ingen av modellernas marknadsföringssidor säger rakt ut.

Tre saker som kallas "Sesame", varav bara en går att använda

Namngivningen är den första fällan. "Sesame Preview" syftar på den kostnadsfria appen med fyra samtalspersoner – Maya, Miles, Simone och Charlie. Den lanserades som en webbförhandsversion i februari 2025, nådde iOS i slutet av maj 2026 och Android den 6 augusti 2026. Den utför live-sökningar på webben mitt i samtalet och kommer ihåg kontext under en session.

Det som driver den appen är inte modellen du kan ladda ner. Sesames produktionsröst körs på en större, sluten modell som aldrig har släppts. Den nedladdningsbara artefakten är CSM-1B, Conversational Speech Model: cirka 1B parametrar, Apache-2.0, som kräver att man godkänner villkor, byggd på en Llama-backbone med Kyutais Mimi-ljudcodec i 24 kHz. CSM-1B är förfadern till demorösten, inte demorösten. Det är en basmodell som inte kan generera text på egen hand och behöver en språkmodell kopplad till sig.

Så den ärliga formuleringen av "Ming-3.0-tts mot Sesame Preview" är egentligen två jämförelser staplade på varandra. Mot Preview-appen tävlar Ming på förmåga och förlorar på finish och latens. Mot CSM-1B tävlar Ming direkt på vikter, licens och kontroll, och vinner på de flesta av dem.

Vad Ming-3.0-tts bidrar med

Ming-3.0-tts är talsynteslinjen i Ants familj Ming-3.0 med fem modeller, MIT-licensierad, med vikter på Hugging Face och ModelScope och inferenskod i ett separat GitHub-repository. Den levereras i två checkpoints som är genuint olika produkter.

• Ming-3.0-tts-0.5B — tät, på en Qwen2.5-0.5B-stomme med ett DiT-huvud och en ljudtokeniserare, cirka 2,96 GB. Detta är checkpointen med oberoende benchmarkkörningar.

• Ming-3.0-tts-tiny — en mixture-of-experts-modell med totalt 7,9B parametrar, varav 1,3B aktiva, på Ants Ling V3-stomme, cirka 18 GB, som lägger till poddgenerering med flera talare. ”Tiny” beskriver körtidskostnad, inte nedladdningsstorlek.

Funktioner som är viktiga för den här jämförelsen: zero-shot-röstkloning från ett kort referensklipp, röstdesign från en beskrivning i naturligt språk, ett regiläge för fri kontroll av framförandet, 14 inline-paralingvistiska taggar som skratt och suckar, explicita kontroller för känsla, hastighet, tonhöjd och volym, över 100 kinesiska röster och fem engelska, sju språk plus sichuanesiska och kantonesiska samt utdata i 44,1 kHz.

Rösttestet avgör ingen av topplistorna.

Sesames rykte vilar på hur rösterna i Preview låter. Tredjepartsmätningar bekräftar det: CodeSOTAs öppna TTS-urvalslista placerade Sesame först med 4,7 MOS, och CallSphere uppmätte produktionsrösten Maya till 4,6 MOS. Det är starka siffror, och de är anledningen till att demon blev viral.

De är också mätningar av en röst du inte kan licensiera. Den relevanta frågan för en utvecklare är inte "hur bra är Maya" utan "hur bra är den bästa röst jag kan lägga in i min produkt."

På de oberoende listorna är Ming-3.0-tts starkast precis där ett kloningsarbetsflöde hör hemma. Artificial Analysis Controlled Voice Arena, som använder åtta klonade röster över fyra amerikanska och fyra brittiska accenter, placerar Ming på 1 069 Elo – först bland modeller med öppna vikter och runt 13:e plats totalt. Dess Provider Voice-poäng, där en modell använder sina egna standardröster, är 1 188 Elo, tredje bland modeller med öppna vikter och runt 18:e plats totalt. Gapet mellan dessa två resultat är modellens karaktär i en rad: den är mycket bättre på att återge en röst du tillhandahåller än på att vara en röst direkt ur lådan.

Ming delade också förstaplatsen totalt sett i Pronunciation Robustness med 93,2 %, vilket är ett verkligt resultat och ett med knapp marginal. För fristående termer – varumärken, ortnamn, isolerade egennamn – hamnar den på 21:a plats av 31. Läs det som en varningsetikett för alla vars manus innehåller produktnamn: den sammanvägda poängen är inte det nummer dina felrapporter kommer att handla om.

Sesame Preview förekommer inte på de listorna i en jämförbar form. Appens röster är fasta personor, inte kloner, och det finns ingen offentlig checkpoint av produktionsmodellen att benchmarka mot. MOS-värdet 4,7 är det bästa tillgängliga beviset, och det mäter något annat.

Kontroll: en regissörsstol kontra en personlighet

Ming behandlar tal som en styrbar signal. Du kan klona en referensröst, designa en från text, tagga ett yttrande med ett skratt eller en suck, eller instruera framförandet med fritt formulerat språk. Modellkortet är uppriktigt om var detta brister: paralingvistiska taggar för flera händelser är svagare än för enstaka händelser, emotionsstyrning är svårare när texten bär lite emotionell signal, tonhöjd är mindre exakt än hastighet eller volym, och öppen röstdesign ligger fortfarande efter det starkaste systemet som teamet utvärderade. Inget av detta är ovanligt för en första offentlig release. Allt är dokumenterat, vilket är mer än de flesta leverantörer erbjuder.

Sesames kontrollgränssnitt är ett samtal. Appen hanterar turtagning, minne och livesökning, och rösten är en komponent i en agent snarare än en parameter man justerar. Dess svaghet är baksidan av den integrationen: funktionsanrop har uppmätts ha en felfrekvens på 6,7 % mot 2,1 % för en realtidskonkurrent, vilket är den sorts siffra som spelar roll om man ville bygga en agent på den snarare än prata med en.

Om ditt krav är "en röst som läser det här manuset på det sätt jag anger" är Ming den enda av de två som erbjuder kontrollerna. Om ditt krav är "en röstagent som hanterar ett samtal" är Sesame den enda av de två som levererar en sådan.

Språk och ljudkvalitet

• Språk — Ming täcker kinesiska, engelska, tyska, spanska, franska, koreanska och japanska, samt sichuanesiska och kantonesiska. Sesame Preview är engelskförst; appen är endast på engelska, och CSM-1B:s prestanda på andra språk är i stort sett otestad.

• Samplingsfrekvens — Ming matar ut 44,1 kHz. CSM-1B matar ut 24 kHz via Mimi-codec, vilket är tillräckligt för konversationellt tal och märkbart snävt för musiknära eller broadcastarbete.

• Röstkatalog — Ming levererar över 100 kinesiska röster och fem engelska. Sesame levererar fyra personas, var och en med en distinkt karaktär, vilket är ett kurerat produktbeslut snarare än en katalog.

• Känslomässigt omfång — Ming exponerar känslor som en inställning med dokumenterade gränser. Sesams känslomässiga uttrycksfullhet är inbyggd i personorna och anses allmänt vara dess starkaste egenskap; det är inte heller något man kan skruva på.

Latens är Sesames obestridliga fördel

Det här är den enda axeln där jämförelsen inte är i närheten. Sesame Preview streamar med en latens för första byten under 300 ms; Maya-rösten har uppmätts till 80–130 ms till första byten, och den fullständiga agenten till 250–450 ms med en p95 på 480 ms. Det är samtalskvalitet, och det är resultatet av en produkt byggd från grunden för realtidsdialog.

Ming-3.0-tts är inferenskod av forskningsklass. Det finns ingen dokumenterad strömningsväg, ingen serveringsstack och ingen latenssiffra i modellkortet. Repot hänvisar till vLLM-Omni accelererad inferens som roadmap. Tills det finns är att jämföra dess latens med Sesames att jämföra en benchmarkrigg med en levererad produkt, och den levererade produkten vinner per automatik.

Vad var och en kostar

• Sesame Preview — appen är gratis. Demorösten är inte till salu till något pris, vilket är det relevanta faktumet för en utvecklare.

• CSM-1B — Sesames eget API listar det till cirka 7 USD per miljon tecken med en 4K-kontext, och det tillhandahålls enbart av Sesame. Med ungefär 14 tecken per sekund tal blir det omkring 0,35 USD per ljudtimme, och det är det billigaste användningsbaserade talalternativet i detta marknadssegment.

• Ming-3.0-tts — gratis MIT-vikter och en GPU-räkning. En hyrd H800 för cirka 2 USD per GPU-timme som kör en 0,5B-modell snabbare än realtid hamnar väl under den debiterade taxan vid uthållig volym, och över den vid låg volym när outnyttjad kapacitet räknas in ärligt.

Kostnadsjämförelsen beror därför helt och hållet på volym och på om du redan äger GPU:er. Under några dussin timmar ljud per månad är CSM-1B:s $0,35 per ljudtimme svårslaget och kräver ingen infrastruktur. Över några hundra timmar är egen drift av Ming billigare och blir bara billigare, eftersom marginalkostnaden för generering är noll. Misstaget är att välja efter listpris i stället för utnyttjandegrad.

Licensiering är där de två faktiskt skiljs åt

CSM-1B är Apache-2.0, vilket är en tillåtande licens, men den är låst bakom ett godkännande av villkor och det är inte modellen i demon. Ming-3.0-tts är MIT på båda checkpoints, utan spärr, utan klickgodkännande för godtagbar användning och utan kommersiellt undantag. För en juridisk granskning som frågar om modellen kan finjusteras på kundröstdata och levereras inuti en sluten produkt är båda svaren ja – men bara en av dem är modellen du faktiskt har hört.

Det är avvägningen i en mening: Sesame ger dig den bättre klingande rösten och behåller den; Ming ger dig en röst som låter bra och som du kan ta med dig hem.

Var OrcaRouter passar – och var det inte gör det

Ingen av modellerna finns på OrcaRouter. Det finns ingen Ming-röstslutpunkt och ingen Sesame-slutpunkt på vår plattform, och den här sidan kommer inte att hitta på en sådan. Det vi däremot tillhandahåller är resten av stacken: språkmodellerna som skriver och skriver om manus, och produktionsklara talmodeller såsom Gemini 3.1 Flash TTS Preview och GPT-4o mini TTS för team som vill ha en hanterad röst i stället för en självhostad.

Det användbara är sömmen mellan dessa lager. Om du kör Ming på egen server har din röstmodell ingen tillgänglighetsgaranti, ingen autoskalning och ingen sekundär region; routningslagret kan göra textdelen av pipelinen redundant och automatiskt växla över när en leverantör försämras. En API-nyckel täcker över 200 modeller till 0 % påslag på leverantörens listpris, och routnings-DSL:en låter dig kombinera en primär väg och en reservväg till ett enda anrop i stället för att sprida återförsökslogik genom hela applikationen. Modellfusion är det andra alternativet som är värt att känna till: för något som manusanpassning överträffar en panel av modeller som svarar tillsammans ofta en enskild modell när uppgiften handlar om omdöme snarare än generering. Inget av detta gör Ming snabbare eller Sesame licensierbart. Det gör att pipelinen runt vilken röst du än väljer överlever att rösten är den svaga länken.

Beslutet, klart uttryckt

Om du vill ha en konversationell röstagent på engelska den här veckan är Sesame Preview den färdiga produkten, och inget i open-weight-världen matchar dess latens eller dess personlighet direkt ur lådan. Acceptera att du inte kan licensiera rösten, att du bygger på en stängd app och att 4,7 MOS är taket för vad du kan verifiera.

Om du vill ha en röst inuti din egen produkt – klonad, designad, kontrollerad, på sju språk, med MIT-villkor och utan debitering per tecken – är Ming-3.0-tts valet, med två villkor kopplade till det. Testa ditt eget ordförråd innan du litar på uttalspoängen på 93,2 %, eftersom resultatet för fristående termer är mycket svagare. Och planera för ingenjörsarbetet: inferensvägen är av forskningskvalitet, det finns ingen streaminglösning ännu, och den engelska röstkatalogen omfattar fem röster.

Det enda du inte bör göra är att läsa detta som en kvalitetstävling. Sesames demoröst låter förmodligen bättre än Mings standardengelska röster; det är vad en kurerad produkt med fyra personor, optimerad för samtal, bör åstadkomma. Frågan är om du köper rösten eller hyr upplevelsen av att höra den. Bara en av dessa finns på menyn.