Ming-3.0-tts-tiny เทียบกับ Sesame-Preview: เช็กพอยต์ที่คุณดาวน์โหลดได้ เมื่อเทียบกับเสียงที่คุณไม่สามารถเรียกใช้ได้

ลองวางMing-3.0-tts-tinyกับSesame Previewไว้ในประโยคเดียวกัน แล้วการเปรียบเทียบก็พังทลายตั้งแต่ยังไม่ถึงการทดสอบครั้งแรก เพราะมีเพียงตัวเดียวในสองตัวนี้ที่นักพัฒนาสามารถเข้าถึงได้จริง Ming-3.0-tts-tiny คือเช็กพอยต์ของ inclusionAI ในเครือ Ant Group มีพารามิเตอร์รวม 7.9 พันล้านตัว โดยมีประมาณ 1.3 พันล้านตัวที่ทำงานต่อโทเคนหนึ่ง น้ำหนักโมเดลภายใต้สัญญาอนุญาต MIT เผยแพร่บน Hugging Face พร้อมโค้ดสำหรับ inference ที่ขึ้น GitHub เมื่อวันที่ 19 ตุลาคม 2026 ส่วน Sesame Preview เป็นผู้ช่วยสำหรับผู้บริโภค — มีสี่เสียง มีแอป iOS และ Android ไม่มี API ไม่มี model ID และไม่มีคะแนนที่เผยแพร่สำหรับเสียงที่ทำให้มันน่าเขียนถึง ตัวหนึ่งเป็นไฟล์ อีกตัวหนึ่งเป็นผลิตภัณฑ์ คำถามที่น่าสนใจจึงไม่ใช่ว่าตัวไหนฟังดูดีกว่า เพราะยังไม่มีใครวัดเรื่องนั้นกับฝั่งไหนเลยในแบบที่นำมาเทียบกันได้ แต่คือแต่ละตัวเปิดให้คุณทำอะไรได้บ้างในบ่ายวันอังคาร เมื่อคุณมีสคริปต์และเดดไลน์ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่ถูกบันทึกไว้ ซึ่งอยู่เบื้องหลังการเปิดตัวแบบนี้ ถูกรวบรวมไว้ในOrcaRouter AI Incident Archiveที่แต่ละรายการมีแหล่งอ้างอิงของตัวเอง ระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้ง

เรื่องของวันที่มีความสำคัญตรงนี้ในแบบที่แทบไม่ค่อยเกิดขึ้น รีโพซิทอรีของ Ming-3.0-tts-tiny ถูกสร้างขึ้นเมื่อวันที่ 22 กันยายน 2026 เวตถูกอัปโหลดขึ้นเมื่อวันที่ 24 กันยายน และเป็นเวลาสามสัปดาห์ครึ่งที่การเปิดตัวนี้ใช้งานไม่ได้ — โฟลเดอร์ของแชร์ดที่ไม่มีวิธีรันใด ๆ เผยแพร่ไว้ โค้ดสำหรับการอนุมาน ตัวอย่างแบบคลิกเดียว และคู่มือสำหรับงาน มาลงพร้อมกันเมื่อวันที่ 19 ตุลาคม เวลา 08:58 UTC Ant ยังไม่ได้ประกาศสิ่งใดในบรรดาสิ่งเหล่านี้เลย ในทางกลับกัน Sesame Preview ได้เปิดให้ใช้งานต่อสาธารณะมาตั้งแต่ฤดูใบไม้ผลิ และได้รับการอัปเดตครั้งสำคัญเมื่อวันที่ 6 ตุลาคม 2026 เมื่อประธานเจ้าหน้าที่ฝ่ายผลิตภัณฑ์ของบริษัทอธิบายถึง Conversational Speech Model ตัวใหม่ที่อยู่เบื้องหลังแอป ทั้งสองอย่างนั้นไม่ใช่การเปิดตัวในความหมายแบบที่ข่าวประชาสัมพันธ์หมายถึง แต่ทั้งคู่คือความเคลื่อนไหว และมีเพียงอันเดียวเท่านั้นที่มาพร้อมกับสิ่งที่คุณดาวน์โหลดได้

เวอร์ชันสั้น ก่อนจะมีหลักฐาน

หากคุณกำลังสร้างผลิตภัณฑ์ Sesame Preview ไม่ใช่ตัวเลือกและไม่สามารถกลายเป็นตัวเลือกได้ในวันนี้: ไม่มีเอนด์พอยต์ให้เรียกใช้ ไม่มีสัญญาอนุญาตให้อ่าน ไม่มีราคา และไม่มีการยืนยันว่าเสียงในแอปจะเป็นเสียงในโมเดลใด ๆ หากคุณกำลังสร้างผลิตภัณฑ์และต้องการเสียงที่เป็นของคุณเอง Ming-3.0-tts-tiny เป็นตัวเลือก — โมเดลใหม่ที่ยังไม่ได้ให้คะแนนและโฮสต์เอง ซึ่งจะทำให้คุณต้องประเมินด้วยตัวเอง

นั่นคือการตัดสินใจทั้งหมดสำหรับทีมส่วนใหญ่ ทุกอย่างด้านล่างนี้มีไว้สำหรับกรณีที่ไม่ได้เป็นเช่นนั้น: กรณีที่เปรียบเทียบสิ่งเหล่านี้ในฐานะเสียงสนทนามากกว่าในฐานะผลิตภัณฑ์ หรือกำลังชั่งน้ำหนักว่าวิธีการของ Sesame คือสิ่งที่ควรลอกเลียนแบบหรือไม่

แต่ละอย่างมอบอะไรให้คุณจริง ๆ

• สิ่งที่คุณดาวน์โหลด — Ming-3.0-tts-tiny: ประมาณ 18 GB ประกอบด้วยแกนหลัก Ling V3, ส่วนหัว diffusion-transformer, ตัวแปลงเสียงเป็นโทเค็น, ตัวเข้ารหัสผู้พูด CAM++ และตัวแปลงข้อความเป็นโทเค็น Sesame Preview: แอปจาก App Store หรือ G​oogle Play และไม่มีอะไรอื่นเลย

• สิ่งที่คุณเรียกได้ — Ming-3.0-tts-tiny: คลาส Python, MingTinyTTS.from_pretrained พร้อมชื่องานสำหรับการโคลนเสียงแบบ zero-shot, การสังเคราะห์หลายภาษา, ลักษณะทางเสียงเสริม, บทสนทนาพอดแคสต์, อารมณ์, ภาษาถิ่น, รูปแบบอิสระ และการออกแบบเสียง Sesame: อินเทอร์เฟซแชตที่มีบุคลิกสี่แบบ ไม่เคยมีการเผยแพร่ model ID สำหรับเสียงเวอร์ชันใช้งานจริงเลย

• สัญญาอนุญาต — Ming-3.0-tts-tiny: MIT สำหรับ weights และโค้ด พร้อมหมายเหตุการใช้งานที่ขอให้คุณไม่ปลอมตัวเป็นผู้อื่น และให้ติดป้ายกำกับเสียงสังเคราะห์ Sesame: ข้อกำหนดการให้บริการของแอป พร้อมเช็กพอยต์แบบเปิดที่กล่าวถึงด้านล่างซึ่งไม่ใช่โมเดลที่ใช้งานจริง

• {{1}}ความครอบคลุมภาษา{{/1}} — Ming-3.0-tts-tiny: รองรับภาษาจีน อังกฤษ เยอรมัน สเปน ฝรั่งเศส เกาหลี และญี่ปุ่น โดยมีภาษาจีนเสฉวนและกวางตุ้งให้ใช้ได้จากคลิปอ้างอิงภาษาถิ่น Sesame: ภาษาอังกฤษเป็นภาษาที่ได้รับการสนับสนุนอย่างเป็นทางการเพียงภาษาเดียว; คู่มือระบุว่าผู้ช่วยยังรองรับภาษาฝรั่งเศส อิตาลี เยอรมัน สเปน จีน ญี่ปุ่น และเกาหลีแบบ "early" ซึ่งอ่านแล้วดูเป็นคำเตือนมากกว่ารายการคุณสมบัติ

• ราคา — Ming-3.0-tts-tiny: ไม่มีอัตราค่าบริการที่ประกาศไว้; คุณต้องจ่ายค่า H800 และค่าไฟฟ้าเอง Sesame: ใช้งานฟรี ไม่มีระดับแพ็กเกจที่ประกาศไว้ และบริษัทระบุว่าไม่มีการลงโฆษณาและไม่ขายข้อมูล

• คะแนนอิสระ — Ming-3.0-tts-tiny: ไม่มี และโดยเฉพาะไม่ใช่ 1,188 Elo ที่ Artificial Analysis ระบุไว้สำหรับ "Ming-3.0-tts" ซึ่งเป็นของ checkpoint 0.5B Sesame: ก็ไม่มีสำหรับเสียงของแอปเช่นกัน นี่คือการจับคู่ที่พบได้ยากซึ่งทั้งสองฝ่ายไม่มีตัวเลข

อาร์ติแฟกต์ Sesame เพียงหนึ่งเดียวที่นักพัฒนาสามารถถือได้

มีโมเดล Sesame บน Hugging Face และควรพูดให้ชัดเจนว่ามันคืออะไร เพราะมักถูกเข้าใจผิดว่าเป็นเสียงในแอป

CSM-1B ใช้สัญญาอนุญาต Apache-2.0 รองรับเฉพาะภาษาอังกฤษ และสร้างบนสถาปัตยกรรมที่บริษัทได้อธิบายต่อสาธารณะแล้ว: แกนหลัก Llama ที่ทำนายชุดรหัสเสียงชุดแรก และตัวถอดรหัสความลึกที่เล็กกว่าซึ่งทำนายส่วนที่เหลือ โดยถอดรหัสผ่าน Mimi codec ของ Kyutai ที่ 24 kHz การ์ดโมเดลเรียกมันว่า "โมเดลการสร้างพื้นฐาน" (a base generation model) — สามารถสร้างเสียงที่หลากหลาย ไม่ได้ปรับแต่งให้เหมาะกับเสียงใดเสียงหนึ่งโดยเฉพาะ และระบุชัดเจนว่าเป็นอนุพันธ์ของมันที่ขับเคลื่อนเดโมแบบโต้ตอบ ไม่ใช่ตัว checkpoint เองที่เป็นเดโม ณ เวลาที่บันทึกข้อมูลนี้ มันแสดงยอดดาวน์โหลดประมาณ 130,000 ครั้งในเดือนก่อน และถูกใจราว 2,500 ครั้ง ซึ่งถือเป็นฐานผู้ติดตามในหมู่นักพัฒนาที่แท้จริงสำหรับงานวิจัยที่เปิดตัวมาแล้วสองปี

ในทางปฏิบัติแล้ว นั่นหมายความว่า คุณสามารถโหลดสถาปัตยกรรมของ Sesame ไปปรับแต่ง (fine-tune) และโฮสต์ TTS แบบสนทนาด้วยตนเองได้ แต่คุณไม่สามารถโหลดผลิตภัณฑ์ของ Sesame ได้ การอัปเดตเดือนตุลาคม — CSM ใหม่ที่มีความสามารถในการแสดงออกและการออกเสียงดีขึ้น ตามคำพูดของบริษัทเอง — ได้ขยับสิ่งที่คุณไม่สามารถมีได้ และไม่ได้กล่าวถึงสิ่งใดที่วัดผลได้เกี่ยวกับสิ่งนั้นเลย

ในจุดที่พวกมันทับซ้อนกันอย่างแท้จริง และในจุดที่ความทับซ้อนนั้นสิ้นสุดลง

ทั้งสองมุ่งเป้าไปที่เสียงพูดที่ฟังดูเหมือนการสนทนามากกว่าการเล่าเรื่อง และนั่นไม่ใช่เรื่องเล็กที่จะมีร่วมกัน Sesame สร้างชื่อเสียงจากจังหวะการหายใจ การลังเล และการขัดจังหวะที่สมจริงจนผู้ฟังในช่วงแรกคิดว่ามีคนจริงอยู่ปลายสาย โมเดลขนาดเล็กของ Ant มาพร้อมแท็กพาราลิงวิสติกแบบอินไลน์ 14 แท็กสำหรับเสียงหัวเราะ ถอนหายใจ หายใจ และลังเล และงานพอดแคสต์แบบหลายผู้พูดที่โมเดลพี่น้องขนาด 0.5B ของตัวเองทำไม่ได้

เลยจุดนั้นไป ความทับซ้อนจะลดลงอย่างรวดเร็ว

ข้อได้เปรียบของ Sesame คือเสียงถูกฝังอยู่ในผลิตภัณฑ์ที่ใช้งานได้จริง ซึ่งมีความจำ มีตัวเชื่อมต่อกับ Gmail, Calendar และ Drive มีคอมพิวเตอร์ของตัวเองสำหรับการท่องเว็บและลงมือทำ รองรับ MCP ผ่าน OAuth และตั้งแต่เดือนตุลาคมเป็นต้นมาก็สามารถประสานงานเอเจนต์อื่น ๆ ได้ ทั้งหมดนั้นไม่ใช่คุณสมบัติของโมเดลเสียง แต่เป็นผู้ช่วย และเสียงคือวิธีที่คุณใช้พูดคุยกับมัน ข้อได้เปรียบของ Ant คือทุกอย่างตรวจสอบได้ ตัวเลขทุกตัวในโมเดลการ์ดสามารถสืบย้อนไปยังชุดทดสอบได้ ทุกงานมีตัวอย่างที่รันได้ และไปป์ไลน์เป็นของคุณที่จะแก้ไข

ความไม่สมมาตรที่ตัดสินการประเมินส่วนใหญ่นั้นเรียบง่ายกว่ารายการทั้งสอง: ด้วย Ming-3.0-tts-tiny คุณสามารถสร้างประโยคเดิมได้เป็นร้อยครั้งแล้วฟังได้ แต่กับ Sesame คุณไม่สามารถสร้างอะไรได้เลย ดังนั้นจึงไม่มีอะไรให้ทดลอง — มีเพียงความเห็นเกี่ยวกับแอปหนึ่งเท่านั้น

สิ่งที่ Ant เผยแพร่ และคุณค่าของสิ่งนั้น

สิ่งล่อใจในการเปรียบเทียบแบบนี้คือการเติมช่องว่างด้วยตาราง benchmark ของ Ant และตารางเหล่านั้นก็ครอบคลุมมาก: จีน Seed-TTS ที่อัตราคำผิด 0.820% และความคล้ายผู้พูด 0.781, อังกฤษที่ 1.666% และ 0.728, เยอรมัน 0.325%, สเปน 0.971%, ผล paralinguistic ของ NVBench ที่เป็นผู้นำในทั้งหกหมวดหมู่เหตุการณ์เดี่ยว, ชุดทดสอบภาษาถิ่นที่ 86.09% บน WSC-Eval-TTS easy, อารมณ์ที่ 74.00% บน CV3, การออกแบบเสียงที่ 75.37% บน InstructTTSEval-ZH

ทุกอย่างเหล่านั้นคือ Ant วัด Ant เอง บนฮาร์เนสของ Ant เอง ด้วยคลิปอ้างอิงและโค้ดให้คะแนนของ Ant เอง และไม่มีสิ่งใดได้รับการทำซ้ำภายนอกบริษัทเลย นั่นไม่ได้ทำให้ตัวเลขเหล่านั้นผิด แต่ทำให้เป็นตัวเลขที่ผู้ขายรายงานเอง และหมายความว่าไม่สามารถนำไปเทียบกับตัวเลขของ Sesame ได้ เพราะไม่มีตัวเลขของ Sesame ให้ใช้เทียบ

ผลลัพธ์หนึ่งเดียวในชุดทดสอบที่ทำตัวเหมือนการเปรียบเทียบจริง ๆ คือผลลัพธ์ที่ไม่สบายใจ: สำหรับภาษาเกาหลี Ming-3.0-tts-tiny มีอัตราความผิดพลาดระดับอักขระ 6.000% ขณะที่รุ่นพี่น้องขนาด 0.5B ของมันเองมี 1.728% การ์ดโมเดลระบุภาษาเกาหลีไว้ในจุดอ่อนที่ทราบกันและไม่ได้ให้คำอธิบายใด ๆ คำอธิบายที่เป็นไปได้อย่างหนึ่ง — การกำหนดเส้นทางแบบเบาบางทำให้ภาษาที่ได้รับการฝึกน้อยมีความจุน้อยกว่าโมเดลแบบหนาแน่นที่มีขนาดใกล้เคียงกัน — เป็นสมมติฐาน ไม่ใช่ข้อค้นพบ การตีความเชิงปฏิบัติที่ปลอดภัยคือ: หากภาษาเกาหลีอยู่ในขอบเขต ต้องทดสอบก่อนจะเชื่อถือ

มีอะไรที่เราเรียนรู้ได้จากโมเดลของ Sesame โดยไม่มีตัวโมเดลบ้างไหม

ใช่ และมันคือสิ่งที่มีประโยชน์ที่สุดในการเปรียบเทียบนี้รองจากความแตกต่างเรื่องใบอนุญาต: Sesame เผยแพร่ benchmark เมื่อวันที่ 28 สิงหาคม 2026 ได้เปิดตัว TurnBench ซึ่งเป็น benchmark แบบเปิดสำหรับการผลัดกันพูดในบทสนทนาเสียง — ข้อมูลเสียงบทสนทนาแบบคู่ที่มีการกำกับสามชั้นจำนวน 30 ชั่วโมง, โพรโทคอลการให้คะแนนที่ดึงมาจากการวิเคราะห์บทสนทนา, กระดานอันดับสาธารณะ และผลลัพธ์สำหรับระบบ 14 ระบบ สร้างร่วมกับ Carnegie Mellon, Mundo AI และ Oto

การผลัดกันพูดเป็นคุณลักษณะที่ทั้งตาราง Elo ตามความชอบและตารางข้อผิดพลาดระดับคำต่างจับไม่ได้ และเป็นคุณลักษณะที่ผลิตภัณฑ์ของ Sesame มีชื่อเสียง หากคุณกำลังประเมิน Ming-3.0-tts-tiny สำหรับงานสนทนาใด ๆ TurnBench คือเครื่องมือที่ควรหยิบมาใช้ แม้ว่าแอปของ Sesame เองจะไม่ได้อยู่ในนั้นก็ตาม ให้คะแนนโมเดลที่คุณเสนอในด้านการจัดการการขัดจังหวะและจังหวะของสัญญาณตอบรับ แทนที่จะเดาจากเมตริกความคล้ายคลึง

นี่คือรูปแบบของการเปรียบเทียบที่เป็นธรรมในที่นี้ ไม่ใช่ Ming-3.0-tts-tiny เทียบกับเสียงของ Sesame Preview ซึ่งไม่สามารถรันได้ แต่เป็น Ming-3.0-tts-tiny เทียบกับ benchmark สาธารณะที่ Sesame กำหนดขึ้นสำหรับคุณสมบัติที่ทั้งสองฝ่ายกำลังไล่ตาม

ถ้าคุณกำลังสร้างสิ่งที่อย่างใดอย่างหนึ่งในสองอย่างนั้นมีไว้สำหรับ

สถาปัตยกรรมที่สมจริงสำหรับผลิตภัณฑ์ด้านเสียงในปี 2026 คือชั้นการพูดบวกกับสมองฝั่งข้อความที่ตัดสินใจว่าจะพูดอะไร และสองส่วนนี้อยู่คนละปลายของสแต็กนั้น Ming-3.0-tts-tiny เป็นชั้นการพูดได้ หากคุณมี GPU และมีความพร้อมที่จะประเมินมัน ส่วน Sesame Preview เป็นชั้นไม่ได้เลย มันคือผลิตภัณฑ์คู่แข่งที่คุณจะต้องสร้างขึ้นมาเพื่อแข่งด้วย

สมองด้านข้อความคือส่วนที่เราเตอร์มีประโยชน์จริง ไม่ใช่แค่ของประดับ OrcaRouter มีโมเดลข้อความมากกว่า 200 รุ่นไว้หลังคีย์เดียว ในราคาตามที่ผู้ให้บริการประกาศ โดยไม่บวกเพิ่ม ดังนั้นเมื่อผู้ให้บริการเปลี่ยนราคา ราคาของคุณก็จะเป็นราคานั้นในวันเดียวกัน พร้อมการสลับไปยังผู้ให้บริการอื่นโดยอัตโนมัติเมื่อเกิดปัญหา เพื่อให้ชัดเจนเรื่องขอบเขตการรองรับ: ไม่มีโมเดลเสียงพูดของ Ant รุ่นใดถูกกำหนดเส้นทางไว้ที่นี่ รวมถึง Ming-3.0-tts-tiny และไม่มีโมเดลของ Sesame เช่นกัน รวมถึง CSM-1B สิ่งที่ถูกกำหนดเส้นทางคือครึ่งหนึ่งของไปป์ไลน์ที่เขียนสคริปต์ เลือกแท็กอารมณ์ และตัดสินใจว่าเอเจนต์ควรพูดเมื่อใด — ซึ่งเป็นครึ่งเดียวกันกับที่คุณเปลี่ยนผู้ให้บริการได้โดยไม่ต้องบันทึกเสียงใหม่ใด ๆ

ดูอะไรแทนการดวลตัวต่อตัว

มีสามสิ่งที่จะทำให้สิ่งนี้กลายเป็นการเปรียบเทียบที่แท้จริง และยังไม่มีสิ่งใดเกิดขึ้นเลย

endpoint แบบโฮสต์สำหรับ Ming-3.0-tts-tiny หรือบุคคลที่สามที่เผยแพร่ค่าความหน่วงและอัตราข้อผิดพลาดที่วัดได้สำหรับโมเดลนี้ โรดแมปของ Ant เองกล่าวถึงการรองรับ vLLM-Omni ซึ่งเป็นเรื่องของการให้บริการมากกว่าคุณภาพ แต่ก็เป็นข้อกำหนดเบื้องต้นสำหรับใครก็ตามที่จะประเมินให้คะแนนโมเดลนี้

{{1}}ตัวเลขหนึ่ง{{/1}}ที่แนบมากับ {{2}}CSM เดือนตุลาคมของ Sesame{{/2}} บริษัทกล่าวว่าความสามารถในการแสดงออกและการออกเสียงดีขึ้น และความแตกต่างนั้นมีมากเมื่อสนทนายาวนาน; บริษัทไม่ได้เผยแพร่รหัสโมเดล ตัวเลขความหน่วง หรือเบนช์มาร์กใด ๆ และการวัดผลสาธารณะเพียงอย่างเดียวของสิ่งใดที่ใกล้เคียงยังคงเป็น TurnBench ซึ่งให้คะแนนการผลัดกันพูดมากกว่าคุณภาพเสียง

และผลลัพธ์ภาษาเกาหลีจากใครก็ตามที่ไม่ใช่ Ant ตัวเลข 6.000% เป็นข้อบกพร่องที่ชัดเจนที่สุดในบันทึกที่เผยแพร่ และการที่ทีมที่สองทำซ้ำหรือโต้แย้งผลนี้จะบอกคุณเกี่ยวกับเช็กพอยต์นี้ได้มากกว่าคะแนน Elo ใด ๆ

จนกว่าจะถึงตอนนั้น คำตัดสินที่ซื่อตรงก็ไม่น่าตื่นเต้นเอาเสียเลย ตัวหนึ่งคุณดาวน์โหลด ตรวจสอบ และนำไปใช้งานได้ พร้อมสัญญาอนุญาตที่เปิดทางให้ทำเช่นนั้น และชุดทดสอบมาตรฐานที่มีเพียงผู้เขียนของมันเท่านั้นที่เคยรัน ส่วนอีกตัวหนึ่งคุณคุยกับมันบนโทรศัพท์ได้ ชื่นชมได้ แต่ต่อยอดสร้างอะไรบนนั้นไม่ได้