Ming-3.0-tts พบ Sesame Preview: เสียงที่คุณเป็นเจ้าของได้ เทียบกับเสียงที่คุณได้เพียงฟัง

คุณสามารถฟัง Sesame Previewได้ภายในเวลาประมาณสามสิบวินาที และคุณไม่สามารถดาวน์โหลดมันได้ไม่ว่าจะจ่ายเงินเท่าไรก็ตาม คุณสามารถดาวน์โหลด Ming-3.0-ttsได้ฟรีภายใต้สัญญาอนุญาต MIT และไม่มีเดโมที่ขัดเกลาให้ลองก่อน ความไม่สมมาตรนี้คือการเปรียบเทียบทั้งหมด และการเปรียบเทียบแบบพบกันหมดส่วนใหญ่มักเข้าใจผิดด้วยการมองว่าทั้งสองเป็น API แปลงข้อความเป็นเสียงที่แข่งขันกัน แต่ไม่ใช่ Sesame Preview เป็นผลิตภัณฑ์สำหรับผู้บริโภคที่เสร็จสมบูรณ์ซึ่งสร้างขึ้นรอบเสียงที่ Sesame ไม่เคยเปิดตัว ส่วน Ming-3.0-tts เป็นโมเดลเสียงแบบเปิดน้ำหนักจากทีม inclusionAI ของ Ant Group เผยแพร่เมื่อวันที่ 20 ตุลาคม 2026 โดยไม่มีส่วนหน้าสำหรับผู้บริโภคที่โฮสต์ไว้เลย ตัวหนึ่งคือร้านอาหาร อีกตัวคือห้องครัว

นั่นไม่ได้ทำให้การเปรียบเทียบนี้ไร้ประโยชน์ แต่ทำให้กลายเป็นคำถามว่าจริง ๆ แล้วคุณกำลังพยายามซื้ออะไร: เอเจนต์สนทนาที่ใช้งานได้ตั้งแต่วันนี้ หรือเสียงที่คุณสามารถนำไปใส่ไว้ในผลิตภัณฑ์ของตัวเองและเก็บไว้ใช้ได้ในระยะยาว เมื่อแยกสองสิ่งนี้ออกจากกัน การตัดสินใจจะชัดเจนกว่าที่เอกสารสเปกชี้ให้เห็น และขึ้นอยู่กับข้อเท็จจริงที่หน้าเพจการตลาดของโมเดลทั้งสองไม่ได้ระบุไว้อย่างตรงไปตรงมา

สามสิ่งที่เรียกว่า “Sesame” ซึ่งมีเพียงหนึ่งเดียวที่คุณใช้ได้

การตั้งชื่อคือกับดักแรก “Sesame Preview” หมายถึงแอปฟรีที่มีบุคลิกการสนทนา 4 แบบ ได้แก่ Maya, Miles, Simone และ Charlie เปิดตัวในฐานะพรีวิวบนเว็บเมื่อเดือนกุมภาพันธ์ 2025 มาถึง iOS ช่วงปลายเดือนพฤษภาคม 2026 และ Android เมื่อวันที่ 6 สิงหาคม 2026 แอปนี้ค้นหาเว็บแบบเรียลไทม์ระหว่างการสนทนาและจดจำบริบทได้ตลอดทั้งเซสชัน

สิ่งที่ขับเคลื่อนแอปนั้นไม่ใช่โมเดลที่คุณดาวน์โหลดได้ เสียงระดับโปรดักชันของ Sesame ทำงานบนโมเดลแบบปิดที่ใหญ่กว่า ซึ่งไม่เคยถูกเปิดตัว ไฟล์ที่ดาวน์โหลดได้คือ CSM-1B หรือ Conversational Speech Model: มีพารามิเตอร์ประมาณ 1B ใช้สัญญาอนุญาต Apache-2.0 ถูกจำกัดการเข้าถึงด้วยการยอมรับข้อกำหนด สร้างบนแกนหลัก Llama พร้อมโคเดกเสียง Mimi ของ Kyutai ที่ 24 kHz CSM-1B เป็นบรรพบุรุษของเสียงเดโม ไม่ใช่ตัวเสียงเดโมเอง มันเป็นโมเดลฐานที่ไม่สามารถสร้างข้อความได้ด้วยตัวเอง และจำเป็นต้องมีโมเดลภาษาเข้าคู่ด้วย

ดังนั้น การวางกรอบอย่างตรงไปตรงมาของ "Ming-3.0-tts vs Sesame Preview" จริง ๆ แล้วคือการเปรียบเทียบสองชั้นที่ซ้อนทับกัน เมื่อเทียบกับแอป Preview แล้ว Ming แข่งขันในด้านความสามารถและแพ้ในเรื่องความเรียบเนียนและความหน่วง เมื่อเทียบกับ CSM-1B แล้ว Ming แข่งขันโดยตรงในเรื่องน้ำหนักโมเดล สัญญาอนุญาต และการควบคุม และชนะในเกือบทั้งหมดนั้น

สิ่งที่ Ming-3.0-tts นำเสนอ

Ming-3.0-tts เป็นสายงานการสังเคราะห์เสียงในตระกูล Ming-3.0 ห้าโมเดลของ Ant อยู่ภายใต้สัญญาอนุญาต MIT โดยมีน้ำหนักโมเดลบน Hugging Face และ ModelScope และมีโค้ดสำหรับการอนุมานในที่เก็บ GitHub แยกต่างหาก ผลิตภัณฑ์นี้เผยแพร่เป็นเช็กพอยต์สองตัวซึ่งเป็นผลิตภัณฑ์ที่แตกต่างกันจริง ๆ

• Ming-3.0-tts-0.5B — แบบ dense บนแบ็กโบน Qwen2.5-0.5B พร้อมหัว DiT และตัวแยกโทเค็นเสียง ขนาดประมาณ 2.96 GB นี่คือเช็กพอยต์ที่มีการรัน benchmark แบบอิสระ

• Ming-3.0-tts-tiny — โมเดล mixture of experts ขนาดรวม 7.9B พารามิเตอร์ เปิดใช้งาน 1.3B พารามิเตอร์ บนแกนหลัก Ling V3 ของ Ant ขนาดประมาณ 18 GB พร้อมเพิ่มความสามารถในการสร้างพอดแคสต์แบบหลายผู้พูด "Tiny" สื่อถึงต้นทุนการรัน ไม่ใช่ขนาดดาวน์โหลด

ความสามารถที่สำคัญสำหรับการเปรียบเทียบนี้: การโคลนเสียงแบบ zero-shot จากคลิปอ้างอิงสั้น ๆ การออกแบบเสียงจากคำอธิบายภาษาธรรมชาติ โหมดผู้กำกับสำหรับควบคุมการส่งเสียงแบบอิสระ แท็กพาราภาษาศาสตร์แบบอินไลน์ 14 แท็ก เช่น เสียงหัวเราะและถอนหายใจ การควบคุมอารมณ์อย่างชัดเจน ความเร็ว ระดับเสียงสูงต่ำ และระดับเสียงดัง เสียงภาษาจีนมากกว่า 100 เสียงและเสียงภาษาอังกฤษ 5 เสียง เจ็ดภาษาบวกภาษาเสฉวนและกวางตุ้ง และเอาต์พุต 44.1 kHz

ทั้งการทดสอบเสียงและกระดานผู้นำต่างก็ไม่สรุปผล

ชื่อเสียงของ Sesame ขึ้นอยู่กับว่าเสียงใน Preview ฟังดูเป็นอย่างไร การวัดโดยบุคคลที่สามยืนยันเรื่องนี้: รายการคัดเลือก TTS โอเพนซอร์สของ CodeSOTA จัดให้ Sesame อยู่อันดับหนึ่งด้วย 4.7 MOS และ CallSphere วัดเสียง Maya ที่ใช้งานจริงได้ 4.6 MOS ตัวเลขเหล่านี้แข็งแกร่ง และเป็นเหตุผลที่เดโมกลายเป็นไวรัล

สิ่งเหล่านี้ยังเป็นการวัดเสียงที่คุณไม่สามารถขอรับสิทธิ์ใช้งานได้ คำถามที่เกี่ยวข้องสำหรับนักพัฒนาคือไม่ใช่ “Maya ดีแค่ไหน” แต่เป็น “เสียงที่ดีที่สุดที่ฉันสามารถใส่ในผลิตภัณฑ์ของฉันได้ดีแค่ไหน”

บนกระดานจัดอันดับอิสระ Ming-3.0-tts แข็งแกร่งที่สุดในจุดที่เวิร์กโฟลว์การโคลนเสียงใช้งานจริงพอดี Controlled Voice Arena ของ Artificial Analysis ซึ่งใช้เสียงโคลนแปดเสียงครอบคลุมสำเนียงสหรัฐฯ สี่สำเนียงและสหราชอาณาจักรสี่สำเนียง จัดให้ Ming อยู่ที่ 1,069 Elo — อันดับหนึ่งในบรรดาโมเดล open-weight และราวอันดับ 13 โดยรวม ส่วนคะแนน Provider Voice ซึ่งโมเดลใช้เสียงมาตรฐานของตัวเอง อยู่ที่ 1,188 Elo เป็นอันดับสามในบรรดาโมเดล open-weight และราวอันดับ 18 โดยรวม ช่องว่างระหว่างสองผลลัพธ์นี้สรุปเอกลักษณ์ของโมเดลได้ในประโยคเดียว: มันเก่งกว่าในการเลียนแบบเสียงที่คุณให้มามากกว่าการเป็นเสียงพร้อมใช้ตั้งแต่แรก

Ming ยังได้อันดับหนึ่งร่วมโดยรวมในด้านความทนทานต่อการออกเสียง (Pronunciation Robustness) ที่ 93.2% ซึ่งเป็นผลลัพธ์จริงและเป็นส่วนต่างที่แคบมาก เมื่อพิจารณาเป็นคำเดี่ยว ๆ — ชื่อแบรนด์ ชื่อสถานที่ คำนามเฉพาะที่แยกออกมา — มันอยู่อันดับที่ 21 จาก 31 มองสิ่งนี้เป็นป้ายเตือนสำหรับใครก็ตามที่สคริปต์มีชื่อผลิตภัณฑ์อยู่: คะแนนภาพรวมไม่ใช่ตัวเลขที่รายงานบั๊กของคุณจะพูดถึง

Sesame Preview ไม่ปรากฏบนกระดานจัดอันดับเหล่านั้นในรูปแบบที่เทียบเคียงได้ เสียงในแอปของมันเป็นบุคลิกที่กำหนดไว้ตายตัว ไม่ใช่โคลน และไม่มีเช็กพอยต์สาธารณะของโมเดลที่ใช้งานจริงให้ใช้เป็นเกณฑ์เปรียบเทียบ ค่า MOS ที่ 4.7 คือหลักฐานที่ดีที่สุดเท่าที่มีอยู่ และมันวัดสิ่งที่แตกต่างออกไป

การควบคุม: เก้าอี้ผู้กำกับกับบุคลิกภาพ

Ming มองการพูดเป็นสัญญาณที่ควบคุมได้ คุณสามารถโคลนเสียงอ้างอิง ออกแบบเสียงจากข้อความ ติดแท็กคำพูดด้วยเสียงหัวเราะหรือเสียงถอนหายใจ หรือสั่งการลักษณะการพูดด้วยภาษอิสระได้ การ์ดโมเดลเปิดเผยตรงไปตรงมาว่าสิ่งนี้ยังไม่สมบูรณ์แบบตรงไหน: แท็กพาราภาษาศาสตร์แบบหลายเหตุการณ์อ่อนกว่าแบบเหตุการณ์เดียว การควบคุมอารมณ์ทำได้ยากขึ้นเมื่อข้อความมีสัญญาณทางอารมณ์น้อย ระดับเสียงแม่นยำน้อยกว่าความเร็วหรือระดับเสียงดัง และการออกแบบเสียงแบบเปิดกว้างยังตามหลังระบบที่แข็งแกร่งที่สุดที่ทีมประเมินอยู่ ไม่มีสิ่งใดผิดปกติสำหรับการเปิดตัวสู่สาธารณะครั้งแรก ทั้งหมดนี้มีเอกสารประกอบ ซึ่งมากกว่าที่ผู้จำหน่ายส่วนใหญ่เสนอ

พื้นผิวการควบคุมของ Sesame คือบทสนทนา แอปจัดการการผลัดกันพูด ความจำ และการค้นหาแบบเรียลไทม์ และเสียงเป็นเพียงองค์ประกอบหนึ่งของเอเจนต์ ไม่ใช่พารามิเตอร์ที่คุณปรับแต่ง จุดอ่อนของมันคืออีกด้านของความผสานรวมนั้น: การเรียกฟังก์ชันถูกวัดว่ามีอัตราข้อผิดพลาด 6.7% เทียบกับ 2.1% ของคู่แข่งแบบเรียลไทม์ ซึ่งเป็นตัวเลขประเภทที่สำคัญหากคุณต้องการสร้างเอเจนต์บนมันแทนที่จะพูดคุยกับเอเจนต์

หากความต้องการของคุณคือ "เสียงที่อ่านสคริปต์นี้ตามที่ฉันกำหนด" Ming เป็นเพียงตัวเดียวในสองตัวเลือกที่ให้การควบคุมเหล่านี้ หากความต้องการของคุณคือ "voice agent ที่จัดการบทสนทนา" Sesame เป็นเพียงตัวเดียวในสองตัวเลือกที่มีให้

คุณภาพภาษาและเสียง

• ภาษา — Ming รองรับภาษาจีน อังกฤษ เยอรมัน สเปน ฝรั่งเศส เกาหลี และญี่ปุ่น รวมถึงภาษาจีนเสฉวนและภาษากวางตุ้ง ส่วน Sesame Preview ให้ความสำคัญกับภาษาอังกฤษเป็นหลัก แอปนี้มีเฉพาะภาษาอังกฤษเท่านั้น และประสิทธิภาพของ CSM-1B ในภาษาต่างประเทศยังไม่ได้รับการทดสอบอย่างกว้างขวาง

• Sample rate — Ming ส่งออกที่ 44.1 kHz ส่วน CSM-1B ส่งออกที่ 24 kHz ผ่านตัวเข้ารหัส Mimi ซึ่งเพียงพอสำหรับเสียงสนทนา แต่แคบอย่างเห็นได้ชัดสำหรับงานที่เกี่ยวกับดนตรีหรืองานระดับออกอากาศ

• แค็ตตาล็อกเสียง — Ming มาพร้อมเสียงภาษาจีนกว่า 100 เสียงและเสียงภาษาอังกฤษ 5 เสียง ส่วน Sesame มาพร้อมเพอร์โซนา 4 แบบ ซึ่งแต่ละแบบมีบุคลิกที่แตกต่างกัน นี่เป็นการตัดสินใจเชิงผลิตภัณฑ์ที่คัดสรรแล้วมากกว่าจะเป็นเพียงแค็ตตาล็อก

• ช่วงอารมณ์ — Ming เปิดให้ปรับอารมณ์เป็นตัวควบคุมที่มีขีดจำกัดซึ่งระบุไว้อย่างชัดเจน ส่วนการแสดงออกทางอารมณ์ของ Sesame ถูกฝังอยู่ในเพอร์โซนาและได้รับการยอมรับอย่างกว้างขวางว่าเป็นจุดแข็งที่สุดของมัน อีกทั้งยังไม่ใช่สิ่งที่คุณจะปรับแต่งได้เอง

ความหน่วงคือชัยชนะที่ไม่อาจโต้แย้งได้ของ Sesame

นี่คือมิติเดียวที่การเปรียบเทียบไม่สูสีกันเลย Sesame Preview สตรีมด้วยความหน่วงไบต์แรกต่ำกว่า 300 มิลลิวินาที ส่วนเสียง Maya วัดได้ที่เวลาไปยังไบต์แรก 80–130 มิลลิวินาที และเอเจนต์แบบเต็มที่ 250–450 มิลลิวินาที โดยมี p95 ที่ 480 มิลลิวินาที นั่นคือระดับคุณภาพสำหรับบทสนทนา และเป็นผลลัพธ์ของผลิตภัณฑ์ที่สร้างขึ้นแบบครบวงจรสำหรับบทสนทนาแบบเรียลไทม์

Ming-3.0-tts เป็นโค้ดสำหรับการอนุมานระดับงานวิจัย ไม่มีเส้นทางการสตรีมมิงที่ dokumented ไว้ ไม่มีสแตกสำหรับให้บริการ และไม่มีตัวเลข latency ใน model card รีโพซิทอรีระบุถึงการอนุมานแบบเร่งความเร็วด้วย vLLM-Omni ว่าเป็นโรดแมป จนกว่าสิ่งนั้นจะมีอยู่ การนำ latency ของมันไปเปรียบเทียบกับของ Sesame ก็คือการเปรียบเทียบชุดทดสอบ benchmark กับผลิตภัณฑ์ที่วางจำหน่ายจริง และผลิตภัณฑ์ที่วางจำหน่ายจริงก็ชนะโดยปริยาย

ค่าใช้จ่ายของแต่ละอัน

• Sesame Preview — แอปนี้ฟรี เสียงเดโมไม่มีการขายไม่ว่าจะในราคาใด ซึ่งเป็นข้อเท็จจริงที่สำคัญสำหรับนักพัฒนา

• CSM-1B — API ของ Sesame เองระบุราคาไว้ที่ประมาณ $7 ต่อล้านตัวอักษร โดยมีบริบท 4K และให้บริการโดย Sesame เท่านั้น ที่ประมาณ 14 ตัวอักษรต่อวินาทีของเสียงพูด นั่นคิดเป็นประมาณ $0.35 ต่อชั่วโมงเสียง และเป็นตัวเลือกเสียงพูดแบบคิดค่าบริการตามปริมาณที่ถูกที่สุดในตลาดกลุ่มนี้

• Ming-3.0-tts — เวต MIT ฟรีและบิลค่า GPU การเช่า H800 ในราคาประมาณ $2 ต่อ GPU-ชั่วโมง เพื่อรันโมเดล 0.5B ให้เร็วกว่าเรียลไทม์ จะอยู่ต่ำกว่าอัตราคิดตามมิเตอร์อย่างมากเมื่อใช้งานในปริมาณต่อเนื่อง และจะสูงกว่าอัตรานั้นเมื่อใช้งานในปริมาณน้อย เมื่อนับกำลังการผลิตที่ไม่ได้ใช้งานอย่างตรงไปตรงมา

ดังนั้น การเปรียบเทียบต้นทุนจึงขึ้นอยู่กับปริมาณทั้งหมด และขึ้นอยู่กับว่าคุณมี GPU อยู่แล้วหรือไม่ หากต่ำกว่าไม่กี่สิบชั่วโมงเสียงต่อเดือน ราคา $0.35 ต่อชั่วโมงเสียงของ CSM-1B นั้นยากที่จะเอาชนะได้ และไม่ต้องใช้โครงสร้างพื้นฐานใด ๆ เมื่อเกินไม่กี่ร้อยชั่วโมง การโฮสต์ Ming ด้วยตนเองจะถูกกว่าและยิ่งถูกลงเรื่อย ๆ เพราะการสร้างเสียงเพิ่มเติมไม่มีต้นทุน ข้อผิดพลาดคือการเลือกจากราคาที่ติดป้ายแทนที่จะดูจากการใช้งานจริง

การให้สิทธิ์ใช้งานคือจุดที่ทั้งสองแยกจากกันจริง ๆ

CSM-1B ใช้ Apache-2.0 ซึ่งเป็นสัญญาอนุญาตแบบผ่อนปรน แต่ถูกล็อกไว้หลังการยอมรับข้อกำหนด และไม่ใช่โมเดลที่อยู่ในเดโม Ming-3.0-tts เป็น MIT ทั้งสองเช็กพอยต์ ไม่มีการล็อกการเข้าถึง ไม่มีหน้าคลิกยอมรับการใช้งานที่ยอมรับได้ และไม่มีข้อยกเว้นเชิงพาณิชย์ สำหรับการตรวจสอบทางกฎหมายที่ถามว่าโมเดลสามารถไฟน์จูนบนข้อมูลเสียงของลูกค้าและนำไปจัดส่งภายในผลิตภัณฑ์แบบปิดได้หรือไม่ คำตอบทั้งสองข้อคือได้ — แต่มีเพียงหนึ่งเดียวเท่านั้นที่เป็นโมเดลที่คุณได้ยินจริง

นั่นคือข้อแลกเปลี่ยนในประโยคเดียว: Sesame ให้เสียงที่ฟังดีกว่าและเก็บไว้เป็นของตัวเอง ส่วน Ming ให้เสียงที่ฟังดีซึ่งคุณพากลับบ้านได้

OrcaRouter เหมาะตรงไหน — และไม่เหมาะตรงไหน

โมเดลทั้งสองไม่ได้โฮสต์บน OrcaRouter ไม่มีเอนด์พอยต์เสียงพูด Ming และไม่มีเอนด์พอยต์ Sesame บนแพลตฟอร์มของเรา และหน้านี้จะไม่สร้างเอนด์พอยต์ขึ้นมาเอง สิ่งที่เราโฮสต์คือส่วนที่เหลือของสแต็ก: โมเดลภาษาที่เขียนและปรับสคริปต์ใหม่ และโมเดลเสียงพูดระดับโปรดักชัน เช่น Gemini 3.1 Flash TTS Preview และ GPT-4o mini TTS สำหรับทีมที่ต้องการเสียงพูดแบบ managed แทนที่จะเป็นแบบโฮสต์เอง

ส่วนที่มีประโยชน์คือรอยต่อระหว่างเลเยอร์เหล่านี้ หากคุณโฮสต์ Ming เอง โมเดลเสียงของคุณไม่มีการรับประกันความพร้อมใช้งาน ไม่มีการขยายขนาดอัตโนมัติ และไม่มีภูมิภาคสำรอง เลเยอร์การจัดเส้นทางสามารถทำให้ครึ่งที่เป็นข้อความของไปป์ไลน์มีระบบสำรอง และสลับไปใช้ตัวสำรองโดยอัตโนมัติเมื่อผู้ให้บริการมีประสิทธิภาพลดลง คีย์ API หนึ่งคีย์ครอบคลุมโมเดลมากกว่า 200 รายการ ที่ มาร์กอัป 0% จากราคาตามรายการของผู้ให้บริการ และ DSL สำหรับการจัดเส้นทางช่วยให้คุณประกอบเส้นทางหลักและเส้นทางสำรองไว้ในการเรียกครั้งเดียว แทนที่จะกระจายตรรกะการลองใหม่ไปทั่วแอปพลิเคชันของคุณ การหลอมรวมโมเดลเป็นอีกทางเลือกหนึ่งที่ควรรู้ สำหรับงานอย่างการปรับบทสคริปต์ คณะโมเดลที่ตอบร่วมกันมักเอาชนะโมเดลเดียวได้ เมื่องานนั้นเป็นการใช้วิจารณญาณมากกว่าการสร้างสรรค์ ไม่มีสิ่งใดทำให้ Ming เร็วขึ้น หรือทำให้ Sesame สามารถให้ลิขสิทธิ์ได้ แต่ทำให้ไปป์ไลน์รอบ ๆ เสียงที่คุณเลือกอยู่รอดได้ แม้ว่าเสียงนั้นจะเป็นจุดอ่อน

การตัดสินใจที่กล่าวไว้อย่างตรงไปตรงมา

ถ้าคุณต้องการวอยซ์เอเจนต์สำหรับสนทนาภาษาอังกฤษภายในสัปดาห์นี้ Sesame Preview คือผลิตภัณฑ์ที่สมบูรณ์แบบ และไม่มีอะไรในโลกของโมเดลน้ำหนักเปิดที่เทียบได้กับความหน่วงหรือบุคลิกที่พร้อมใช้ทันทีของมัน ยอมรับเถอะว่าคุณไม่สามารถขอรับสิทธิ์ใช้งานเสียงได้ คุณกำลังสร้างบนแอปแบบปิด และ 4.7 MOS คือเพดานสูงสุดของสิ่งที่คุณตรวจสอบได้

หากคุณต้องการเสียงภายในผลิตภัณฑ์ของคุณเอง — ทั้งการโคลนเสียง การออกแบบ และการควบคุม ได้ในเจ็ดภาษา ภายใต้เงื่อนไข MIT และไม่มีระบบคิดค่าบริการตามจำนวนตัวอักษร — Ming-3.0-tts คือตัวเลือกนั้น โดยมีเงื่อนไขสองข้อกำกับอยู่ ก่อนที่คุณจะเชื่อคะแนนการออกเสียง 93.2% ให้ทดสอบคำศัพท์ของคุณเองก่อน เพราะผลลัพธ์กับคำศัพท์แบบแยกเดี่ยวอ่อนกว่ามาก และวางแผนเรื่องงานวิศวกรรมไว้ด้วย: เส้นทางการทำอินเฟอเรนซ์ยังอยู่ในระดับงานวิจัย ยังไม่มีเรื่องสตรีมมิ่ง และแคตตาล็อกเสียงภาษาอังกฤษมีอยู่เพียงห้าเสียงเท่านั้น

สิ่งเดียวที่คุณไม่ควรทำคืออ่านสิ่งนี้เป็นการประกวดคุณภาพ เสียงเดโมของ Sesame น่าจะฟังดูดีกว่าเสียงอังกฤษมาตรฐานของ Ming จริง ๆ; นั่นคือสิ่งที่ผลิตภัณฑ์สี่เพอร์โซนาที่คัดสรรและปรับให้เหมาะกับการสนทนาควรทำได้ คำถามคือคุณกำลังซื้อเสียงนั้น หรือเช่าประสบการณ์ในการได้ยินเสียงนั้น มีเพียงหนึ่งในนั้นเท่านั้นที่อยู่ในเมนู