Ming-3.0-tts-tiny so với Sesame-Preview: Một checkpoint bạn có thể tải xuống đối lại với một giọng nói bạn không thể gọi

Đặt Ming-3.0-tts-tiny và Sesame Preview vào cùng một câu và phép so sánh sụp đổ trước cả bài benchmark đầu tiên, vì chỉ một trong hai là thứ mà nhà phát triển có thể có được. Ming-3.0-tts-tiny là checkpoint inclusionAI của Ant Group: tổng cộng 7,9 tỷ tham số, khoảng 1,3 tỷ tham số hoạt động trên mỗi token, trọng số theo giấy phép MIT được công bố trên Hugging Face cùng mã suy luận ra mắt trên GitHub ngày 19 tháng 10 năm 2026. Sesame Preview là một trợ lý dành cho người tiêu dùng — bốn giọng nói, ứng dụng iOS và Android, không API, không model ID, không có điểm được công bố cho giọng nói khiến nó đáng để viết về. Một bên là một tệp. Bên kia là một sản phẩm. Câu hỏi thú vị không phải là cái nào nghe hay hơn, vì chưa ai đo được điều đó ở bên nào theo cách có thể so sánh, mà là mỗi cái cho phép bạn làm gì vào một buổi chiều thứ Ba khi bạn có một kịch bản và một hạn chót. Những lỗi AI và sự cố tác nhân đã được ghi nhận đằng sau các bản phát hành như bản này được tập hợp trong the OrcaRouter AI Incident Archive nơi mỗi mục mang theo nguồn riêng, mức độ nghiêm trọng, mức độ tin cậy và cờ tranh chấp.

Thời điểm ở đây quan trọng theo cách hiếm khi thấy. Kho lưu trữ của Ming-3.0-tts-tiny được tạo vào ngày 22 tháng 9 năm 2026, các trọng số được đăng lên vào ngày 24 tháng 9, và trong ba tuần rưỡi, bản phát hành không thể dùng được — một thư mục gồm các shard mà không có cách chạy chúng nào được công bố. Mã suy luận, các ví dụ chạy bằng một cú nhấp và cẩm nang tác vụ cùng xuất hiện vào ngày 19 tháng 10 lúc 08:58 UTC. Ant chưa công bố bất kỳ phần nào trong đó. Ngược lại, Sesame Preview đã được phát hành công khai từ mùa xuân và nhận được một bản cập nhật thực sự vào ngày 6 tháng 10 năm 2026, khi giám đốc sản phẩm của công ty mô tả một Conversational Speech Model mới đằng sau ứng dụng. Cả hai đều không phải là một buổi ra mắt theo nghĩa mà một thông cáo báo chí muốn nói, nhưng cả hai đều là những động thái, và chỉ một trong hai đi kèm với thứ bạn có thể tải xuống.

Bản tóm tắt ngắn, trước khi đi vào bằng chứng

Nếu bạn đang xây dựng một sản phẩm, Sesame Preview không phải là ứng viên và hôm nay cũng không thể trở thành một ứng viên: không có endpoint nào để gọi, không có giấy phép nào để đọc, không có giá, và không có cam kết rằng giọng nói trong ứng dụng chính là giọng nói trong bất kỳ mô hình nào. Nếu bạn đang xây dựng một sản phẩm và cần một giọng nói do bạn sở hữu, Ming-3.0-tts-tiny là một ứng viên — một ứng viên non trẻ, chưa được chấm điểm, tự triển khai, sẽ buộc bạn phải tự mình đánh giá.

Đó là toàn bộ quyết định đối với hầu hết các nhóm. Phần dưới đây dành cho những trường hợp không như vậy: những người so sánh chúng như âm thanh hội thoại thay vì như sản phẩm, hoặc cân nhắc xem cách tiếp cận của Sesame có phải là thứ nên sao chép hay không.

Mỗi thứ thực sự đặt vào tay bạn là gì

• Những gì bạn tải xuống — {{1}}Ming-3.0-tts-tiny{{/1}}: khoảng 18 GB chứa phần nền tảng {{2}}Ling V3{{/2}}, một đầu mô hình diffusion-transformer, một bộ token hóa âm thanh, một bộ mã hóa người nói {{3}}CAM++{{/3}} và một bộ token hóa văn bản. {{4}}Sesame Preview{{/4}}: một ứng dụng từ {{5}}App Store{{/5}} hoặc G​oogle Play, và không có gì khác.

• Bạn có thể gọi — Ming-3.0-tts-tiny: một lớp Python, MingTinyTTS.from_pretrained, với tên tác vụ cho nhân bản zero-shot, tổng hợp đa ngôn ngữ, cận ngôn ngữ, hội thoại podcast, cảm xúc, phương ngữ, phong cách tự do và thiết kế giọng nói. Sesame: giao diện trò chuyện với bốn tính cách. Chưa từng có ID mô hình nào được công bố cho giọng nói sản xuất.

• Giấy phép — Ming-3.0-tts-tiny: MIT áp dụng cho trọng số và mã, kèm ghi chú sử dụng yêu cầu bạn không mạo danh người khác và dán nhãn âm thanh tổng hợp. Sesame: điều khoản dịch vụ của ứng dụng, cùng với một checkpoint mở được thảo luận bên dưới mà không phải là mô hình sản xuất.

• Phạm vi ngôn ngữ — Ming-3.0-tts-tiny: tiếng Trung, tiếng Anh, tiếng Đức, tiếng Tây Ban Nha, tiếng Pháp, tiếng Hàn và tiếng Nhật, với tiếng Tứ Xuyên và tiếng Quảng Đông có sẵn từ một clip tham chiếu phương ngữ. Sesame: tiếng Anh là ngôn ngữ duy nhất được hỗ trợ chính thức; hướng dẫn lưu ý rằng các trợ lý cũng xử lý tiếng Pháp, tiếng Ý, tiếng Đức, tiếng Tây Ban Nha, tiếng Trung, tiếng Nhật và tiếng Hàn "ở giai đoạn đầu", điều này giống như một cảnh báo hơn là danh sách tính năng.

• Giá — Ming-3.0-tts-tiny: không có bảng giá; bạn trả tiền cho một H800 và tiền điện. Sesame: miễn phí sử dụng, không có gói dịch vụ nào được công bố, và công ty nói rằng họ không chạy quảng cáo và không bán dữ liệu.

• Điểm độc lập — Ming-3.0-tts-tiny: không có, và đặc biệt không phải 1,188 Elo mà Artificial Analysis liệt kê cho "Ming-3.0-tts", con số thuộc về checkpoint 0.5B. Sesame: cũng không có điểm nào cho giọng của ứng dụng. Đây là cặp đối đầu hiếm hoi mà cả hai bên đều không có một con số.

Hiện vật Sesame duy nhất mà một nhà phát triển có thể cầm trên tay.

Có một mô hình Sesame trên Hugging Face, và đáng để nói chính xác về việc nó là gì, bởi vì nó thường bị nhầm với giọng nói trong ứng dụng.

CSM-1B dùng giấy phép Apache-2.0, chỉ hỗ trợ tiếng Anh và được xây dựng trên kiến trúc mà công ty đã mô tả công khai: một xương sống Llama dự đoán codebook âm thanh đầu tiên và một bộ giải mã độ sâu nhỏ hơn dự đoán phần còn lại, giải mã qua codec Mimi của Kyutai ở 24 kHz. Trang mô hình gọi nó là “một mô hình sinh cơ bản” — có khả năng tạo ra nhiều giọng nói khác nhau, không được tinh chỉnh cho bất kỳ giọng cụ thể nào, và rõ ràng chính một mô hình phái sinh từ nó mới là thứ vận hành bản demo tương tác, chứ không phải checkpoint tự nó là bản demo. Tính đến thời điểm ghi nhận này, nó cho thấy khoảng 130.000 lượt tải xuống trong tháng trước và khoảng 2.500 lượt thích, một lượng người theo dõi thực sự của nhà phát triển đối với một bản phát hành nghiên cứu đã hai năm tuổi.

Điều đó có nghĩa trên thực tế là: bạn có thể tải kiến trúc của Sesame, tinh chỉnh nó và tự triển khai một TTS hội thoại. Bạn không thể tải sản phẩm của Sesame. Bản cập nhật tháng Mười — một CSM mới có khả năng biểu cảm và phát âm tốt hơn, theo lời chính công ty — đã thay đổi thứ bạn không thể có, và không nói gì đo lường được về nó.

Nơi chúng thực sự chồng lấn, và nơi sự chồng lấn kết thúc

Cả hai đều hướng tới giọng nói nghe như hội thoại chứ không phải tường thuật, và đó không phải là điểm chung nhỏ. Sesame gây dựng danh tiếng nhờ hơi thở, sự ngập ngừng và thời điểm ngắt lời thuyết phục đến mức những người nghe ban đầu tưởng rằng có người thật đang ở đầu dây bên kia. Mô hình nhỏ của Ant cung cấp 14 thẻ cận ngôn ngữ nội tuyến cho tiếng cười, tiếng thở dài, hơi thở và sự ngập ngừng, cùng một tác vụ podcast nhiều người nói mà chính mô hình anh em 0,5B của nó không làm được.

Vượt qua điểm đó, vùng chồng lấn nhanh chóng hẹp lại.

Lợi thế của Sesame là giọng nói được tích hợp trong một sản phẩm đang vận hành, có bộ nhớ, các trình kết nối tới Gmail, Calendar và Drive, máy tính riêng để duyệt web và hành động, hỗ trợ MCP qua OAuth, và từ tháng Mười, khả năng điều phối các tác nhân khác. Không điều nào trong số đó là tính năng của một mô hình giọng nói; đó là một trợ lý, và giọng nói là cách bạn trò chuyện với nó. Lợi thế của Ant là mọi thứ đều có thể kiểm tra được. Mỗi con số trong thẻ mô hình đều có thể truy vết về một tập kiểm thử, mỗi tác vụ đều có một ví dụ có thể chạy được, và pipeline là của bạn để sửa đổi.

Sự bất đối xứng quyết định hầu hết các đánh giá đơn giản hơn cả hai danh sách: với Ming-3.0-tts-tiny, bạn có thể tạo cùng một câu hàng trăm lần và nghe. Với Sesame, bạn không thể tạo ra bất cứ thứ gì, nên không có thí nghiệm nào để chạy — chỉ có một ý kiến về một ứng dụng.

Những gì Ant công bố, và điều đó đáng giá bao nhiêu

Việc dễ bị cám dỗ trong một màn so tài như thế này là lấp đầy khoảng trống bằng các bảng benchmark của Ant, và chúng quả thực đồ sộ: Seed-TTS tiếng Trung đạt 0.820% lỗi từ và 0.781 độ tương đồng người nói, tiếng Anh đạt 1.666% và 0.728, tiếng Đức 0.325%, tiếng Tây Ban Nha 0.971%, kết quả cận ngôn ngữ NVBench dẫn đầu cả sáu hạng mục sự kiện đơn, các bộ kiểm thử phương ngữ đạt 86.09% trên WSC-Eval-TTS easy, cảm xúc đạt 74.00% trên CV3, thiết kế giọng nói đạt 75.37% trên InstructTTSEval-ZH.

Mỗi một con số trong đó đều là Ant tự đo Ant, trên bộ khung đánh giá của Ant, với các clip tham chiếu và mã chấm điểm của Ant, và không có phần nào trong đó được tái lập bên ngoài công ty. Điều đó không làm các con số trở nên sai. Nó khiến chúng trở thành số liệu do nhà cung cấp tự báo cáo, và điều đó có nghĩa là không thể đặt chúng cạnh một con số của Sesame vì không có con số Sesame nào để đặt chúng cạnh.

Kết quả duy nhất trong bộ đánh giá hành xử như một phép so sánh thực sự lại là kết quả gây khó chịu: trên tiếng Hàn, Ming-3.0-tts-tiny ghi nhận 6.000% lỗi ký tự, trong khi mô hình anh em 0.5B của chính nó ghi nhận 1.728%. Thẻ mô hình liệt kê tiếng Hàn trong số các điểm yếu đã biết và không đưa ra lời giải thích nào. Một lời giải thích hợp lý — định tuyến thưa khiến một ngôn ngữ được huấn luyện ít có ít năng lực hơn so với mức một mô hình dày đặc có kích thước tương tự sẽ có — chỉ là giả thuyết, chứ không phải phát hiện. Cách diễn giải vận hành là cách an toàn: nếu tiếng Hàn nằm trong phạm vi, hãy kiểm thử nó trước khi tin tưởng nó.

Có điều gì có thể học được từ mô hình của Sesame mà không cần đến mô hình không?

Đúng vậy, và đây là điều hữu ích nhất trong so sánh này sau khác biệt về giấy phép: Sesame công bố một benchmark. Vào ngày 28 tháng 8 năm 2026, họ phát hành TurnBench, một benchmark mở cho việc luân phiên lượt lời trong hội thoại nói — 30 giờ dữ liệu hội thoại theo cặp được chú thích bởi ba người, một giao thức tính điểm rút ra từ phân tích hội thoại, một bảng xếp hạng công khai và kết quả cho 14 hệ thống, được xây dựng cùng Carnegie Mellon, Mundo AI và Oto.

Lượt lời chính là phẩm chất mà cả bảng Elo sở thích lẫn bảng lỗi từ đều không nắm bắt được, và cũng là phẩm chất làm nên tên tuổi sản phẩm của Sesame. Nếu bạn đang đánh giá Ming-3.0-tts-tiny cho bất kỳ mục đích hội thoại nào, TurnBench là công cụ nên mượn, dù ứng dụng riêng của Sesame không có trên đó: hãy chấm điểm ứng viên của bạn ở khả năng xử lý ngắt lời và thời điểm backchannel thay vì đoán từ một chỉ số tương đồng.

Đó là hình thức của một so sánh công bằng ở đây. Không phải Ming-3.0-tts-tiny so với giọng của Sesame Preview, thứ không thể chạy được, mà là Ming-3.0-tts-tiny so với một benchmark công khai do Sesame định nghĩa cho thuộc tính mà cả hai đang theo đuổi.

Nếu bạn đang xây dựng thứ mà một trong hai thứ đó hướng đến

Kiến trúc thực tế cho một sản phẩm giọng nói vào năm 2026 là một lớp giọng nói cộng với một bộ não văn bản quyết định sẽ nói gì, và hai thành phần này nằm ở hai đầu đối diện của ngăn xếp đó. Ming-3.0-tts-tiny có thể là lớp giọng nói, nếu bạn có GPU và đủ hứng thú để đánh giá nó. Sesame Preview hoàn toàn không thể là một lớp; đó là một sản phẩm đối thủ mà bạn sẽ phải xây dựng để cạnh tranh với nó.

Bộ não văn bản là phần mà một bộ định tuyến thực sự hữu ích chứ không chỉ để trang trí. OrcaRouter cung cấp hơn 200 mô hình văn bản phía sau một khóa, theo giá niêm yết của nhà cung cấp mà không cộng thêm phụ phí, nên khi nhà cung cấp đổi giá thì giá của bạn cũng thay đổi ngay trong ngày, với tính năng chuyển đổi dự phòng tự động giữa các nhà cung cấp. Nói rõ về phạm vi: không có mô hình giọng nói Ant nào được định tuyến ở đây, bao gồm cả Ming-3.0-tts-tiny, và không có mô hình Sesame nào cũng vậy, bao gồm cả CSM-1B. Phần được định tuyến là nửa phần pipeline viết kịch bản, chọn thẻ cảm xúc và quyết định thời điểm tác nhân nên nói — đây cũng là nửa mà bạn có thể thay đổi nhà cung cấp mà không cần ghi âm lại bất cứ thứ gì.

Xem gì thay vì một màn đối đầu trực tiếp

Ba điều sẽ biến đây thành một sự so sánh thực sự, và chưa có điều nào trong số đó xảy ra.

Một endpoint được lưu trữ cho Ming-3.0-tts-tiny, hoặc một bên thứ ba công bố độ trễ và tỷ lệ lỗi đo được cho nó. Lộ trình của chính Ant có nhắc đến việc hỗ trợ vLLM-Omni, đây là vấn đề về phục vụ chứ không phải về chất lượng, nhưng nó là điều kiện tiên quyết để bất kỳ ai khác chấm điểm mô hình.

Một con số gắn với CSM tháng 10 của Sesame. Công ty cho biết khả năng biểu đạt và cách phát âm đã được cải thiện và sự khác biệt là lớn qua các cuộc hội thoại dài; công ty chưa công bố ID mô hình, không có số liệu độ trễ và không có benchmark, và phép đo công khai duy nhất về bất cứ thứ gì liên quan vẫn là TurnBench, đánh giá việc luân phiên lượt nói thay vì chất lượng giọng nói.

Và một kết quả tiếng Hàn từ bất kỳ ai khác ngoài Ant. Con số 6.000% là khiếm khuyết rõ ràng nhất trong hồ sơ đã công bố, và một nhóm thứ hai tái lập hoặc phản bác nó sẽ cho bạn biết nhiều hơn về checkpoint này so với bất kỳ điểm Elo nào.

Cho đến lúc đó, kết luận trung thực thật chẳng hào nhoáng: một trong hai thứ này, bạn có thể tải về, kiểm tra và phát hành, với giấy phép cho phép điều đó và một bộ benchmark mà chỉ tác giả của nó từng chạy. Thứ còn lại, bạn có thể trò chuyện trên điện thoại, chiêm ngưỡng, nhưng không thể xây dựng dựa trên nó.