Ming-3.0-tts so với Sesame Preview: Giọng nói bạn có thể sở hữu đối lại giọng nói bạn chỉ có thể nghe

Bạn có thể nghe Sesame Preview trong khoảng ba mươi giây và bạn không thể tải xuống nó với bất kỳ mức giá nào. Bạn có thể tải xuống Ming-3.0-tts miễn phí theo giấy phép MIT và không có bản demo chỉn chu nào để dùng thử trước. Sự bất đối xứng đó chính là toàn bộ phép so sánh, và hầu hết các bài so sánh trực tiếp đều hiểu sai khi coi hai bên là những API chuyển văn bản thành giọng nói cạnh tranh nhau. Thực tế không phải vậy. Sesame Preview là một sản phẩm tiêu dùng hoàn chỉnh được xây dựng quanh một giọng nói mà Sesame chưa từng phát hành; Ming-3.0-tts là một mô hình giọng nói trọng số mở của nhóm inclusionAI thuộc Ant Group, được công bố ngày 20 tháng 10 năm 2026, và hoàn toàn không có giao diện người dùng cuối nào được lưu trữ trực tuyến. Một bên là nhà hàng. Bên kia là căn bếp.

Điều đó không khiến việc so sánh trở nên vô ích. Nó khiến việc so sánh trở thành câu hỏi về thứ bạn thực sự đang muốn mua: một tác nhân hội thoại hoạt động được ngay bây giờ, hay một giọng nói mà bạn có thể đưa vào sản phẩm của riêng mình và giữ lại. Khi tách riêng hai điều đó, quyết định sẽ rõ ràng hơn so với những gì các bảng thông số kỹ thuật gợi ý — và nó phụ thuộc vào những sự thật mà không trang tiếp thị của mô hình nào nêu rõ.

Ba thứ cùng có tên “Sesame”, nhưng chỉ một thứ bạn có thể dùng

Cách đặt tên chính là cái bẫy đầu tiên. "Sesame Preview" dùng để chỉ ứng dụng miễn phí với bốn nhân vật hội thoại — Maya, Miles, Simone và Charlie. Nó ra mắt dưới dạng bản xem trước trên web vào tháng 2 năm 2025, đến với iOS vào cuối tháng 5 năm 2026 và Android vào ngày 6 tháng 8 năm 2026. Nó thực hiện tìm kiếm trực tiếp trên web ngay giữa cuộc trò chuyện và ghi nhớ ngữ cảnh xuyên suốt một phiên.

Thứ vận hành ứng dụng đó không phải là mô hình bạn có thể tải xuống. Giọng nói trong môi trường production của Sesame chạy trên một mô hình đóng lớn hơn chưa từng được phát hành. Sản phẩm có thể tải xuống là CSM-1B, Conversational Speech Model: khoảng 1B tham số, Apache-2.0, bị chặn sau bước chấp nhận điều khoản, được xây dựng trên nền Llama với codec âm thanh Mimi của Kyutai ở 24 kHz. CSM-1B là tổ tiên của giọng demo, không phải chính giọng demo. Đây là một mô hình cơ sở không thể tự sinh văn bản và cần được ghép cặp với một mô hình ngôn ngữ.

Vậy cách diễn đạt trung thực về "Ming-3.0-tts vs Sesame Preview" thực chất là hai phép so sánh chồng lên nhau. So với ứng dụng Preview, Ming cạnh tranh về năng lực và thua về độ hoàn thiện cùng độ trễ. So với CSM-1B, Ming cạnh tranh trực tiếp về trọng số, giấy phép và quyền kiểm soát, và thắng ở hầu hết các điểm đó.

Ming-3.0-tts mang lại những gì

Ming-3.0-tts là dòng tổng hợp giọng nói thuộc gia đình Ming-3.0 gồm năm mô hình của Ant, được cấp phép MIT, với trọng số trên Hugging Face và ModelScope cùng mã suy luận trong một kho GitHub riêng. Mô hình được phát hành dưới dạng hai checkpoint thực sự là hai sản phẩm khác nhau.

• Ming-3.0-tts-0.5B — dense, trên nền Qwen2.5-0.5B với đầu DiT và bộ tokenizer âm thanh, khoảng 2,96 GB. Đây là checkpoint có các lần chạy benchmark độc lập.

• Ming-3.0-tts-tiny — một hỗn hợp chuyên gia tổng cộng 7,9B, kích hoạt 1,3B trên nền tảng Ling V3 của Ant, khoảng 18 GB, bổ sung khả năng tạo podcast nhiều người nói. “Tiny” mô tả chi phí khi chạy, không phải kích thước tải xuống.

Các khả năng quan trọng cho so sánh này: nhân bản giọng nói zero-shot từ một clip tham chiếu ngắn, thiết kế giọng nói từ mô tả bằng ngôn ngữ tự nhiên, chế độ đạo diễn để điều khiển cách thể hiện tự do, 14 thẻ cận ngôn ngữ nội tuyến như tiếng cười và tiếng thở dài, điều khiển cảm xúc tường minh, tốc độ, cao độ và âm lượng, hơn 100 giọng tiếng Trung và năm giọng tiếng Anh, bảy ngôn ngữ cùng tiếng Tứ Xuyên và tiếng Quảng Đông, và đầu ra 44,1 kHz.

Bài kiểm tra giọng nói không giải quyết được bảng xếp hạng nào trong hai bảng.

Danh tiếng của Sesame dựa vào cách các giọng Preview phát ra. Các đo lường của bên thứ ba củng cố điều đó: danh sách rút gọn TTS mã nguồn mở của CodeSOTA xếp Sesame ở vị trí đầu tiên với 4,7 MOS, và CallSphere đo giọng Maya bản sản xuất ở mức 4,6 MOS. Đó là những con số mạnh, và chúng là lý do bản demo lan truyền mạnh.

Chúng cũng là những phép đo của một giọng nói mà bạn không thể cấp phép. Câu hỏi relevant đối với một nhà phát triển không phải là "Maya tốt đến đâu" mà là "giọng nói tốt nhất mà tôi có thể đưa vào sản phẩm của mình tốt đến đâu."

Trên các bảng xếp hạng độc lập, Ming-3.0-tts mạnh nhất đúng ở nơi quy trình nhân bản giọng nói diễn ra. Controlled Voice Arena của Artificial Analysis, nơi sử dụng tám giọng đã nhân bản trên bốn chất giọng Mỹ và bốn chất giọng Anh, đưa Ming lên 1.069 Elo — đứng đầu trong các mô hình trọng số mở và khoảng thứ 13 chung cuộc. Điểm Provider Voice, nơi mô hình sử dụng các giọng có sẵn của chính mình, là 1.188 Elo, đứng thứ ba trong các mô hình trọng số mở và khoảng thứ 18 chung cuộc. Khoảng cách giữa hai kết quả đó tóm gọn cá tính của mô hình trong một câu: nó giỏi tái tạo giọng bạn cung cấp hơn nhiều so với việc tự thân trở thành một giọng nói có sẵn.

Ming cũng đồng hạng nhất chung cuộc ở hạng mục Pronunciation Robustness với 93,2%, một kết quả có thật và rất sát nút. Ở các thuật ngữ độc lập — tên thương hiệu, tên địa danh, danh từ riêng tách rời — nó xếp thứ 21/31. Hãy xem đó như một nhãn cảnh báo cho bất kỳ ai có kịch bản chứa tên sản phẩm: điểm tổng hợp không phải con số mà các báo cáo lỗi của bạn sẽ nói tới.

Sesame Preview không xuất hiện trên các bảng đó ở dạng có thể so sánh được. Các giọng trong ứng dụng của nó là những persona cố định, không phải bản sao, và không có checkpoint công khai nào của mô hình sản xuất để đánh giá chuẩn. MOS 4.7 là bằng chứng tốt nhất hiện có và nó đo một thứ khác.

Kiểm soát: ghế đạo diễn so với một cá tính

Ming coi giọng nói như một tín hiệu có thể điều khiển. Bạn có thể nhân bản một giọng tham chiếu, thiết kế một giọng từ văn bản, gắn thẻ cho một phát ngôn bằng tiếng cười hoặc tiếng thở dài, hoặc chỉ dẫn cách thể hiện bằng ngôn ngữ tự do. Thẻ mô hình nói thẳng về những điểm chưa hoàn hảo: các thẻ cận ngôn ngữ đa sự kiện yếu hơn thẻ đơn sự kiện, việc điều khiển cảm xúc khó hơn khi văn bản chứa ít tín hiệu cảm xúc, cao độ kém chính xác hơn tốc độ hoặc âm lượng, và thiết kế giọng mở vẫn còn thua kém hệ thống mạnh nhất mà nhóm đã đánh giá. Không điều nào trong đó là bất thường với một bản phát hành công khai đầu tiên. Tất cả đều được ghi lại, nhiều hơn những gì hầu hết nhà cung cấp đưa ra.

Bề mặt điều khiển của Sesame là một cuộc hội thoại. Ứng dụng quản lý việc luân phiên lượt nói, bộ nhớ và tìm kiếm trực tiếp, còn giọng nói chỉ là một thành phần của một agent thay vì một tham số bạn tinh chỉnh. Điểm yếu của nó chính là mặt trái của sự tích hợp đó: gọi hàm được đo ở tỷ lệ lỗi 6,7% so với 2,1% của một đối thủ cạnh tranh thời gian thực, một con số đáng quan tâm nếu bạn muốn xây dựng một agent trên đó thay vì trò chuyện với một agent.

Nếu yêu cầu của bạn là “một giọng đọc đọc kịch bản này theo đúng cách tôi chỉ định”, thì Ming là bên duy nhất trong hai bên cung cấp các điều khiển. Nếu yêu cầu của bạn là “một tác nhân giọng nói xử lý một cuộc hội thoại”, thì Sesame là bên duy nhất trong hai bên cung cấp một tác nhân như vậy.

Ngôn ngữ và chất lượng âm thanh

• Ngôn ngữ — Ming hỗ trợ tiếng Trung, tiếng Anh, tiếng Đức, tiếng Tây Ban Nha, tiếng Pháp, tiếng Hàn và tiếng Nhật, cùng với tiếng Tứ Xuyên và tiếng Quảng Đông. Sesame Preview ưu tiên tiếng Anh; ứng dụng chỉ có tiếng Anh, và hiệu năng của CSM-1B với các ngôn ngữ khác ngoài tiếng Anh phần lớn chưa được kiểm chứng.

• Tần số lấy mẫu — Ming xuất ra 44,1 kHz. CSM-1B xuất ra 24 kHz thông qua codec Mimi, mức này đủ cho giọng nói hội thoại nhưng hẹp rõ rệt đối với các công việc liên quan đến âm nhạc hoặc phát sóng.

• Danh mục giọng nói — Ming cung cấp hơn 100 giọng tiếng Trung và năm giọng tiếng Anh. Sesame cung cấp bốn persona, mỗi persona có cá tính riêng, đây là quyết định sản phẩm được tuyển chọn chứ không phải một danh mục.

• Phạm vi cảm xúc — Ming đưa cảm xúc ra như một nút điều khiển với những giới hạn được ghi rõ. Khả năng biểu đạt cảm xúc của Sesame được tích hợp sẵn vào các persona và được đánh giá rộng rãi là phẩm chất mạnh nhất của nó; đó cũng không phải là thứ bạn có thể tinh chỉnh.

Độ trễ là ưu thế không thể tranh cãi của Sesame

Đây là trục duy nhất mà sự so sánh không hề sát nút. Sesame Preview phát trực tuyến với độ trễ byte đầu tiên dưới 300 ms; giọng Maya đã được đo ở mức 80–130 ms thời gian đến byte đầu tiên, và toàn bộ agent ở mức 250–450 ms với p95 là 480 ms. Đó là chất lượng đạt chuẩn hội thoại, và đó là kết quả của một sản phẩm được xây dựng từ đầu đến cuối cho đối thoại thời gian thực.

Ming-3.0-tts là mã suy luận ở cấp độ nghiên cứu. Không có đường streaming nào được tài liệu hóa, không có stack phục vụ, và không có số liệu độ trễ nào trong model card. Kho lưu trữ chỉ đề cập đến suy luận tăng tốc vLLM-Omni như một lộ trình. Cho đến khi điều đó tồn tại, so sánh độ trễ của nó với Sesame cũng giống như so sánh một khung đánh giá chuẩn với một sản phẩm đã phát hành, và sản phẩm đã phát hành đương nhiên thắng.

Giá của từng cái là bao nhiêu

• Sesame Preview — ứng dụng miễn phí. Giọng demo không được bán với bất kỳ giá nào, đó là thông tin quan trọng đối với một nhà phát triển.

• CSM-1B — API riêng của Sesame niêm yết nó ở mức khoảng $7 mỗi triệu ký tự với ngữ cảnh 4K, chỉ do Sesame cung cấp. Với khoảng 14 ký tự mỗi giây lời nói, tức khoảng $0.35 mỗi giờ âm thanh, và đây là tùy chọn giọng nói tính phí theo mức sử dụng rẻ nhất trong phân khúc thị trường này.

• Ming-3.0-tts — trọng số MIT miễn phí và một hóa đơn GPU. Thuê một H800 với giá khoảng $2 mỗi giờ GPU để chạy mô hình 0,5B nhanh hơn thời gian thực sẽ rẻ hơn hẳn mức giá tính theo lưu lượng ở khối lượng duy trì ổn định, và đắt hơn mức đó ở lưu lượng thấp khi tính đúng công suất nhàn rỗi.

Do đó, việc so sánh chi phí phụ thuộc hoàn toàn vào khối lượng và vào việc bạn đã sở hữu GPU hay chưa. Dưới vài chục giờ âm thanh mỗi tháng, mức $0.35 mỗi giờ âm thanh của CSM-1B rất khó bị đánh bại và không cần hạ tầng. Trên vài trăm giờ, tự vận hành Ming rẻ hơn và ngày càng rẻ hơn, vì chi phí tạo sinh cận biên bằng không. Sai lầm là chọn dựa trên giá niêm yết thay vì mức độ sử dụng.

Cấp phép là điểm mà hai thứ đó thực sự tách biệt.

CSM-1B dùng Apache-2.0, một giấy phép dễ dãi, nhưng nó bị chặn sau bước chấp nhận điều khoản và nó không phải mô hình trong bản demo. Ming-3.0-tts dùng MIT cho cả hai checkpoint, không bị chặn, không có bước nhấp chấp thuận sử dụng được phép và không có ngoại lệ thương mại. Đối với một cuộc đánh giá pháp lý đặt câu hỏi liệu mô hình có thể được tinh chỉnh trên dữ liệu giọng nói của khách hàng và được đưa vào bên trong một sản phẩm đóng hay không, cả hai câu trả lời đều là có — nhưng chỉ một trong số đó là mô hình mà bạn thực sự đã nghe.

Đó là sự đánh đổi gói gọn trong một câu: Sesame mang đến cho bạn giọng nói nghe hay hơn và giữ nó lại; Ming mang đến cho bạn một giọng nói nghe tốt mà bạn có thể mang về nhà.

OrcaRouter phù hợp ở đâu — và ở đâu thì không

Cả hai mô hình đều không được lưu trữ trên OrcaRouter. Không có endpoint giọng nói Ming và cũng không có endpoint Sesame trên nền tảng của chúng tôi, và trang này sẽ không tự tạo ra một endpoint nào. Những gì chúng tôi lưu trữ là phần còn lại của stack: các mô hình ngôn ngữ viết và viết lại kịch bản, cùng các mô hình giọng nói cho môi trường sản xuất như Gemini 3.1 Flash TTS Preview và GPT-4o mini TTS dành cho các nhóm muốn có giọng nói được quản lý thay vì tự lưu trữ.

Phần hữu ích nằm ở đường nối giữa các lớp đó. Nếu bạn tự triển khai Ming, mô hình giọng nói của bạn không có bảo đảm tính sẵn sàng, không có tự động mở rộng và không có vùng thứ hai; lớp định tuyến có thể tạo dự phòng cho nửa phần văn bản của pipeline và tự động chuyển sang phương án dự phòng khi một nhà cung cấp suy giảm. Một khóa API bao phủ hơn 200 mô hình tại mức tăng giá 0% so với giá niêm yết của nhà cung cấp, và DSL định tuyến cho phép bạn kết hợp một đường chính và một đường dự phòng thành một lời gọi duy nhất thay vì rải logic thử lại khắp ứng dụng. Model fusion là lựa chọn khác đáng biết: với những việc như chuyển thể kịch bản, một nhóm mô hình cùng trả lời thường tốt hơn một mô hình khi công việc là phán đoán thay vì tạo sinh. Không điều nào trong số này làm Ming nhanh hơn hay Sesame có thể cấp phép. Nó làm cho pipeline xung quanh bất kỳ giọng nói nào bạn chọn vẫn hoạt động được dù giọng nói là mắt xích yếu.

Quyết định, được trình bày một cách rõ ràng

Nếu bạn muốn có một tác nhân giọng nói hội thoại bằng tiếng Anh trong tuần này, {{1}}Sesame Preview là sản phẩm hoàn chỉnh và không gì trong thế giới open-weight sánh được với độ trễ hay tính cách sẵn có của nó{{/1}}. Hãy chấp nhận {{2}}rằng bạn không thể cấp phép cho giọng nói, rằng bạn đang xây dựng trên một ứng dụng đóng, và rằng 4.7 MOS là mức trần của những gì bạn có thể xác minh{{/2}}.

Nếu bạn muốn một giọng nói bên trong sản phẩm của riêng mình — được nhân bản, thiết kế, kiểm soát, ở bảy ngôn ngữ, với các điều khoản MIT và không tính phí theo từng ký tự — Ming-3.0-tts là lựa chọn, kèm theo hai điều kiện. Hãy kiểm tra vốn từ vựng của riêng bạn trước khi tin tưởng vào điểm phát âm 93.2%, vì kết quả với các thuật ngữ độc lập yếu hơn nhiều. Và hãy tính đến phần kỹ thuật: quy trình suy luận vẫn ở cấp độ nghiên cứu, chưa có hỗ trợ phát trực tuyến, và danh mục giọng nói tiếng Anh chỉ có năm giọng.

Điều bạn không nên làm là đọc điều này như một cuộc thi chất lượng. Giọng demo của Sesame chắc hẳn nghe hay hơn các giọng tiếng Anh mặc định của Ming; đó là điều mà một sản phẩm gồm bốn persona được chọn lọc kỹ càng, tối ưu cho hội thoại, nên đạt được. Câu hỏi là bạn đang mua giọng nói hay đang thuê trải nghiệm được nghe nó. Chỉ một trong hai điều đó nằm trong menu.