Ming-3.0-tts-tiny 对比 Sesame-Preview：可下载的检查点与无法调用的声音

把Ming-3.0-tts-tiny和Sesame Preview放进同一句话，比较在第一个基准测试之前就崩了，因为其中只有一个是开发者能拿到的东西。Ming-3.0-tts-tiny 是蚂蚁集团 inclusionAI 的检查点：总参数 79 亿，每 token 约 13 亿激活参数，采用 MIT 许可证的权重发布在 Hugging Face 上，推理代码于 2026 年 10 月 19 日登陆 GitHub。Sesame Preview 是一款消费级助手——四种声音、一个 iOS 和 Android 应用、没有 API、没有模型 ID，也没有为那个让它值得被写的嗓音公布评分。一个是文件，另一个是产品。有趣的问题不是哪个听起来更好，因为还没有人以可比较的方式对任何一方测量过这一点，而是当你在某个周二下午手头有脚本和截止日期时，它们各自能让你做什么。 像这次发布这样的发布背后，有记录的 AI 故障和智能体事件都收录在 the OrcaRouter AI Incident Archive 中，其中每条记录都带有自己的来源、严重程度、置信度等级和争议标记。

这里的日期至关重要，而且这种重要性并不常见。Ming-3.0-tts-tiny 的代码仓库创建于 2026 年 9 月 22 日，权重于 9 月 24 日上线，而在三个半星期里，这个发布版本都无法使用——只有一文件夹的分片，却没有公布任何运行它们的方法。推理代码、一键示例和任务手册于 10 月 19 日 08:58 UTC 一同上线。Ant 尚未发布任何相关公告。相比之下，Sesame Preview 自春季以来一直在公开发布，并于 2026 年 10 月 6 日获得了一次真正的更新，当时该公司的首席产品官描述了应用背后一款新的 Conversational Speech Model。这两者都不是新闻稿意义上的发布，但两者都是动向，而其中只有一个附带了可下载的内容。

简短版本，在证据之前

如果你在做产品，Sesame Preview 不是候选方案，今天也不可能成为候选：没有可调用的端点，没有可阅读的许可证，没有价格，也没有任何承诺能保证应用里的声音就是任何模型中的声音。如果你在做产品，并且需要一个你拥有的声音，Ming-3.0-tts-tiny 是一个候选——一个年轻、尚未评分、可自托管的方案，它会让你自己去做评估。

对大多数团队来说，这就是全部的决定依据。下面这些内容是针对那些不属于这种情况的：也就是把它们当作对话式音频、而非产品来比较的团队，或者在权衡 Sesame 的方案是否值得效仿的团队。

每一个实际交到你手里的东西

{{1}}你会下载什么{{/1}} — Ming-3.0-tts-tiny：约 18 GB，包含 Ling V3 主干、扩散 Transformer 头、音频分词器、CAM++ 说话人编码器和文本分词器。Sesame Preview：一个来自 App Store 或 G​oogle Play 的应用，除此之外别无他物。

• 你可以调用的内容——Ming-3.0-tts-tiny：一个 Python 类，MingTinyTTS.from_pretrained，带有用于零样本克隆、多语言合成、副语言特征、播客对话、情感、方言、自由形式风格和音色设计的任务名称。Sesame：一个具有四种人格的聊天界面。生产版语音从未公布过任何模型 ID。

• 许可证 — Ming-3.0-tts-tiny：权重和代码采用 MIT 许可证，并附有使用说明，要求你不得冒充他人，并需标注合成音频。Sesame：该应用的服务条款，以及下文讨论的一个并非生产模型的开放检查点。

• 语言覆盖范围——Ming-3.0-tts-tiny：中文、英语、德语、西班牙语、法语、韩语和日语，并可借助方言参考音频提供四川话和粤语。Sesame：英语是唯一官方支持的语言；指南指出这些助手还“早期”支持法语、意大利语、德语、西班牙语、中文、日语和韩语，这读起来更像是一则警告，而不是一份功能清单。

• 价格 — Ming-3.0-tts-tiny：无价目表；你需要支付一台 H800 和电费。Sesame：可免费使用，未公布套餐档位，公司表示不投放广告，也不出售数据。

• 独立评分 — Ming-3.0-tts-tiny：无，并且明确不是 Artificial Analysis 为“Ming-3.0-tts”列出的 1,188 Elo——那属于 0.5B 检查点。Sesame：该应用的声音也同样没有。这是一场罕见的对决，双方都没有数字。

开发者唯一能真正拿在手里的 Sesame 实物

Hugging Face 上有一个 Sesame 模型，值得准确说明它究竟是什么，因为它经常被误认为是应用里的那个声音。

CSM-1B 采用 Apache-2.0 许可，仅支持英语，并基于该公司公开描述的架构构建：由 Llama 主干预测第一个音频码本，再由较小的深度解码器预测其余部分，并通过 Kyutai 的 Mimi 编解码器以 24 kHz 进行解码。模型卡称其为“基础生成模型”——能够生成多样化的声音，而非针对任何特定声音进行定制；并明确说明，为交互式演示提供支持的是它的一个衍生版本，而不是该检查点本身作为演示。截至本次记录，它显示上月约 130,000 次下载和约 2,500 个点赞，对于一个已发布两年的研究版本来说，这体现了实打实的开发者关注度。

这在实践中意味着什么：你可以加载 Sesame 的架构、对它进行微调，并自托管一个对话式 TTS。但你无法加载 Sesame 的产品。十月的这次更新——用该公司自己的话说，是一个表现力和发音都更好的新 CSM——改动的恰恰是你无法拥有的那个东西，却没有给出任何关于它的可衡量说明。

在它们真正重叠的地方，以及重叠结束的地方

两者都面向听起来像对话而非旁白的语音，而有这样的共同点并非小事。Sesame 凭借呼吸、迟疑和插话时机的处理如此逼真而建立起声誉，以至于早期听众以为电话那头是真人。Ant 的小模型自带 14 个用于笑声、叹息、呼吸和迟疑的内联副语言标签，以及一项其自家 0.5B 兄弟模型无法完成的多说话人播客任务。

在那之后，重叠部分很快就会变少。

Sesame 的优势在于，其语音嵌入在一个实际可用的产品中，该产品具备记忆、与 Gmail、Calendar 和 Drive 的连接器、可用于浏览和操作的专属计算机、通过 OAuth 提供的 MCP 支持，并且自十月起还能编排其他智能体。这些都不是语音模型的功能；它是一个助手，而语音是你与它交谈的方式。Ant 的优势在于，一切都是可检查的。模型卡中的每个数字都能追溯到测试集，每项任务都有可运行的示例，而且流水线由你修改。

决定大多数评估的不对称性比两份清单中的任何一份都更简单：使用 Ming-3.0-tts-tiny，你可以把同一句话生成一百遍并听。使用 Sesame，你根本什么都无法生成，因此没有实验可做——只有对一个应用的意见。

Ant 发布了什么，以及这有什么价值

面对这样一场对决，诱惑在于用 Ant 的基准测试表来填补空白，而这些表格确实非常详尽：中文 Seed-TTS 的词错误率为 0.820%，说话人相似度为 0.781；英文为 1.666% 和 0.728；德语 0.325%；西班牙语 0.971%；NVBench 的副语言结果在全部六个单一事件类别中领先；方言套件在 WSC-Eval-TTS easy 上达到 86.09%；情感在 CV3 上为 74.00%；音色设计在 InstructTTSEval-ZH 上为 75.37%。

这些全都是 Ant 用 Ant 的测试框架、Ant 的参考音频片段和评分代码来评测 Ant，而且这套东西从未在公司外部复现过。这并不意味着这些数字是错的，只意味着它们是由供应商报告的数据；这也意味着无法把它们与 Sesame 的数字对比，因为根本没有可用来对比的 Sesame 数字。

这套评测中唯一表现得像真实对比的结果，恰恰是那个令人不安的：在韩语上，Ming-3.0-tts-tiny 的字符错误率为 6.000%，而其同系列的 0.5B 模型为 1.728%。模型卡将韩语列为已知弱点之一，却没有给出解释。一个看似合理的解释——稀疏路由使训练较少的语言获得的容量低于规模相近的稠密模型——只是假设，而非发现。从运维角度看，稳妥的解读是：如果韩语在范围内，先测试，再信任。

从 Sesame 的模型中，在不使用该模型的情况下，有什么可借鉴的吗？

是的，而且这是本次比较中除许可证差异之外最有用的部分：Sesame 发布了一个基准测试。2026 年 8 月 28 日，它发布了 TurnBench——一个面向口语对话中话轮转换的开放基准，包含 30 小时经三重标注的双人语音、一套源自会话分析的评分协议、一个公开排行榜，以及 14 个系统的结果，由 Sesame 与卡内基梅隆大学、Mundo AI 和 Oto 共同构建。

轮次转换恰恰是偏好 Elo 排行榜和词错误表都无法捕捉的质量，也正是 Sesame 产品闻名的那种质量。如果你要从任何对话相关角度评估 Ming-3.0-tts-tiny，即使 Sesame 自己的应用不在 TurnBench 上，TurnBench 也是应当借用的工具：用中断处理和反馈通道时机来给你的候选模型打分，而不是靠相似度指标去猜。

这才是这里公平比较应有的形态。不是把 Ming-3.0-tts-tiny 与 Sesame Preview 的语音作比较——后者无法运行——而是把 Ming-3.0-tts-tiny 与 Sesame 为两者共同追求的特性所定义的公开基准进行比较。

如果你正在构建的是它们中任何一个所针对的东西

2026 年语音产品的现实架构是一个语音层加上一个决定说什么的文本大脑，而这两者占据该架构堆栈的两端。如果你有 GPU 并且愿意去评估它，Ming-3.0-tts-tiny 可以充当语音层。Sesame Preview 则根本无法成为一个层；它是你要去对抗竞争的竞品。

文本大脑是路由器真正有用而非装饰的部分。OrcaRouter 承载 一个密钥背后的 200 多个文本模型，按提供商标价且不加价，因此供应商调价时，你的价格当天就会同步，并具备 跨提供商自动故障转移。明确说明覆盖范围：这里没有任何 Ant 语音模型被路由，包括 Ming-3.0-tts-tiny；也没有任何 Sesame 模型被路由，包括 CSM-1B。被路由的是流水线中编写脚本、选择情感标签并决定智能体何时说话的那一半——也是你无需重新录制任何内容就能更换供应商的那一半。

除了正面对决，还能看什么

有三件事本可以让这成为一次真正的比较，但它们一件都还没有发生。

为 Ming-3.0-tts-tiny 提供一个托管端点，或由第三方发布其经实测的延迟和错误率。Ant 自己的路线图提到了对 vLLM-Omni 的支持，这属于服务问题而非质量问题，但它是其他任何人对该模型进行评分的前提。

一个附在 Sesame 十月 CSM 上的数字。公司称表现力和发音有所提升，且在长对话中差异很大；它没有公布模型 ID、延迟数据或基准测试，而唯一相关的公开测量仍然是 TurnBench，它评分的是轮流发言而非语音质量。

以及来自 Ant 之外的任何人给出的韩语结果。6.000% 这个数字是已发布记录中最明显的缺陷，而另一个团队若能复现或反驳它，会比任何 Elo 分数更能说明这个检查点的情况。

在此之前，诚实的结论并不光鲜：其中一个你可以下载、审计并交付，它有着允许这样做的许可证，还有一套仅由其作者本人运行过的基准测试；另一个你可以在手机上与它交谈、欣赏它，却无法基于它进行构建。