Ming-3.0-tts 对比 Sesame Preview：你能拥有的声音，对比你只能听见的声音

你可以听到Sesame Preview在大约三十秒内，而且无论出多少钱都无法下载。你可以下载Ming-3.0-tts，在 MIT 许可证下免费，而且没有可以先试用的精良演示。这种不对称就是整个对比的全部，而大多数横向对比都搞错了，把两者当成了相互竞争的文本转语音 API。事实并非如此。Sesame Preview 是一款成品消费级产品，围绕 Sesame 从未发布过的一种声音打造；Ming-3.0-tts 是蚂蚁集团 inclusionAI 团队发布的开放权重语音模型，于 2026 年 10 月 20 日发布，完全没有托管式的消费者前端。一个是餐厅，另一个是厨房。

这并不会让比较变得毫无用处。它只是把问题变成了：你真正想买的到底是什么——一个今天就能用的对话式智能体，还是一个可以嵌入你自己产品并长期保留的声音。一旦把这两者区分开，决定就会比规格表所暗示的更清晰——而且它取决于两个模型的营销页面都没有明确说明的事实。

有三样东西都叫“Sesame”，其中只有一样你能用

命名是第一重陷阱。“Sesame Preview”指的是那款包含四个对话人格——Maya、Miles、Simone 和 Charlie——的免费应用。它于 2025 年 2 月作为网页预览版推出，2026 年 5 月下旬登陆 iOS，并于 2026 年 8 月 6 日登陆 Android。它会在对话过程中进行实时网络搜索，并在一次会话中记住上下文。

让那个应用运转起来的并不是你能下载到的模型。Sesame 的生产级语音运行在一个更大、从未发布过的闭源模型上。可下载的产物是 CSM-1B，即 Conversational Speech Model：约 10 亿参数，Apache-2.0 许可，需接受条款后才能访问，基于 Llama 骨干网络构建，并使用 Kyutai 的 Mimi 音频编解码器，采样率为 24 kHz。CSM-1B 是演示语音的祖先，而不是演示语音本身。它是一个基础模型，无法自行生成文本，需要与语言模型配对使用。

所以，对“Ming-3.0-tts 与 Sesame Preview”的诚实比较框架，实际上是两个对比叠加在一起。面对 Preview 应用，Ming 在能力上展开竞争，却在精致度和延迟上落败。面对 CSM-1B，Ming 直接在权重、许可证和控制权上竞争，并在其中大多数方面胜出。

Ming-3.0-tts 能带来什么

Ming-3.0-tts 是蚂蚁 Ming-3.0 五模型系列中的语音合成产品线，采用 MIT 许可证，权重发布于 Hugging Face 和 ModelScope，推理代码则放在一个独立的 GitHub 仓库中。它提供两个 checkpoint，二者实际上是两款不同的产品。

• Ming-3.0-tts-0.5B — 稠密模型，基于 Qwen2.5-0.5B 主干，配有 DiT 头和音频分词器，约 2.96 GB。这是带有独立基准测试运行的检查点。

• Ming-3.0-tts-tiny — 基于蚂蚁 Ling V3 主干、总参数 7.9B、激活参数 1.3B 的混合专家模型，约 18 GB，新增多说话人播客生成。“Tiny”描述的是运行成本，而非下载体积。

本次比较关注的能力包括：从简短参考音频进行零样本语音克隆、根据自然语言描述设计音色、用于自由形式表达控制的导演模式、14 个内联副语言标签（如笑声和叹息）、显式的情感、语速、音调和音量控制、100 多种中文音色和五种英文音色、七种语言外加四川话和粤语，以及 44.1 kHz 输出。

语音测试无法结算任一排行榜。

Sesame 的声誉取决于 Preview 语音的听感。第三方测量结果也印证了这一点：CodeSOTA 的开源 TTS 入围榜单将 Sesame 排在首位，MOS 为 4.7；CallSphere 测得生产环境中的 Maya 语音 MOS 为 4.6。这些数字很亮眼，也正是该演示走红的原因。

它们也是对一种你无法获得授权的语音所做的测量。对开发者而言，关键问题不是“Maya 有多好”，而是“我能放进自己产品里的最好的语音有多好”。

在独立榜单上，Ming-3.0-tts 恰好在声音克隆工作流最能发挥优势的地方表现最强。Artificial Analysis 的 Controlled Voice Arena 使用八个克隆音色，涵盖四种美国口音和四种英国口音，将 Ming 排在 1,069 Elo——在开放权重模型中排名第一，总体约第 13 位。其 Provider Voice 得分（模型使用自带内置音色）为 1,188 Elo，在开放权重模型中排名第三，总体约第 18 位。这两个结果之间的差距，用一句话概括了该模型的特点：它远更擅长复现你提供的音色，而不是开箱即用地成为一个音色。

Ming 在“发音稳健性”上总体并列第一，达到 93.2%，这是一个真实的结果，而且优势很微弱。在独立词条——品牌名、地名、孤立专有名词——上，它在 31 个中排第 21 位。请把这当作给任何脚本中包含产品名的人的警示标签：综合得分并不是你的缺陷报告会涉及的那个数字。

Sesame Preview 并未以可比的形式出现在那些榜单上。其应用中的声音是固定人设，而非克隆，并且没有可用于基准测试的生产模型公开检查点。4.7 MOS 是现有最佳证据，但它衡量的是另一回事。

掌控：导演椅与人格的对比

Ming 将语音视为可控信号。你可以克隆参考语音、根据文本设计声音、给一句话打上笑声或叹息标签，或用自由形式的语言指示表达方式。模型卡坦诚说明了它在哪些方面仍不完美：多事件副语言标签弱于单事件标签；当文本本身几乎不带情感信号时，情绪控制更难；音高不如语速或音量准确；开放式声音设计仍落后于团队评估过的最强系统。对于首次公开发布而言，这些都不算异常。所有这些都有文档记录，这比大多数供应商提供的更多。

Sesame 的控制界面就是一场对话。这款应用负责管理轮流发言、记忆和实时搜索，而语音只是智能体的一个组件，并不是供你调校的参数。它的弱点正是这种集成的一体两面：函数调用被测得 6.7% 的错误率，而某实时竞品为 2.1%——如果你是想在它之上构建智能体，而不只是与智能体对话，这类数字就很关键。

如果你的需求是“一个能按照我指定方式朗读这段脚本的语音”，那么两者中只有 Ming 提供了这些控制项。如果你的需求是“一个能处理对话的语音代理”，那么两者中只有 Sesame 交付了这样的产品。

语言和音频质量

• 语言 — Ming 覆盖中文、英语、德语、西班牙语、法语、韩语和日语，以及四川话和粤语。Sesame Preview 以英语优先；该应用仅支持英语，且 CSM-1B 的非英语表现基本上未经测试。

• 采样率 — Ming 输出 44.1 kHz。CSM-1B 通过 Mimi 编解码器输出 24 kHz，这对对话语音来说足够，但对于音乐相关或广播类工作而言则明显偏窄。

• 语音目录 — Ming 提供 100 多种中文语音和五种英文语音。Sesame 提供四个人设，每个都有鲜明个性；这是经过精心策划的产品决策，而不是一份语音目录。

• 情感范围 — Ming 将情绪作为一项带有明确文档化限制的控制项来提供。Sesame 的情感表现力已融入其角色设定中，并被广泛视为其最强特质；它也不是你可以随意调节的东西。

延迟是 Sesame 无可争议的制胜优势

这是唯一一个对比并不接近的维度。Sesame Preview 以低于 300 毫秒的首字节延迟进行流式传输；Maya 语音的首字节时间实测为 80–130 毫秒，完整智能体为 250–450 毫秒，p95 为 480 毫秒。这已达到对话级水平，并且是一个端到端专为实时对话打造的产品所带来的结果。

Ming-3.0-tts 是研究级推理代码。它没有已文档化的流式路径，没有服务栈，模型卡中也没有延迟数据。仓库将 vLLM-Omni 加速推理列为路线图。在它出现之前，将其延迟与 Sesame 的延迟相比，就是把基准测试框架与已发布产品相比，而已发布产品默认胜出。

每个的价格是多少

• Sesame Preview——该应用免费。演示语音无论出价多少都不出售，这对开发者而言才是关键事实。

• CSM-1B——Sesame 自家的 API 标价约为每百万字符 7 美元，上下文长度为 4K，且仅由 Sesame 提供。按语音每秒约 14 个字符计算，这大约相当于每音频小时 0.35 美元，是该细分市场中最便宜的按量计费语音选项。

• Ming-3.0-tts — 免费的 MIT 权重，外加一张 GPU 账单。租用 H800 每小时约 2 美元，运行一个 0.5B 模型且速度高于实时，在持续高负载下远低于按量计费费率；而一旦把闲置容量如实计入，低负载时则会高于该费率。

因此，成本比较完全取决于用量，以及你是否已经拥有 GPU。每月音频少于几十小时时，CSM-1B 每音频小时 0.35 美元的价格很难被超越，而且无需任何基础设施。超过几百小时后，自行托管 Ming 更便宜，并且会越来越便宜，因为边际生成成本为零。错误在于按标价而不是按利用率来做选择。

授权正是两者真正区分开来的地方

CSM-1B 采用 Apache-2.0 许可证，这是一种宽松许可证，但它需要接受条款后才能访问，而且它并不是演示中的那个模型。Ming-3.0-tts 的两个检查点均采用 MIT 许可证，无访问限制，没有可接受使用条款的点击确认，也没有商业用途的除外条款。对于一项法律审查而言，如果问题是该模型能否在客户语音数据上进行微调，并随封闭产品一同发布，那么两者的答案都是可以——但其中只有一个才是你实际听到过的模型。

一句话概括这个取舍：Sesame 给你音质更好的声音，但只留在它那里；Ming 给你一个可以带回家的好听声音。

OrcaRouter 的适用场景——以及不适用场景

这两个模型均未托管在 OrcaRouter 上。我们的平台上没有 Ming 语音端点，也没有 Sesame 端点，本页面也不会凭空造一个。我们确实托管的是技术栈的其余部分：负责编写和改写脚本的语言模型，以及生产级语音模型，例如 Gemini 3.1 Flash TTS Preview和 GPT-4o mini TTS，适合希望使用托管语音而非自托管语音的团队。

有用的部分在于这些层之间的接缝。如果你自托管 Ming，你的语音模型没有可用性保证、没有自动扩缩容，也没有第二个区域；路由层可以让流水线中的文本那一半具备冗余，并在某个提供商服务降级时自动故障转移。一个 API 密钥即可覆盖200 多个模型，在提供商标价基础上 0% 加价，并且路由 DSL 让你可以把主路径和回退路径组合成一次调用，而不是在应用里到处散落重试逻辑。模型融合是另一个值得了解的选项：对于脚本改编这类任务，当工作靠的是判断而非生成时，一组模型共同作答往往胜过单个模型。这些都不会让 Ming 变得更快，也不会让 Sesame 变得可授权。它能让围绕你所选语音构建的流水线在语音成为薄弱环节时依然存续。

这个决定，直白地说

如果你本周就想要一个英语对话式语音智能体，Sesame Preview 就是成品，开放权重领域里没有任何东西能匹配它的延迟或开箱即用的人格。接受你无法授权该声音、你是在一个闭源应用上构建，以及 4.7 MOS 是你能验证的上限。

如果你想在自己的产品中内置语音——可克隆、可设计、可控制，支持七种语言，采用 MIT 条款且不按字符计费——那么 Ming-3.0-tts 就是选择，但附带两个条件。先在你自己的词汇上测试，再相信 93.2% 的发音得分，因为独立术语的结果要弱得多。还要为工程实现做好规划：推理路径是研究级的，目前还没有流式方案，英语语音库也只有五个音色。

你最不该做的，就是把这当成一场质量比拼。Sesame 的演示音色大概确实比 Ming 预置的英语音色更好听；一个为对话而优化、精心打造的四个人设产品，本就该达到这样的效果。问题在于，你是在购买这个音色，还是在租用听到它的体验。而这两者中，只有一种在菜单上。