Ming-3.0-tts 對比 Sesame Preview：你能擁有的聲音，對上你只能聆聽的聲音

你可以聽到Sesame Preview，大約三十秒即可，而且無論出多少錢都無法下載它。你可以下載Ming-3.0-tts，依 MIT 授權免費，而且沒有精緻的示範可以先試用。這種不對稱就是整個比較的重點，而大多數一對一評比都搞錯了，把它們當成互相競爭的文字轉語音 API。它們並不是。Sesame Preview 是圍繞著 Sesame 從未釋出的聲音所打造的消費級成品；Ming-3.0-tts 則是螞蟻集團 inclusionAI 團隊的開放權重語音模型，於 2026 年 10 月 20 日發布，完全沒有面向消費者的託管前端。一個是餐廳，另一個是廚房。

那並不會讓這項比較變得毫無用處。它會讓問題變成：你真正想買的是什麼——是一個現在就能用的對話式代理，還是一個能放進自家產品並長期保留的聲音。一旦把這兩者分開來看，決策就會比規格表所暗示的更清楚——而且取決於兩個模型的行銷頁面都沒有明白說出的事實。

有三樣東西都叫「Sesame」，但只有一個你能用。

命名是第一道陷阱。「Sesame Preview」指的是那款提供四種對話人格——Maya、Miles、Simone 與 Charlie——的免費應用程式。它於 2025 年 2 月以網頁預覽版推出，2026 年 5 月底登上 iOS，並於 2026 年 8 月 6 日登陸 Android。它能在對話過程中即時進行網路搜尋，並在單次工作階段內記住上下文。

為那個應用程式提供動力的，並不是你可以下載的模型。Sesame 的正式語音運行在一個更大、從未釋出的封閉模型上。可下載的產物是 CSM-1B，也就是 Conversational Speech Model：約 1B 參數，Apache-2.0，需先接受條款才能取得，建構於 Llama 主幹上，並採用 Kyutai 的 Mimi 音訊編解碼器，取樣率為 24 kHz。CSM-1B 是示範語音的前身，而非示範語音本身。它是一個基礎模型，無法自行生成文字，需要搭配一個語言模型。

所以，對「Ming-3.0-tts 與 Sesame Preview」的誠實定位，其實是兩個比較疊加在一起。面對 Preview 應用程式，Ming 在能力上競爭，但在精緻度與延遲上落敗。面對 CSM-1B，Ming 直接在權重、授權與控制權上競爭，並在大多數項目上勝出。

Ming-3.0-tts 帶來了哪些優勢

Ming-3.0-tts 是 Ant 旗下五模型 Ming-3.0 家族中的語音合成產品線，採 MIT 授權，權重放在 Hugging Face 與 ModelScope，推論程式碼則位於另一個 GitHub 儲存庫。它以兩個檢查點形式發布，而這兩者確實是截然不同的產品。

• Ming-3.0-tts-0.5B——稠密模型，基於 Qwen2.5-0.5B 主幹，搭配 DiT 頭部與音訊 tokenizer，約 2.96 GB。這是具備獨立基準測試結果的檢查點。

• Ming-3.0-tts-tiny — 總參數 7.9B、啟動參數 1.3B 的專家混合模型，建構於螞蟻集團 Ling V3 主幹之上，約 18 GB，新增多講者播客生成功能。「Tiny」描述的是執行時成本，而非下載大小。

本次比較重點關注的能力包括：從短參考音檔進行零樣本語音克隆、依自然語言描述設計聲音、可自由控制演繹方式的導演模式、14 個內嵌副語言標籤（例如笑聲與嘆息）、明確的情緒、語速、音高與音量控制、超過 100 種中文語音與五種英語語音、七種語言外加四川話與粵語，以及 44.1 kHz 輸出。

語音測試對兩個排行榜都無法作出定論

Sesame 的聲譽建立在 Preview 語音聽起來如何之上。第三方測量也印證了這一點：CodeSOTA 的開源 TTS 入圍名單將 Sesame 以 4.7 MOS 排在首位，而 CallSphere 測得正式版 Maya 語音為 4.6 MOS。這些數字很強勁，也正是這個示範爆紅的原因。

這些也是對一個你無法取得授權的語音所做的量測。對開發者而言，真正相關的問題不是「Maya 有多好」，而是「我能放進產品裡的最佳語音有多好」。

在獨立排行榜上，Ming-3.0-tts 正好在語音複製工作流程最核心的場景中表現最強。Artificial Analysis 的 Controlled Voice Arena 使用八個複製語音，涵蓋四種美國口音與四種英國口音，將 Ming 排在 1,069 Elo——在開放權重模型中排名第一，總體約第 13 名。其 Provider Voice 分數——即模型使用自身內建語音——為 1,188 Elo，在開放權重模型中排名第三，總體約第 18 名。這兩項結果之間的差距，一句話概括了這款模型的特性：它更擅長重現你提供的語音，而不是作為開箱即用的語音。

Ming 在「發音穩健性」（Pronunciation Robustness）上也以 93.2% 並列總體第一，這是實實在在的結果，而且差距很窄。若只看獨立詞彙——品牌名、地名、孤立的專有名詞——它在 31 個中排名第 21。請把這當成給任何腳本中含有產品名稱者的警示標籤：總體分數並不是你的錯誤報告會緊扣的那個數字。

Sesame Preview 並未以可相比的形式出現在那些排行榜上。其應用程式中的語音是固定角色，而非克隆語音，且沒有可供基準測試的正式版模型公開檢查點。4.7 MOS 是目前可取得的最佳證據，而它衡量的是不同的東西。

控制：導演椅與人格之別

Ming 將語音視為可控制的訊號。你可以複製參考語音、依文字設計語音、在一段話上標註笑聲或嘆息，或用自由形式的語言指示表達方式。模型卡坦率說明哪些地方還不完美：多事件副語言標籤比單事件標籤弱，當文字幾乎不帶情緒訊號時，情緒控制會更困難，音高不如語速或音量準確，而開放式語音設計仍落後於團隊評估過的最強系統。對首次公開發布來說，這些都不罕見。這些全都有文件記載，這比大多數供應商提供的還多。

Sesame 的操控介面就是一場對話。應用程式負責管理輪流發言、記憶與即時搜尋，而語音只是代理的一個元件，而非讓你調校的參數。它的弱點正是這種整合的另一面：實測顯示，其函式呼叫的錯誤率為 6.7%，而某個即時競品則為 2.1%——如果你打算在其上打造一個代理，而非只是與之對話，這正是會在意的那種數字。

如果你的需求是「能以我指定的方式朗讀這份稿子的聲音」，Ming 是兩者中唯一提供這些控制項的。如果你的需求是「能處理對話的語音代理」，Sesame 是兩者中唯一推出這種功能的。

語言與音訊品質

• 語言 — Ming 涵蓋華語、英語、德語、西班牙語、法語、韓語與日語，以及四川話和粵語。Sesame Preview 以英文為優先；該應用程式僅提供英文版，而 CSM-1B 在非英語方面的表現大多未經測試。

• 取樣率 — Ming 輸出 44.1 kHz。CSM-1B 透過 Mimi 編解碼器輸出 24 kHz，這對對話語音而言足夠，但對音樂相關或廣播用途則明顯偏窄。

• 語音目錄 — Ming 提供超過 100 種中文語音與五種英語語音。Sesame 則提供四種角色，各有鮮明個性，這是經過策劃的產品決策，而非一份型錄。

• 情緒表達範圍 — Ming 將情緒作為一項可控參數公開，並附有明確記載的限制。Sesame 的情緒表現力已內建於角色人設之中，普遍被視為其最強項；但這也不是你能自行調節的。

延遲是 Sesame 無可爭議的優勢

這是唯一一個比較差距毫不接近的面向。Sesame Preview 以低於 300 毫秒的首位元組延遲進行串流；Maya 語音經測得首位元組時間為 80–130 毫秒，完整代理則為 250–450 毫秒，p95 為 480 毫秒。這已達到對話級水準，而這正是從頭到尾為即時對話打造的產品所帶來的成果。

Ming-3.0-tts 是研究級的推論程式碼。沒有已記載的串流路徑、沒有服務堆疊，模型卡中也沒有延遲數據。該儲存庫指出 vLLM-Omni 加速推論是路線圖。在其實現之前，將其延遲與 Sesame 的延遲相比，等於拿基準測試工具與已出貨產品比較，而已出貨產品預設勝出。

每一個花費多少

• Sesame Preview—— 這款應用程式免費。示範語音無論出價多少都不販售，而這正是對開發者而言的關鍵事實。

• CSM-1B — Sesame 自家的 API 標價約為每百萬字元 7 美元，上下文長度 4K，且僅由 Sesame 獨家提供。以每秒約 14 個字元的語音速度計算，相當於每音訊小時約 0.35 美元，是這個市場區塊中最便宜的計量制語音選項。

• Ming-3.0-tts——免費的 MIT 權重，加上一張 GPU 帳單。以每 GPU 小時約 $2 租用 H800，運行一個速度高於即時的 0.5B 模型，在持續用量下遠低於按量計費的費率；而在低用量時，若誠實計入閒置容量，成本則會高於該費率。

因此，成本比較完全取決於用量，以及你是否已擁有 GPU。每月音訊時數低於幾十小時時，CSM-1B 每音訊小時 0.35 美元的價格很難被超越，而且不需要任何基礎設施。超過幾百小時後，自行託管 Ming 更便宜，而且會越來越便宜，因為邊際生成成本為零。錯誤在於依據標價而非使用率來做選擇。

授權條款正是兩者真正分野所在。

CSM-1B 採用 Apache-2.0，這是一種寬鬆授權，但它被鎖在接受條款之後，而且它不是 demo 中的那個模型。Ming-3.0-tts 的兩個 checkpoint 都是 MIT 授權、無需閘門、沒有可接受使用政策的點擊確認，也沒有商業用途的排除條款。對於一份詢問「該模型能否在客戶語音資料上進行微調，並打包進閉源產品中出貨」的法務審查而言，兩者的答案都是肯定的——但其中只有一個才是你實際聽過的那個模型。

這就是取捨，一句話：Sesame 給你更好聽的聲音，但把它留在自己那裡；Ming 給你一個好聽、能讓你帶回家的聲音。

OrcaRouter 適合哪些情況——以及哪些情況不適合

這兩個模型都沒有託管在 OrcaRouter 上。我們的平台上沒有 Ming 語音端點，也沒有 Sesame 端點，而這個頁面不會憑空生出一個。我們實際託管的是堆疊中的其餘部分：負責撰寫與改寫腳本的語言模型，以及可用於生產環境的語音模型，例如Gemini 3.1 Flash TTS Preview與 GPT-4o mini TTS，適合想要受管語音服務而非自行託管的團隊。

真正有用的部分，是這些層之間的接縫。如果你自行架設 Ming，你的語音模型沒有可用性保證、沒有自動擴縮，也沒有第二個區域；路由層可以讓整條管線中負責文字的那一半具備備援能力，並在供應商效能下降時自動容錯移轉。一組 API 金鑰就能涵蓋200 多個模型，價格為供應商定價、零加成，而且路由 DSL 讓你可以把主要路徑與備援路徑組合成單一呼叫，而不是把重試邏輯散落在應用程式各處。模型融合是另一個值得了解的選項：以腳本改編這類工作來說，當任務偏向判斷而非生成時，由一組模型共同作答往往勝過單一模型。這些都不會讓 Ming 變得更快，也不會讓 Sesame 變得可授權。它讓你所選語音周圍的管線，在語音本身成為最弱環節時仍能撐住。

這個決定，直白地說

如果你想在這週就擁有一個英文對話語音代理，Sesame Preview 是完成度最高的成品，而在開放權重領域中，沒有任何東西能匹敵它的延遲表現或它開箱即用的個性。你得接受自己無法取得該語音的授權、你是在一個封閉應用程式上開發，以及 4.7 MOS 就是你能驗證的上限。

如果你想在自己的產品裡加入語音——可克隆、可設計、可控、支援七種語言，採用 MIT 條款，且沒有逐字元計費——Ming-3.0-tts 就是選擇，但附帶兩個條件。在信任 93.2% 的發音分數之前，先測試你自己的詞彙，因為單獨詞條的結果要弱得多。而且要為工程做好規劃：推論路徑仍屬研究級，目前還沒有串流方案，英文語音目錄也只有五個聲音。

你唯一不該做的，就是把它當成一場品質競賽來解讀。Sesame 的示範語音大概確實比 Ming 的內建英語語音好聽；這正是精心策劃、針對對話最佳化的四種人格產品應該達到的效果。問題在於，你買的是那個聲音，還是租用聽見它的體驗。這兩者只有一種在菜單上。