AssemblyAI-TTS-1 vs. Sesame Preview: Einer von beiden hat keine Preisliste

Man kann Sesame Preview nicht kaufen. Es ist eine kostenlose Consumer-App – Maya, Miles, Simone und Charlie, vier Begleiter mit dauerhaftem Gedächtnis auf iOS und Android, ein Anruflimit von 30 Minuten und ein nicht angekündigter Plan, dir 2027 eine Brille zu verkaufen – und dahinter gibt es keinen Developer-Endpoint, keine Modell-ID und keine Preisliste. AssemblyAI-TTS-1 hingegen ist ein Posten: 15 US-Dollar pro Million Zeichen, allgemein verfügbar seit 27. Oktober 2026, Streaming über HTTP und WebSocket in US-East oder EU-North. Der Vergleich, wie er üblicherweise formuliert wird, ist also kein Vergleich. Es ist ein Produkt gegen eine Demo.

Der Vergleich wird in dem Moment nützlich, in dem man das Sesame einsetzt, das tatsächlich Gewichte hat: Sesame CSM 1B, den Apache-2.0-Checkpoint für konversationelle Sprache auf Hugging Face, ein Modell mit rund einer Milliarde Parametern, das Text plus Audiokontext annimmt und englische Sprache ausgibt. Jetzt ist es eine echte Entscheidung — ein offener 1B-Checkpoint zu 7 US-Dollar pro Million Zeichen gegenüber einem geschlossenen Endpunkt zu 15 US-Dollar — und das Interessante daran ist, dass der günstigere derjenige ist, um den man einen Agenten herum bauen muss.

Was Sesame Preview genau ist, damit der Vergleich nicht verrutscht

Sesame Preview ist ein ausgeliefertes Produkt mit einem echten Modell darin und ohne Möglichkeit, dieses Modell zu mieten. Das Produktionsmodell der App ist nicht der veröffentlichte Checkpoint: Sesame veröffentlicht CSM 1B, ein Basismodell zur Generierung, das nicht auf eine bestimmte Stimme feinabgestimmt wurde, während die ausgefeilten Personas in der App Sesame-eigene sind. Die App behauptet eine Latenz unter 300 ms; eine Drittanbieter-Messung der Maya-Persona ergibt eine First-Byte-Latenz von etwa 80–130 ms. Keine der beiden Zahlen beschreibt CSM 1B so, wie Sie es erhalten werden.

Das Update der App vom Oktober 2026 – verbesserte Ausdrucksstärke und Aussprache, Zugriff von Agenten auf Computer, Gmail-, Calendar- und Drive-Konnektoren, MCP-Unterstützung, ein Bildgenerator – ist ein Signal für die Roadmap, kein kommerzielles. Sesame hat gesagt, dass Entwickler-Tooling „später in diesem Jahr“ kommen wird, ohne zu spezifizieren, was es sein wird, zu welchem Preis oder ob es das Produktionsmodell oder der Checkpoint sein wird. Nichts an dieser Entscheidung sollte auf diesen Satz gestützt werden.

Die beiden Rechnungen, auf dieselbe Einheit umgerechnet

CSM 1B wird auf gehosteten Gateways, die es anbieten, mit 7,00 US-Dollar pro Million Zeichen gelistet, wobei die Abrechnung pro Zeichen statt pro Token erfolgt. AssemblyAI-TTS-1 kostet 15,00 US-Dollar pro Million Zeichen, und dieser Preis umfasst jede Stimme in der Bibliothek mit über 4.000 Stimmen, alle sechs Sprachen zum Marktstart, sofortiges Klonen, Wort-Zeitstempel, Verarbeitung in den USA oder der EU und unbegrenzte Parallelität.

Bei etwa 900 Zeichen pro Minute normaler Sprache liegt der stündliche Vergleich bei etwa 0,35 $ für CSM 1B gegenüber etwa 0,81 $ für AssemblyAI-TTS-1 – der offene Checkpoint ist pro Zeichen etwas mehr als doppelt so günstig – und der CSM-Wert ist derjenige, der am wenigsten aussagt, weil er das Modell und nicht das System bepreist.

Die Liste der Dimensionen ist der Punkt, an dem die beiden überhaupt nicht mehr vergleichbar sind:

• Preis — 7 $ pro Million Zeichen gegenüber 15 $, wobei alle Stimmen und Klonen im teureren Angebot enthalten sind.

• Sprachen — CSM 1B ist Englisch, und die Modellkarte sagt unmissverständlich, dass jegliche Nicht-Englisch-Fähigkeit nebensächlich ist; die App führt mehrere Sprachen als „Early Support“, was ein anderes Versprechen ist. AssemblyAI-TTS-1 startete mit sechs.

• Stimmeninventar — CSM 1B bietet sieben Stimmen und ein Basismodell, von dem du klonen sollst; AssemblyAI-TTS-1 bietet über 4.000 Stimmen und Instant-Cloning anhand einer 24-Sekunden-Probe.

• Klon-Tiefe — keiner von beiden bietet einen trainierten professionellen Klon. AssemblyAIs Instant-Pfad erfordert einen Bestätigungsschritt zur Sprechererlaubnis; CSM 1B überträgt Identität im Zero-Shot und flacht dabei die Prosodie ab.

• Was Sie bereitstellen müssen — CSM 1B benötigt einen Codec, Turn-Erkennung, Kontextassemblierung und die Agenten-Schleife sowie ein 4K-Token-Kontextbudget, das Sie selbst verwalten. AssemblyAI-TTS-1 benötigt einen HTTP-Client, einen Stream-Handler und eine Abbruchnachricht.

• Latenzbelege — AssemblyAI-TTS-1 hat eine Anbieterangabe, zwei unabhängige Messungen und einen Board-Rang. CSM 1B hat Einsatzberichte, die zwei Größenordnungen umspannen.

Latenz: 90 ms angegeben, 159 ms gemessen, 9,9 Sekunden beobachtet

Die Latenzgeschichte von AssemblyAI-TTS-1 ist dokumentiert und umstritten – und lässt sich leicht ehrlich darstellen. Der Anbieter behauptet 90 ms bis zum ersten Audio in der Produktion und 47 ms mediane Zeit bis zum ersten Byte in seinem Labor. Cekura hat in einem agentenähnlichen Test unabhängig gemessen und kam auf 159 ms mediane Streaming-Startzeit, 296 ms bei p90, und reihte es auf Platz acht von neunzehn Modellen ein, die es gemessen hat. Diese Diskrepanz ist eine Frage der Methodik – Request-to-First-Byte gegenüber Last-Word-Sent-to-First-Audio – und keine Unehrlichkeit; und die zweite Messung ist die, die Ihr Anrufer erlebt.

Die Latenzgeschichte von CSM 1B ist weniger umstritten als vielmehr unbegrenzt. Optimierte On-Device-Konvertierungen melden etwa 120 ms bis zum ersten Audio bei einem Echtzeitfaktor zwischen 0,5 und 0,9 auf Apple Silicon; eine nicht optimierte RTX 5070 Ti läuft Berichten zufolge mit ungefähr halber Echtzeitgeschwindigkeit; ein gehostetes Listing veröffentlicht einen P50 von etwa 9,9 Sekunden und einen P95 von etwa 39 Sekunden End-to-End. Alle diese Angaben beschreiben denselben Checkpoint. Welche davon Sie bekommen, hängt davon ab, wie viel Serving-Engineering Sie mitbringen.

Das ist der Kern des ganzen Vergleichs, und es ist kein Qualitätsargument. Ein geschlossener Endpunkt hat die Bereitstellungsarbeit bereits erledigt und sie eingepreist: 0,81 Dollar pro Stunde, keine GPU, kein Codec, kein Queue-Design. Ein offener 1B-Checkpoint gibt Ihnen ein Modell für 0,35 Dollar pro Stunde und übergibt Ihnen den Teil zurück, dessen Aufbau teuer war. Wenn Sie diese Engineering-Kompetenz bereits besitzen, ist der Checkpoint das deutlich bessere Geschäft. Wenn nicht, sind die 0,46 Dollar pro Stunde, die Sie sparen, neben dem ersten Monat der Arbeitszeit einer Person ein Rundungsfehler.

Wo jedes einzelne tatsächlich schlecht ist

Die Schwachstellen von AssemblyAI-TTS-1 liegen alle im Tail echter Texte. Artificial Analysis bewertet es mit 81,7 % bei der Ausspracherobustheit insgesamt auf Platz sechzehn, mit Abkürzungserweiterung bei 73,8 %; Cekuras kontextueller Aussprachetest setzt es mit 70,8 % auf Platz zweiundzwanzig von siebenundzwanzig, selbst während er es bei Telefonnummern und Codes mit 91,7 % auf Platz eins setzt. Es gibt kein Aussprachewörterbuch und kein SSML, um das zu beheben, und seine sechs Sprachen sind eine harte Obergrenze statt eines Ausgangspunkts. Die vom Anbieter angegebene Entitätsgenauigkeit von 93,7 % auf seinem eigenen 580-Einträge-Set sagt das Gegenteil, und nur Ihr Korpus kann entscheiden, welche Messung Ihren Traffic beschreibt.

Die Schwachstellen von CSM 1B sind struktureller und nicht datenbedingter Natur. Es ist von Design her ausschließlich für Englisch ausgelegt. Es ist ein Basismodell, daher ist die Stimme, die Sie erhalten, keine von jemandem getunte Stimme. Es schneidet bei manchen Generierungen das letzte Wort ab, trägt ein Wasserzeichen in seinem Referenzgenerator, und einige gehostete Wrapper verwerfen stillschweigend die Parameter für Kontext, Sprache und maximale Länge – was bedeutet, dass ein Gateway, das Ihnen CSM 1B anbietet, möglicherweise nicht das Modell ausführt, wie es dokumentiert ist. Sein Kontext umfasst 4K Token mit einer maximalen Ausgabe von etwa 3.686, daher müssen lange Konversationen von Ihnen zusammengesetzt werden.

Eines sind beide nicht, und das ist für alle wichtig, die von der Consumer-App kommen: ein Gesprächspartner. AssemblyAI-TTS-1 wandelt Text in Sprache um und hat keinen Begriff von Dialogzustand. CSM 1B ist von den beiden das dialogbewusstere Modell – es nimmt Audiokontext als Eingabe –, erzeugt aber Sprache jeweils einen Turn nach dem anderen und bringt keine eigene Turn-Erkennung mit. Die scheinbare Nahtlosigkeit der App ist ein Produkt, und keines der Modelle liefert sie mit.

Drei Fragen, die Menschen tatsächlich stellen

Ist CSM 1B dasselbe Modell, das die Sesame-App ausführt? Nein. Die App führt Sesames Produktionsmodell aus; beim Checkpoint handelt es sich um ein Basis-Generierungsmodell, das unter Apache 2.0 veröffentlicht wurde, und genau diese Kluft ist der Grund, warum die App wie Maya klingt und eine frisch eingerichtete CSM-1B-Bereitstellung nicht. Betrachte die App als Demo dessen, was Sesame bauen kann, nicht als Vorschau dessen, was du bekommen wirst.

Was ist bei einhunderttausend dreiminütigen Anrufen günstiger? Auf dem Papier: CSM 1B: 270 Millionen Zeichen, etwa $1,890 auf dem Checkpoint gegenüber etwa $4,050 bei AssemblyAI-TTS-1. In der Praxis schließt die Checkpoint-Zahl GPU-Stunden, den Serving-Engineer und die Latenzarbeit aus, die nötig ist, um auch nur annähernd einen agententauglichen Stream zu erreichen. Bei diesem Volumen lautet der ehrliche Vergleich $4,050 gegen „unbekannt, bis man es gebaut hat“, und unbekannt ist von den beiden das Teurere.

Kann AssemblyAI-TTS-1 meine eigene Stimme klonen?Ja, indem Sie eine Aufnahme von etwa 24 Sekunden hochladen und bestätigen, dass Sie die Erlaubnis der sprechenden Person haben; die Voice-ID wird innerhalb von Sekunden zurückgegeben und zum selben Preis pro Zeichen wie die Bibliothek abgerechnet. Es gibt keinen trainierten professionellen Klon, daher ist das Ergebnis eine nutzbare Identität und kein verwaltetes Marken-Asset – und zum Marktstart war kein feinabgestimmtes Klonen verfügbar.

Um welche Entscheidung es sich dabei tatsächlich handelt

Wenn der Name vor Ihnen Sesame Preview lautet, hören Sie auf: Es gibt nichts zu integrieren und keinen Preis zu vergleichen. Wenn es CSM 1B ist, dann wählen Sie kein TTS-Modell, sondern Sie entscheiden, ob Sie die Serving-Schicht selbst betreiben möchten – und die drei Bedingungen, unter denen ein „Ja“ vertretbar ist, sind: Sie benötigen ausschließlich Englisch, Sie verfügen über GPU-Kapazität mit einem passenden Ingenieur, und Sie möchten das Modell innerhalb Ihres eigenen Perimeters. Alles andere spricht für den Endpoint.

Das Kostenargument, das meist den Ausschlag gibt, ist überhaupt nicht der Preis pro Zeichen. Es geht um Konsolidierung: Ein Voice-Agent neigt dazu, einen TTS-Anbieter, einen Speech-to-Text-Anbieter und einen Sprachmodell-Anbieter anzusammeln, jeden mit eigenem Vertrag und eigenem Preisänderungszyklus. OrcaRouter existiert, um diese letzte Schicht abzuflachen — eine API für über 200 Modelle zum Listenpreis des Anbieters mit 0 % Aufschlag, sodass eine Preissenkung eines Anbieters noch am selben Tag auf Ihrer Rechnung ankommt und nicht erst bei der nächsten Verlängerung, mit automatischem Failover, einer Routing-DSL, um Modelle zu einem Aufruf zusammenzusetzen, und Modellfusion, wenn eine einzelne Antwort nicht ausreicht. AssemblyAI-TTS-1 und CSM 1B liegen heute beide außerhalb dieses Katalogs — unsere Speech-Routen sind OpenAIs tts-1-Familie und Googles Gemini-TTS-Vorschauen —, daher geht es um die Rechnung, die Sie bereits bezahlen, nicht um einen Kauf, den Sie hier tätigen können.

Die App von Sesame ist die beste kostenlose Demonstration in dieser Kategorie und wird wahrscheinlich irgendwann ein Entwicklerprodukt werden. AssemblyAI-TTS-1 ist eine Preisliste, die Sie diese Woche unterzeichnen können. Angesichts dieser beiden Tatsachen ist der einzig vertretbare Plan, auf das zu setzen, was bereits existiert, und in Ihrer Architektur einen Platz für das andere freizuhalten, falls Sesame jemals das Modell statt der Broschüre liefert.