Rime Prism vs. Sesame Preview: Eine Tarifkarte gegen einen Ruf

Heute Abend können Sie Sesame Preview kostenlos hören. Kaufen können Sie es nicht. Sie können Rime Prism für 0,080 US-Dollar pro Minute kaufen, und fast niemand außerhalb von Rime hat einen Clip veröffentlicht, den er messen durfte. Beide Hälften dieses Satzes bilden den Vergleich: Das eine ist die bestangesehene Stimme in der Consumer-KI, die kein Entwickler aufrufen kann, und das andere ein brandneuer Enterprise-Endpunkt, den ein Start-up diese Woche in einen Telefonbaum einbauen kann. Rime Prism wurde am 28. Oktober 2026 als Rimes erstes Speech-to-Speech-Modell gestartet. Sesame Preview läuft seit Anfang 2025 als kostenlose Research-Preview; die Produktionsstimme dahinter ist noch immer nicht veröffentlicht.

Sie werden verglichen, weil beide einen Anspruch auf Gesprächsrealismus erheben und weil beide zum Start nur auf Englisch verfügbar sind. Sie sind keine Alternativen. Das eine ist eine Anwendung, mit der man spricht, das andere ein Endpunkt, auf dem man aufbaut, und die Entscheidung zwischen ihnen ist weniger eine Wahl der Stimme als die Wahl, ob man ein Produkt oder eine Komponente kauft.

Die Aufteilung, die fast alles entscheidet

Ein Team, das einen Agenten ausliefern möchte, stellt zwei Fragen in dieser Reihenfolge: Kann ich ihn aufrufen, und was kostet ein Aufruf? Sesame Preview scheitert an der ersten. Es gibt keine öffentliche API für das Modell hinter der App, keine Modell-ID, keinen Endpunkt und keinen veröffentlichten Preis. Das Sesame, mit dem man sprechen kann, ist ein Verbraucherprodukt mit vier benannten Assistenten, persistentem Gedächtnis und einer wachsenden Palette von Tools; das Modell darunter ist nichts, das ein Entwickler ansprechen kann.

Das Einzige von Sesame, das man aufrufen kann, ist CSM-1B, der Open-Weight-Checkpoint, den das Unternehmen 2025 unter Apache 2.0 veröffentlicht hat: rund 1B Parameter, ein 4K-Kontext, 24-kHz-Mono-Audio. Das ist nicht die Stimme in der App und kein Agent – es konditioniert auf die Gesprächshistorie, kann aber nicht so darüber schlussfolgern wie ein Sprachmodell. Es ist eine Sprachkomponente, und zwar eine einzige.

• Verfügbarkeit — Rime Prism ist eine kostenpflichtige API mit einem kostenlosen Tarif; Sesame Preview ist eine kostenlose Consumer-App ohne API für ihre Produktionsstimme.

• Preis — Prism 0,080 $ pro Minute für Anrufaudio bei Flex, 0,064 $ bei Scale; Sesame veröffentlicht keinen Preis und berechnet nichts für die App.

• Abrechnungsrisiko — Prism rechnet ab, egal ob das Gespräch gut läuft oder nicht; Sesames Kosten entsprechen dem, was die App kostet, also null – und das ist kein Geschäftsmodell, auf das man planen kann.

• Latenzgrundlage — Prism 0,57 s Zeit bis zum ersten Audio, vom Anbieter auf τ-Voice gemessen; Sesames App beansprucht unter 300 ms, und eine Drittmessung der Maya-Persona hat die Time-to-First-Byte bei 80 bis 130 ms ermittelt.

• Unabhängige Bewertung — keines der beiden Modelle erscheint im Speech-to-Speech Index von Artificial Analysis.

• Sprachen — beide zum Marktstart nur auf Englisch; Sesame nennt Französisch, Italienisch, Deutsch, Spanisch, Chinesisch, Japanisch und Koreanisch als frühe Unterstützung.

• Bereitstellung — {{1}}Prism{{/1}} bietet Cloud, VPC und On-Premises mit einer HIPAA-BAA und SOC 2 Typ II; {{2}}Sesame{{/2}} bietet eine App.

Rime Prism als Endpunkt

Prism wird so verkauft, wie Enterprise-Software verkauft wird: eine kostenlose Tarifstufe mit 50 $ monatlichem Guthaben und ohne Kreditkarte, Flex für 0,080 $/Min. ohne Bindung, Scale für 100 $ monatlich mit 100 $ Guthaben und 0,064 $/Min. sowie Enterprise mit Volumentarifen und jährlicher Bindung. Jede Tarifstufe nutzt dasselbe Modell. Prism streamt über WebSockets und lässt sich in LiveKit und Pipecat integrieren, was wichtig ist, weil die meisten selbstgebauten Voice-Agents bereits dort laufen.

Die Funktionen, die den Tarif rechtfertigen, sind die, die eine Consumer-App gar nicht erst bauen würde. Prism verfasst seine Antwort als Text, bevor es spricht, sodass eine Anwendung den exakten Satz lesen, eine Richtlinienprüfung oder einen PII-Filter darauf anwenden und die Audioausgabe erst freigeben kann, wenn diese Prüfung bestanden wird – während das Modell weiter zuhört, sodass die Prüfung nicht zu einer hörbaren Pause werden muss. Tool-Aufrufe laufen parallel zur Sprachausgabe. Fine-Tuning auf Basis der eigenen Anrufe und Tool-Traces eines Kunden ist der zentrale Business Case; die Self-Serve-APIs für SFT und RL sind noch in der Beta.

Die eigenen Zahlen des Unternehmens geben die Time-to-First-Audio mit 0,57 Sekunden und die τ-Voice-Completion mit 56,6 % an, mit 82,5 % auf der Telecom-Teilmenge des Benchmarks. Eine Revmo-Fallstudie zu rund zehn Stunden echten Bestellanrufen wird mit 100 % Bestellbestätigungen gegenüber 68 % für ein nicht genanntes OpenAI-Modell angeführt. Das ist eine beauftragte Kundenstudie ohne veröffentlichte Methodik und sollte als Anbieterbehauptung statt als Ergebnis gelesen werden.

Sesame Preview als Produkt

Sesames Anspruch ist, dass sich ein Sprachassistent wie eine Person anfühlen sollte, die man kennt. Die vier Personas – Maya, die geistreiche Kollaborateurin, Miles, der Entspannte, Simone für tiefgehende Analysen, Charlie als lockeres Gegenüber für spontane Gedanken – verfügen jeweils über ein eigenes Gedächtnis und ihre eigene Art zu sprechen. Die App durchsucht das Web, führt lange Recherchen durch, speichert Notizen und Erinnerungen, fasst Anrufe zusammen und unterstützt einen Inkognito-Modus. Am 6. Oktober 2026 brachte Sesame ein aktualisiertes CSM mit besserer Ausdruckskraft und Aussprache heraus, gab seinen Agenten Zugriff auf ihren eigenen Computer und fügte Gmail-, Calendar- und Drive-Konnektoren, externe MCP-Server über OAuth, von Nutzern erstellte Skills und einen In-App-Bildgenerator hinzu.

Was ihm fehlt, ist ein Weg hinein. Die App ist kostenlos, zeigt keine Werbung und verkauft keine Daten – angenehm für Nutzer, ungeklärt für Käufer. Wie Sesame Geld verdienen will und ob Entwickler je einen Endpunkt erhalten, ist weiterhin nicht angekündigt. Die Brille ist für 2027 in Japan datiert; Entwicklerwerkzeuge wurden für „später in diesem Jahr“ versprochen, ohne Details.

Der Ruf ist allerdings echt. Sesames Stimmen sind die, von denen sich Leute gegenseitig Clips schicken, und der Rezensenten-Konsens ist seit zwei Jahren in Folge ungewöhnlich wohlwollend. Das Problem ist, dass ein Ruf keine Spezifikation ist: Für das Produktionsmodell wurde kein Latenzwert veröffentlicht, es gibt keinen Blindhörwert dafür, und die einzige unabhängig lauffähige Komponente ist der 1B-Checkpoint, bei dem es sich um etwas anderes handelt.

Die einzige Fähigkeit, die Sesame ausgeschlossen hat

Wenn der Grund, warum Sie Sesames Stimme wollen, der ist, dass sie wie ein Mensch klingt, dann ist das, was Sie tatsächlich nachbilden müssen, eine Gesprächsschleife und nicht eine Klangfarbe. Und eine Gesprächsschleife für ein Unternehmen hat Anforderungen, die eine Consumer-App nie erfüllen muss: einen Audit-Trail dessen, was der Agent gerade sagen wollte, eine Möglichkeit, ihn daran zu hindern, es zu sagen, einen Tool-Call, der aufgelöst wird, bevor der Anrufer es bemerkt, und ein Deployment, das eine Compliance-Prüfung besteht.

Prism ist auf diese Anforderungen ausgelegt, und deshalb kostet es Geld. Sesame ist auf das Gegenteil ausgelegt: ein geschlossenes, kuratiertes, kostenloses Erlebnis, bei dem das Unternehmen jede Variable kontrolliert. Beide sind verteidigungsfähige Produkte. Nur eines davon ist eine Komponente, die man in eine Schadenbearbeitungslinie einbinden kann.

Beide sind ausschließlich auf Englisch — aus entgegengesetzten Gründen

Prism startete ausschließlich auf Englisch mit einer begrenzten Auswahl an Stimmen, weil es eine erste Veröffentlichung ist und die Sprachabdeckung teuer in der Bereitstellung ist. Sesame ist primär englischsprachig, weil sein Produkt aus einer Reihe englischsprachiger Persönlichkeiten besteht; Französisch, Italienisch, Deutsch, Spanisch, Chinesisch, Japanisch und Koreanisch sind als „Early Support“ gekennzeichnet, was ein anderes Versprechen ist als „supported“.

Für ein mehrsprachiges Contact-Center ist dies der Abschnitt, mit dem der Artikel endet. Keines der beiden Modelle deckt heute eine gemischtsprachige Warteschlange ab, und der Vergleich, der für diesen Käufer tatsächlich zählt, richtet sich gegen eine TTS-Schicht mit breiter Sprachabdeckung plus einem gerouteten Textmodell – nicht gegen eines dieser beiden.

Das Messproblem

Keines der beiden Modelle ist im Speech-to-Speech Index von Artificial Analysis vertreten – dem einzigen unabhängigen Ranking, das konversationelle Sprachmodelle nach Aufgabenabschluss, Arena-Präferenz und Aufgaben-Erfolg bewertet. Dieses Fehlen ist kein Kritikpunkt an einem der beiden Produkte; es ist der Grund, warum sich diese Seite bei beiden auf Herstellerangaben stützen muss.

Prisms Wert von 56,6 % bei τ-Voice ist Rimes eigener Lauf. In der Tabelle, die Rime daneben veröffentlicht, erscheint GPT-Live-1 (Sol, low) mit 59,3 % — höher als Prism —, während der Werbetext behauptet, Prism liege vor jedem Echtzeitmodell von OpenAI und Google. Beiträge zum Marktstart wiederholen außerdem „unter 300 ms“ und „4-mal schneller“ – Zahlen, die in der Benchmark-Tabelle nicht auftauchen, die 0,57 s angibt. Das könnten Messungen unterschiedlicher Dinge sein; Rime sagt nicht, welche.

Sesames Position ist noch schwieriger, weil es kein Produktionsmodell gibt, das man messen könnte. Zugutehalten muss man Sesame, dass es das Werkzeug gebaut hat, mit dem sich eines messen ließe: TurnBench, veröffentlicht am 28. August 2026, ist ein Open-Source-Benchmark für den Sprecherwechsel in gesprochenen Dialogen, entwickelt mit Carnegie Mellon, Mundo AI und Oto, mit öffentlicher Rangliste und Self-Service-Bewertung. Es ist Sesames eigener Benchmark und kein neutraler, aber er ist ein echter Beitrag, und die Zahl, auf die er ausgerichtet ist, ist die nützlichste Kennzahl in diesem gesamten Vergleich: Der typische Abstand zwischen menschlichen Redebeiträgen beträgt etwa 200 Millisekunden, während die Planung eines einzelnen Wortes etwa 600 Millisekunden dauert. Deshalb ist es der Sprecherwechsel und nicht die Stimmqualität, der eine Maschine verrät.

Der einzige unabhängige Beleg, der Rimes Katalog beigefügt ist, ist seine TTS-Produktlinie, und in der Text-to-Speech Arena belegt Coda Platz 65 von 99 mit Elo 1.054 und Mist V2 Platz 92 mit 903. Das sagt nichts Endgültiges über Prism aus, dessen Stimmen neu sind – aber es bedeutet, dass „Rime hatte noch nie eine Stimme auf einem Spitzenplatz in einem unabhängigen Ranking“ eine wahre Aussage ist, die ein Käufer hören sollte, bevor er einen Vertrag mit Scale unterschreibt.

Was eine Telefonleitung je Richtung kostet

Prism lässt sich einfach bepreisen. Zehntausend Minuten eingehender Anrufe kosten $800 bei Flex oder $640 bei Scale, bevor etwaige Enterprise-Rabatte gelten. Ein fünfminütiger Anruf kostet $0,40. Wenn der Agent den Anruf anschließend zusätzlich zusammenfassen muss, fallen dafür Kosten eines Textmodells an, die im Vergleich zur Sprachrechnung gering sind.

Sesame lässt sich nicht bepreisen, weil es keinen Tarif gibt, auf den man einen Preis anwenden könnte. Die App kostet nichts und lässt sich nicht einbetten; der offene Checkpoint kostet bei seinem einzigen Hosting-Anbieter 7 US-Dollar pro Million Zeichen, und Self-Hosting bedeutet, den Inferenz-Stack, den Codec, die Turn-Erkennung und die Agentenlogik selbst zu betreiben. Wer einen Preis pro Minute für „Sesame“ nennt, nennt damit das Fehlen einer Rechnung der App, nicht einen Dienst.

Das ist die praktische Asymmetrie: Prism ist teuer und nachvollziehbar, Sesame ist kostenlos und nicht verfügbar. In einer Budgetsitzung lässt sich mit 0,080 US-Dollar pro Minute argumentieren. Mit „kein Endpunkt“ kann sie nichts anfangen.

Drei Käufer, drei unterschiedliche Antworten

Ein Unternehmen, das eingehende Support-Anrufe bearbeitet, sollte Prism in Betracht ziehen. Der Text-Checkpoint, die HIPAA-BAA, die On-Premises-Option und der Minutenpreis zielen alle genau auf diese Aufgabe, und das Risiko von Anbieteraussagen ist verkraftbar, weil die kommerziellen Bedingungen gewöhnlich sind. Testen Sie es in einem Callflow, messen Sie die Containment-Rate selbst, und behandeln Sie Rimes Fallstudie mit 100 % gegenüber 68 % als zu testende Hypothese und nicht als Prognose.

Ein Entwickler, der den Klang von Sesame in ein Produkt bringen möchte, sollte nicht auf eine API warten, die noch nicht angekündigt wurde. Der realistische Weg ist ein offener TTS-Checkpoint plus Ihre eigene Orchestrierung – und die Orchestrierung ist der Teil, den Sie günstig mieten können. OrcaRouter stellt über 200 Textmodelle hinter einem einzigen Schlüssel bereit zum Listenpreis des Anbieters ohne Aufschlag, fügt automatisches Failover hinzu, damit ein Voice-Agent nicht ausfällt, wenn ein Anbieter eine schlechte Minute hat, und stellt eine Routing-DSL bereit, sodass Routine-Turns an ein kleines Modell und Eskalationen an ein großes Modell gehen können. Die Voice-Schicht und die Reasoning-Schicht müssen nicht vom selben Unternehmen kommen, und für die meisten Entwickler sollten sie es auch nicht.

Ein Verbraucher oder jemand, der sich selbst einen persönlichen Assistenten baut, sollte einfach Sesame verwenden. Es ist kostenlos, es ist gut, und das Fehlen einer API ist für jemanden, der keinen Code schreibt, irrelevant.

Was würde die Antwort ändern

Drei Ereignisse. Wenn Sesame eine API und eine Preisliste veröffentlichen würde, würde das dies über Nacht zu einem echten Vergleich machen und sofort die Frage aufwerfen, ob seine Sprachqualität es übersteht, als Komponente verkauft zu werden. Würde Prism im Speech-to-Speech Index erscheinen, hätte es die erste unabhängige Kennzahl, die es je gab, und würde klären, ob die Aussage „vor OpenAI und Google“ den Kontakt mit einem neutralen Gremium übersteht. Und wenn Prisms Fine-Tuning-APIs die Beta verlassen, würde das die Unternehmen, die es bereits kaufen können, von allen anderen trennen.

Bis eines davon eintritt, geht es beim Vergleich um ein Produkt, das man erleben kann, und ein Produkt, das man einsetzen kann, und die einzig falsche Antwort ist, sie als zwei Versionen desselben Kaufs zu behandeln. Sesame ist die Stimme, die die Menschen wieder dazu gebracht hat, sich für konversationelle KI zu interessieren. Prism ist der erste ernsthafte Versuch, dieses Gefühl minutenweise zu verkaufen – mit angehängtem Audit-Log. Keines von beiden ersetzt das andere.