Titelkarte für 'Sesame Preview kommt zu Android': großer Titel, Untertitel 'Der Sprachagent, den Tester als einen der besten Sprachmodi auf dem Markt bezeichnen — kostenlos, noch ohne API', und zwei flache Icon-Karten — 'Voice-first-Agenten' mit einem Wellenform-und-Person-Liniensymbol und einem Badge mit der Aufschrift 'Maya · Miles · Simone · Charlie', und 'Auf iOS und Android' mit einem Telefon-Liniensymbol und einem Badge mit der Aufschrift 'kostenlos — noch ohne API'. Fußzeile: 'Persönliche Agenten für neugierige Menschen — Sesame, August 2026.' OrcaRouter-Logo unten rechts eingeblendet.
Guides & Insights

Sesame Preview bietet jetzt Tarife: Free, Plus für 20 $, Pro für 100 $ – und weiterhin keine Voice-API

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Fast sechs Wochen nach dem Oktober-Upgrade, das seinen Agenten einen Computer verschaffte, Sesame Preview – eine App, die seit Mai 2026 in der öffentlichen Vorschau ist – hat jetzt eine Preisliste. Sesames eigene Tarifseite bietet nun drei Stufen an – Free für 0 $ mit 30 Minuten Gesprächszeit pro Tag, Plus für 20 $ pro Monat mit dem Vierfachen dieses Kontingents und Pro für 100 $ pro Monat mit dem Zwanzigfachen – abgerechnet über den App Store und G​oogle Play statt im Web. Dabei handelt es sich um vom Anbieter genannte Preise auf dessen eigener Seite: keine gemessene Zahl, kein unabhängiger Test. Alles darunter ist unverändert. Die Produktionsstimme hat weiterhin keine API, keine Modell-ID und keine unabhängige Bewertung, und das einzige Sesame-Modell, das jemand außerhalb der App laden kann, bleibt das Open-Weight-Modell CSM-1B.

Die drei Stufen, wie veröffentlicht:

• Kostenlos — $0. 30 Minuten Gesprächszeit pro Tag plus ein begrenztes wöchentliches Guthaben für Textnachrichten und Aufgaben.

• Plus — 20 $ pro Monat. Zwei Stunden Gesprächszeit pro Tag, viermal die wöchentlichen Credits von Free und eine einwöchige kostenlose Testphase, die jeder einmal nutzen kann.

• Pro — 100 $ pro Monat. Zehn Stunden Gesprächszeit pro Tag und zwanzigmal die wöchentlichen Credits von Free.

Sesame zieht die entscheidende Grenze selbst: Ein Telefonat verbraucht Gesprächszeit, und „alles, was der Agent unternimmt“, verbraucht Credits – egal, ob du per Sprache oder per Text gefragt hast. Die beiden Zähler stoßen daher auf unterschiedliche Weise an ihre Grenzen. Gesprächszeit wird täglich zurückgesetzt, Credits wöchentlich. Wenn die Credits ausgehen, wird das Gespräch nicht beendet – du wirst von Max-Intelligenz auf Standard herabgestuft, und geplante Skills pausieren bis zum wöchentlichen Reset und werden dann an der Stelle fortgesetzt, an der sie aufgehört haben. Wenn die Gesprächszeit ausgeht, ist das die härtere Grenze: Du kannst weiterhin texten, aber die Intelligenz des Modells sinkt und einige Funktionen sind eingeschränkt. Auf der Tarifliste sind „viermal die Gesprächszeit“ und „viermal die Credits“ zwei separate Versprechen, die an unterschiedlichen Tagen auslaufen können.

Die Zahl, die tatsächlich über die Tarifstufe entscheidet, ist nicht der beworbene Preis, sondern der Preis für Zusatzleistungen. Sesame verkauft zusätzliche Gesprächszeit für 5 $ pro Stunde und 20 $ für fünf Stunden sowie Credits für 5 $ pro Tausend und 20 $ pro fünftausend. Pakete verfallen nie und werden erst aufgebraucht, wenn das Kontingent deines Tarifs erschöpft ist. Bei diesem Preis kosten die zwei Stunden pro Tag von Plus – grob 60 Stunden in einem 30-Tage-Monat – 20 $, während 20 $ à-la-carte gebuchte Gesprächszeit fünf Stunden ergeben. Wenn du den Assistenten mehr als ein paar Mal pro Woche nutzt, hat das Abonnement etwa den zwölffachen Wert der Pakete, was wohl die Absicht ist: Sesames eigene FAQ bezeichnet jeden Tarif als „ein viel besseres Angebot als der Kauf der entsprechenden Menge zusätzlicher Zeit oder Credits“.

Zwei strukturelle Details sind wichtiger, als es den Anschein hat. Erstens wird im Web nichts verkauft: Käufe laufen über den App Store oder Google Play, sodass sich die browserbasierte Research Preview überhaupt nicht upgraden lässt. Zweitens – und hier liest sich „die Preview endet“ etwas falsch – verschwindet die Web-Preview nicht. In den FAQ von Sesame heißt es, Nutzer außerhalb der Länder, in denen die App verfügbar ist, „könnten die Research Preview weiterhin kostenlos nutzen, mit einem täglichen Gesprächszeitlimit, das dem Free Plan entspricht: 30 Minuten pro Tag“, und Sprechzeit und Credits seien an das Konto gebunden, sodass für Web-Anrufe dieselbe Tagesobergrenze gilt. Beendet wurde das unbegrenzte Kontingent. Die Preview selbst bleibt als kostenlose Stufe erhalten.

Die App selbst wird weiterhin zusammen mit der neuen Abrechnung ausgeliefert. Im App Store ist Version 48.0 aufgeführt, datiert auf den 13. November, mit Versionshinweisen, die mit „besserer Standard- und Max-Intelligence“ werben; G​oogle Play zeigt die App aktualisiert am 9. November mit 50.000+ Downloads und einem Durchschnitt von 4,9 Sternen bei etwa 2.000 Bewertungen. Der untenstehende Screenshot ist nicht dieser Build – es ist die August-Aufnahme, mit der dieser Artikel ursprünglich erschien, von einer Seite, auf der „Preview available now on iOS and Android“ stand und überhaupt kein Preis genannt wurde. Er bleibt erhalten, weil er der letzte Zustand des Produkts vor der Einführung der Tarifstufen war.

Screenshot of Sesame's official Mobile Preview page (sesame.com/mobile-preview), showing 'Personal agents for curious people', 'Preview available now on iOS and Android', and store links for App Store and Google Play. Captured August 6, 2026.

Was Sesame eigentlich ist

Sesame ist kein Modellunternehmen, das zufällig eine App hat; es ist ein Modellunternehmen, dessen App der Kern ist. Das 2023 von Brendan Iribe, Ankit Kumar und Ryan Brown gegründete und von a16z, Sequoia, Spark und Matrix unterstützte Labor entwickelte das Konversations-Sprachmodell (CSM) hinter der „Maya“-Demo – eine Stimme mit Atem, Zögern und Timing für Unterbrechungen, so überzeugend, dass Ersthörer annahmen, eine Person sei am Telefon. Das Produkt, das es jetzt verkauft, sind „persönliche Agenten für neugierige Menschen“. Der Oktober brachte ein Ziel hinzu: Am 6. Oktober beschrieb Nate Mitchell, Chief Product Officer des Unternehmens, den Assistenten als das Betriebssystem für eine Ganztagsbrille – „ein Voice-OS auf der Fassung“, wie es im Unternehmen heißt –, und einen Tag zuvor kündigte Sesame an, dass die Fassungen in Japan gefertigt werden und 2027 erscheinen. Der Assistent ist das Produkt; die Brille ist der Grund, warum es ihn gibt. Die Seite mit den Plänen ergänzte den Teil, der daraus ein Geschäft macht.

Die vier Agenten – und was die App tatsächlich macht

Die vier Persönlichkeiten sind unverändert und nach wie vor das markanteste Merkmal des Produkts: Maya (eine geistreiche Kollaborateurin), Miles (ein entspannter Gesprächspartner, der sagt, wie es ist), Simone (eine dynamische Denkpartnerin für Deep Dives) und Charlie (ein lockerer Sparringspartner). Jede behält ihr eigenes Gedächtnis und seit Oktober auch ihren eigenen App-Zugriff – du kannst Maya Zugriff auf deine E-Mails geben und Charlie davon ausschließen. Auf dieser Grundlage suchen die Assistenten im Web, führen Deep Dives durch, erstellen Notizen und Erinnerungen, senden nach einem Anruf eine Zusammenfassung und antworten schriftlich, wenn du nicht laut sprechen kannst; ein Inkognito-Modus liest vergangene Erinnerungen, ohne neue zu schreiben. Was sich durch die Tarife geändert hat, ist nicht, was die App tut, sondern wie viel davon du bekommst: Jede Funktion ist als in jeder Tarifstufe verfügbar aufgeführt, und der Unterschied zwischen $0, $20 und $100 liegt im Kontingent, nicht in den Fähigkeiten.

Was das Oktober-Release tatsächlich hinzugefügt hat

Beginne mit der Stimme, denn alles andere ruht auf ihr. Sesame sagt, man habe „unser Conversational Speech Model aktualisiert, um Ausdruckskraft und Aussprache zu verbessern“, und dass die Änderung „einen enormen Unterschied macht, besonders bei längeren Gesprächen“. Im selben Beitrag heißt es, die Persönlichkeiten der Figuren würden jetzt „klarer zum Ausdruck kommen“, mit weniger Unterwürfigkeit und weniger wiederholten Phrasen. Das ist eine Anbieterbehauptung ohne Zahlen: keine Modell-ID veröffentlicht, kein Latenzwert, kein Benchmark, und die Stimme der App ist nach wie vor kein Endpunkt, den irgendjemand messen kann. Behandle es als eine Richtungsaussage von der einzigen Partei, die beide Versionen gehört hat.

Die größere Veränderung ist, dass die Agenten jetzt einen Körper haben. „Mit dem Oktober-Release ist jeder Agent jetzt klüger und hat Zugriff auf seinen eigenen Computer“, schreibt Sesame – was bedeutet, dass ein Assistent browsen und handeln kann, statt nur zu reden. Die Demonstration, die das Unternehmen bietet, ist bezeichnend: Das eigene Team sagt, es habe Maya, Miles, Simone und Charlie genutzt, um „andere Agenten wie Devin, Claude Code und Codex zu orchestrieren“, per Stimme, auf Spaziergängen und auf dem Arbeitsweg. Wenn das wie beschrieben funktioniert, konkurriert Sesame nicht mehr nur mit Sprachassistenten, sondern hat begonnen, um die Kontrollebene über Coding-Agenten zu konkurrieren. Es ist außerdem die Behauptung in diesem Release, die ein Leser am einfachsten persönlich testen kann – und diejenige, für die zum Zeitpunkt dieses Textes kein externer Rezensent eine Messung veröffentlicht hatte.

Auch die technische Grundlage, die das Ganze nützlich macht, ist neu. Sesames Einstiegsleitfaden, aktualisiert am 5. Oktober, führt Google-Apps – Gmail, Google Calendar, Google Drive – als Konnektoren auf, einige als Beta gekennzeichnet, außerdem Unterstützung für externe MCP-Server über OAuth, mit einer deutlichen Warnung, dem Entwickler zu vertrauen, bevor man einen verbindet. Auf den Konnektoren setzt der „Skill“ auf: ein in einfacher Sprache gehaltenes Playbook, das Sie im Gespräch erstellen und dann auf Abruf oder nach Zeitplan ausführen – ob mit verbundenen Apps oder ohne. Die Bildgenerierung ist als eines der eigenen Werkzeuge des Agenten hinzugekommen: Die App führt „Image by Sesame“ darunter auf, beschrieben als Funktion zum Generieren, Bearbeiten und Analysieren von Bildern, und der Assistent bietet an, eines aus einer Beschreibung zu generieren oder Ihnen zu sagen, was auf einem Foto zu sehen ist, das Sie senden. Beachten Sie die Herkunft dieser Angabe – das ist die Werkzeugliste in der App, nicht eine Aussage aus Sesames eigener Ankündigung, und weder die App noch das Unternehmen nennt das dahinterstehende Bildmodell.

Die Seite „Pläne“ ergänzt ein Detail, das die Oktober-Notizen nicht ausdrücklich erwähnt hatten: Die App hat jetzt zwei Intelligenzstufen, Standard und Max, und Max ist diejenige, die sowohl Credits als auch Gesprächszeit verbraucht. Dadurch ist das Credit-Kontingent eher eine Qualitätsobergrenze als eine Aufgabenquote – ein Unterschied, den der Store-Eintrag untermauert, denn die App-Store-Versionshinweise für Version 48.0 versprechen „bessere Standard- und Max-Intelligenz“.

Die Limits, die unverändert blieben

Es gibt weiterhin keine API und keine Modell-ID für die Stimme, daher ist nichts davon etwas, das ein Entwickler aufrufen kann – und die Pläne-Seite ändert daran nichts. Jede Zahl darauf ist ein Verbraucherabonnement; nichts davon ist ein Preis pro Token, pro Minute oder pro Zeichen für das Modell. Das Bildwerkzeug verrät nicht, welches Modell dahintersteckt. Wie zuverlässig ein Agent Devin oder Claude Code unbeaufsichtigt orchestriert, ist eine offene Frage, die der Anbieter nur mit seiner eigenen Anekdote beantwortet hat. Englisch ist weiterhin die einzige offiziell unterstützte Sprache – im Leitfaden heißt es, die Assistenten beherrschten auch Französisch, Italienisch, Deutsch, Spanisch, Chinesisch, Japanisch und Koreanisch „früh“, was eher eine Warnung als eine Funktionsliste ist. Man muss mindestens 18 Jahre alt sein. Und der App-Zugriff erfolgt pro Assistent, was gut für den Datenschutz und in der Praxis unangenehm ist: Was man für Maya verbindet, kann Charlie nicht sehen. Sesame sagt weiterhin, dass es keine Werbung schaltet und keine Daten verkauft – eine Behauptung, die sich mit den bezahlten Tarifen nun leichter aufrechterhalten lässt.

Die Stimme ist das Produkt – und sie ist bisher nicht messbar.

Was Sesame es wert macht, darüber zu schreiben, ist weiterhin kein Benchmark-Wert, denn für die App gibt es noch immer keinen. Das Produktionsmodell ist unveröffentlicht: keine Modell-ID, keine API, kein Latenzziel und kein Eintrag in Artificial Analysis’ Speech-to-Speech-Leaderboard, wie es bei aufrufbaren Sprachmodellen der Fall ist. Was sich verifizieren lässt, ist die Architekturfamilie. Sesames CSM ist ein Zwei-Decoder-Design – ein Llama-Backbone, der das erste Audio-Codebook vorhersagt, und ein kleiner „Depth“-Decoder, der den Rest vorhersagt – auf Basis von Kyutais Mimi-Codec, das 24-kHz-Mono-Sprache erzeugt, und das Open-Weight-CSM-1B (Apache-2.0) ist der einzige Teil davon, den jeder herunterladen kann. Die Oktober-Notizen sind die erste Bestätigung seit Monaten, dass sich das Produktions-CSM selbst bewegt hat, und das Unternehmen hat weiterhin nichts veröffentlicht, auf das man einen Benchmark ansetzen könnte. Ein Instrument gibt es jedoch, und es misst etwas Angrenzendes: Am 28. August 2026 veröffentlichte Sesame TurnBench, einen offenen Benchmark für Turn-Taking im gesprochenen Dialog – 30 Stunden dreifach annotierter dyadischer Sprache, ein aus der Konversationsanalyse abgeleitetes Bewertungsprotokoll, ein öffentliches Leaderboard und Ergebnisse für 14 Systeme, entwickelt mit Carnegie Mellon, Mundo AI und Oto. Er ist wirklich offen, stammt von Sesame selbst und bewertet Turn-Taking und nicht die Stimme dieser App.

Die unten stehende Übersichtstabelle ist jene ältere Momentaufnahme vom August. Sie weist inzwischen in zwei Richtungen Lücken auf. Sie sagt nichts über Computernutzung, Konnektoren oder Bildgenerierung aus, weil es sie alle noch nicht gab, als sie erstellt wurde; und in ihrer Preiszeile steht weiterhin „kostenlos (Vorschau, kein kostenpflichtiger Tarif)“, was seit der Woche, in der die Tarifseite online ging, nicht mehr stimmt. Die Titelkarte oben auf dieser Seite stammt aus derselben August-Charge und trägt dasselbe veraltete Badge „kostenlos — noch keine API“. Lesen Sie beides als Aufzeichnung dessen, was die App war, nicht dessen, was sie heute kostet.

Single-column scoreboard for 'Sesame Preview — the scoreboard': six rows reading 'Platforms: iOS + Android + Web', 'Price: free (preview, no paid tier)', 'Agents: Maya · Miles · Simone · Charlie', 'Independent score: none yet', 'Open model: CSM-1B, $7/M chars', 'Languages: English only'. Footer: 'Sesame app model unreleased; CSM-1B per OpenRouter; no independent voice benchmark exists.' OrcaRouter logo composited bottom-right.

Was eine Stunde Sesame tatsächlich kostet

Auf die Stunde Sprechzeit umgerechnet kommt Plus auf etwa 33 Cent. Das sollte man neben den API-Markt stellen, denn es ist die einzige Zahl, die Sesame derzeit veröffentlicht und die sich überhaupt vergleichen lässt. G​rok Voice Think Fast 2.0 berechnet 0,08 US-Dollar pro Audiominute, also 4,80 US-Dollar pro Stunde. GPT-Realtime-2.1 wird pro Audio-Token abgerechnet, mit 32 US-Dollar pro Million Eingabe- und 64 US-Dollar pro Million Ausgabe-Token – eine Einheit, die sich nicht in Stunden umrechnen lässt, ohne zu wissen, wie viel man sagt.

Dieser Vergleich ist nicht eins zu eins und sollte nicht als solcher verstanden werden. Grok Voice ist eine API, auf der man ein Produkt baut; Sesame ist eine App, mit der man spricht. Sesames Credits messen zusätzlich zur Sprechzeit auch die Aktionen des Agenten ab, sodass eine intensive Woche mit Aufgaben ein Kontingent verbrauchen kann, das in der Stundenangabe nie auftaucht. Und nichts Unabhängiges hat gemessen, ob die beiden Stimmen in derselben Liga spielen – die eine Zahl, die das entscheiden würde, gibt es für die App nicht. Was die 33 Cent aber sagen, ist, dass Sesame ein pauschales Verbraucherabonnement gegen einen Markt bepreist hat, der nach Minuten abrechnet, und dass es bei 20 $ im Monat Stunden deutlich unter dem Preis verkauft, den eine nutzungsabhängig abgerechnete Sprach-API dafür berechnet. Ob das Großzügigkeit oder ein Einführungsrabatt ist, wird die nächste Preisseite beantworten.

Wo Sesame Preview in der Voice-Landschaft steht

Im Jahr 2026 teilt sich der Realtime-Voice-Bereich in Apps und APIs, und der Oktober hat eine dritte Achse hinzugefügt: wer die Agenten kontrolliert. Auf der App-Seite konkurriert Sesame Preview um dieselbe Aufmerksamkeit wie die Sprachmodi in ChatGPT und Gemini Live – mit einem neuen Unterschied: Diese Sprachmodi sind in einem Abonnement gebündelt, das auch ein Textmodell beinhaltet, während die 20 $ bei Sesame nur den Assistenten abdecken. Dadurch wird die kostenlose Stufe zum eigentlichen Wettbewerb: 30 Minuten am Tag sind eine Demo-Länge, und sobald ein Leser sie überschreitet, geht es um die Entscheidung, ob diese Stimme eigenständige 20 $ wert ist. Auf der API-Seite sind die aufrufbaren Optionen die Modelle, auf die man einen WebSocket richten kann: Grok Voice Think Fast 2.0 für 0,08 $ pro Audiominute mit einer Time-to-First-Audio von 0,70 Sekunden, auf Platz eins im τ-Voice-Agent-Benchmark und auf Platz zwei in Artificial Analysis’ Speech-to-Speech-Qualitätsindex mit 82,9 % (diese Zahlen stammen von Artificial Analysis, nicht von xAI), oder GPT-Realtime-2.1 für 32 $ pro Million Audio-Eingabe-Token und 64 $ pro Million Audio-Ausgabe-Token. Die dritte Achse ist diejenige, auf die Sesame im Oktober umgeschwenkt ist: nicht „Ruf unser Sprachmodell auf“, sondern „Sprich mit unseren Agenten, und sie steuern deine anderen Agenten.“ Das ist eine Behauptung über Orchestrierung, und niemand misst sie – die Beschreibung des Anbieters ist bislang der gesamte Beweis.

Das folgende Diagramm ist das Board auf der API-Seite, wie es am 6. August 2026 aussah: eine Erinnerung daran, mit wem Sesame um Aufmerksamkeit konkurriert und welche Art von Figur die Stimme der App noch immer nicht hat.

Screenshot of the Artificial Analysis speech-to-speech leaderboard (artificialanalysis.ai/speech-to-speech, captured August 6, 2026), where callable voice models such as Grok Voice Think Fast 2.0 carry index scores and time-to-first-audio figures — the API-side voice market that Sesame Preview, an app with no API, currently has no equivalent for.

Was es für Entwickler bedeutet

Die Verbraucherseite hat jetzt einen Preis; die Entwicklerseite hat noch keinen. Wenn Sie heute ein Produkt auf Sesames Produktionsstimme aufbauen möchten, ist das nicht möglich – es gibt keine API dafür, und keiner der Tarife auf der Preisseite ist ein Entwicklertarif. Das einzige Sesame-Modell, das ein Entwickler aufrufen kann, ist die offene CSM-1B-Basis, die man selbst hosten oder über einen Anbieter erreichen würde, der sie führt: 1B Parameter, 4K-Kontext, ein Text-to-Speech-Modell mit Zero-Shot-Voice-Cloning, aber ohne eigenes Tool-Calling. Was sich im Oktober ändert, ist die Stoßrichtung: Die Assistenten verbinden sich mit MCP-Servern, und Sesame sagt, es „füge Entwickler-Tooling hinzu, damit Sie später in diesem Jahr Ihre eigenen Sesame-Apps erstellen können“. Was die Tarife ergänzen, ist ein Hinweis auf das Geschäftsmodell, auf dem das Tooling aufsetzen wird – nutzungsabhängig abgerechnete Sprechzeit plus nutzungsabhängig abgerechnete Agentenarbeit, verkauft als Tarifstufen. Ein Assistent, den Sie erweitern und jetzt stundenweise bezahlen können, ist nur einen Schritt von einem Assistenten entfernt, den Sie pro Token aufrufen können.

Die im Jahr 2026 gebräuchlichere Art, einen maßgeschneiderten Sprachagenten zusammenzustellen, besteht weiterhin darin, eine Sprachschicht mit einem Textgehirn zu kombinieren, das entscheidet, was gesagt wird – und genau dieses Gehirn ist das, dem ein Router vorgeschaltet ist. OrcaRouter bietet Ihnen über 200 Modelle hinter einem OpenAI-kompatiblen Endpunkt zum Listenpreis des Anbieters, ohne Aufschlag durchgereicht, sodass Preissenkungen eines Anbieters hier noch am selben Tag live sind; automatisches Failover ist der sichere Weg, ein gerade veröffentlichtes, noch nicht erprobtes Modell auf einem echten Pfad neben einem bewährten einzusetzen. Um bei unserer eigenen Abdeckung ehrlich zu sein: Heute ist hier kein Sesame-Modell als Route verfügbar, CSM-1B eingeschlossen – nichts des oben Genannten bedeutet also, dass Sie Sesames Stimme mieten. Es ist das Muster für die Textseite, solange die Stimme geschlossen bleibt, und das Muster, das Sie an dem Tag haben wollen, an dem dies nicht mehr gilt.

Der "Fahrmodus"-Test

TestingCatalogs Formulierung aus August – „my drive mode default“ – ist noch immer die prägnanteste Zusammenfassung dessen, wofür Sesame Preview gedacht ist, und im Oktober wurde sie wörtlicher und folgenreicher. Der Drive-Modus ist der schwierigste Fall für einen Sprachassistenten: Hände beschäftigt, Augen auf der Straße, kein Bildschirm, auf den man zurückgreifen kann, keine Geduld für einen Turn-Taking-Fehler bei hoher Geschwindigkeit. Kommt Computer Use hinzu, ändert sich, was auf dem Spiel steht – Sie delegieren nun Aufgaben, die Sie vom Fahrersitz aus nicht überprüfen können, an einen Agenten, der losgeht, handelt und mit einem Update zurückkommt. Ausdrucksstarke Prosodie, die Bedeutung ohne Display transportiert, und eine Unterbrechungsbehandlung, die es Ihnen erlaubt, mitten im Satz einzugreifen, sind nach wie vor die Gründe, warum diese Stimme die Fahrt wert ist.

Die Tarife fügen diesem Test einen weniger romantischen Fehlermodus hinzu. Da Aufgabenarbeit Credits statt Gesprächszeit verbraucht, geht im Auto nicht das Gespräch aus, sondern das Tun: Ist die wöchentliche Credit-Obergrenze erreicht, laufen Anrufe mit Standard intelligence weiter, während jede geplante Fähigkeit bis zum Reset pausiert. Fünfzehn Minuten verbleibende Gesprächszeit und keine Credits sind eine schlechtere Ausgangslage als zehn Minuten und ein volles Kontingent, und die App warnt dich, bevor du so weit kommst, statt erst danach.

Was als Nächstes ansehen

Fünf Dinge würden diese Geschichte verändern. Erstens: eine API oder Modell-ID für die Produktionsstimme – das Ereignis, das Sesame von einer Consumer-App zu etwas macht, an das ein Entwickler Anfragen richten kann, und der Moment, in dem es pro Token statt pro Monat bepreist werden kann. Zweitens, ob die Tarifstruktur ihre Form behält: Heute wird jedes Feature in jedem Tarif beworben, sodass sich die Tarife nur im Kontingent unterscheiden. Ein einziges Feature, das hinter Plus wandert, würde zeigen, dass die Verbrauchsmessung ein Test und kein Design war. Drittens die Entwicklerwerkzeuge, die Sesame für „später in diesem Jahr“ versprochen hat: Wenn man eine Sesame-App bauen kann, wird die Stimme der App programmatisch interessant, selbst ohne eine API im klassischen Sinne. Viertens offene Gewichte – CSM-1B ist seit März 2025 allein auf Hugging Face, und ein neueres oder größeres offenes CSM würde es jedem ermöglichen, die Stimme selbst zu betreiben, statt Stunden zu mieten. Fünftens die Brille, die kein Gerücht mehr ist: Am 5. und 6. Oktober setzte das Unternehmen den Termin für die Brille auf 2027, erklärte, sie würden in Japan hergestellt, und beschrieb den Assistenten als das Betriebssystem, auf dem sie laufen.

FAQ

Ist Sesame noch kostenlos?

Teilweise. Die App lässt sich kostenlos herunterladen, und die Free-Stufe behält vollen Zugriff auf alle Funktionen, begrenzt auf 30 Minuten Sprechzeit pro Tag und ein begrenztes wöchentliches Credit-Kontingent; die Research Preview im Browser läuft mit derselben täglichen Obergrenze von 30 Minuten. Plus kostet 20 $ pro Monat für zwei Stunden pro Tag und das Vierfache an Credits, Pro kostet 100 $ pro Monat für zehn Stunden pro Tag und das Zwanzigfache an Credits, und À-la-carte-Pakete (5 $ pro Stunde Sprechzeit, 5 $ pro tausend Credits) ermöglichen das Aufladen ohne Abo. Alles wird über den App Store oder G​oogle Play abgerechnet.

Hat Sesame eine API für die Stimme der App?

Nein. Das Produktionsmodell hinter der App ist unveröffentlicht – keine Modell-ID, kein Endpunkt und keine Preise pro Token – obwohl das Oktober-Release besagt, dass das zugrunde liegende Conversational Speech Model aktualisiert wurde. Die kostenpflichtigen Tarife sind Verbraucher-Abos, keine Entwicklertarife. Das einzige Sesame-Modell, das Entwickler heute aufrufen können, ist die Open-Weight-Basis CSM-1B, die man selbst hosten oder über einen Anbieter erreichen würde, der sie bereitstellt. Die Assistenten können sich mit externen MCP-Servern verbinden, aber das ermöglicht ihnen, Ihre Tools zu nutzen; es ermöglicht nicht Ihrem Code, sie zu nutzen.

Wie gut ist die Stimme wirklich?

Es gibt keine unabhängige Bewertung. Das App-Modell ist nicht im Speech-to-Speech-Leaderboard von Artificial Analysis aufgeführt, und Sesame hat keinen Drittanbieter-Benchmark dafür veröffentlicht. Was es gibt, ist die eigene Darstellung des Anbieters davon, was sich im Oktober geändert hat – mehr Ausdruckskraft, bessere Aussprache, weniger Sykophantie – plus Sesames offenes TurnBench, das eher Turn-Taking als diese App misst, und das offene CSM-1B, dessen Natürlichkeit der einzige Teil von Sesames Voice-Arbeit ist, den jeder unabhängig ausführen kann.

Sesame Preview hat den Oktober damit verbracht, ein Produkt zu werden, und ist seitdem zu einem Geschäft geworden, und diese beiden Tatsachen sollte man getrennt halten. Als Nutzer lautet die Frage nicht mehr, ob die Stimme beeindruckend ist, sondern ob 30 Minuten pro Tag abdecken, wie du tatsächlich sprichst, ob $20 genug Spielraum verschaffen und ob die wöchentliche Credit-Obergrenze mitten in etwas fällt, das du geplant hast. Als Entwickler hat sich überhaupt nichts geändert: keine API, keine Modell-ID, kein Minutenpreis, kein Score. Teste die Stimme im kostenlosen Tarif, bevor du abonnierst, beobachte, was die Credit-Klippe mit einer echten Woche macht statt mit einer Demo-Woche, und behalte die Modell-ID im Auge – denn in dem Moment, in dem Sesame eine veröffentlicht, ist dies keine Consumer-Geschichte mehr, sondern über Nacht eine Entwickler-Geschichte.

In diesem Artikel verglichen1

Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert