Simba 3.5 vs. Sesame Preview: Das eine wird pro Zeichen verkauft, das andere pro Sitzplatz.

Hier ist ein Vergleich, der wie Äpfel und Birnen wirkt – bis man ihn bepreist, und dann wird daraus Rechnen. SpeechifyAI Simba 3.5 ist ein Text-to-Speech-Modell, das man pro Million Zeichen kauft und aus dem eigenen Code heraus aufruft. Sesame Preview ist ein Sprachagent für Endverbraucher, den man monatlich pro Person in einer App kauft. Beide sind käuflich zu erwerben – Sesame hat eine Preisliste mit Free-, Plus- und Pro-Tarif veröffentlicht und ist kein kostenloses Demo mehr – und beide erzeugen eine synthetische menschliche Stimme. Das eine ist eine Komponente, das andere ein Produkt, und die einzige ehrliche Art, zwischen ihnen zu wählen, ist herauszufinden, welches dieser beiden Dinge das eigene Problem tatsächlich braucht.

Das Unternehmen Sesame veröffentlicht tatsächlich ein Modell: CSM-1B, offene Gewichte auf Hugging Face unter Apache 2.0. Es ist nicht die Stimme, die man in der App hört. Die App betreibt ein Produktionssystem ohne API, ohne Modell-ID und ohne unabhängige Arena-Bewertung, und die Forschungsveröffentlichung hat sich seit 2025 nicht weiterentwickelt. Diese Lücke ist die wichtigste Einzeltatsache in diesem Beitrag und der Grund dafür, dass die beiden Produkte kein Ersatz füreinander sind.

Was jedes einzelne kostet, umgerechnet in dieselbe Einheit

Die Einheiten-Diskrepanz ist der Punkt, an dem die meisten Ausführungen enden – fangen Sie also dort an. Simba 3.5 rechnet pro Zeichen des Eingabetexts ab. Sesame rechnet pro Seat und Monat mit einem Sprachzeit-Kontingent ab. Keine der beiden Tariflogiken lässt sich sauber in die andere umrechnen, aber beide lassen sich in die Frage umrechnen: „Was kostet das meine Organisation im Monat?“ – und dieser Vergleich fällt alles andere als knapp aus.

• Simba 3.5, Listenpreis ab 22. November — 15,00 $ pro Million Zeichen bei Starter, 12,00 $ bei Pro, 10,00 $ bei Scale

• Simba 3.5, bis 21. November – 10,00 $, 8,00 $ und 6,00 $ pro Million Zeichen, die Preise der älteren Modelle

• Sesame Free — 0 $, 30 Minuten Sprechzeit pro Tag

• Sesame Plus — 20 $ pro Monat, zwei Stunden Gesprächszeit pro Tag, das Vierfache des wöchentlichen Guthabenkontingents von Free

• Sesame Pro — 100 $ pro Monat, zehn Stunden Gesprächszeit pro Tag, das Zwanzigfache der wöchentlichen Credits von Free

• Sesame-Add-ons — 5 $ für eine zusätzliche Stunde Sprechzeit, 20 $ für fünf; Guthaben zu 5 $ pro Tausend und 20 $ pro Fünftausend, Pakete, die nicht verfallen

Zehn Millionen Zeichen von Simba 3.5 im Scale-Plan kosten 100 US-Dollar und ergeben etwa zweihundert Stunden fertiger Sprache. Sesame Pro kostet 100 US-Dollar pro Monat und bietet einer Person zehn Stunden Sprechzeit pro Tag. Das sind unterschiedliche Produkte mit derselben Rechnungsposition, und es ist wirklich schwer zu sagen, welches das bessere Preis-Leistungs-Verhältnis hat, weil das eine ein Asset erzeugt und das andere ein Gespräch führt.

Die erwähnenswerte Zahl bei Sesame ist die Überschreidungsrate, nicht das Abonnement. Zusätzliche Gesprächszeit zu 5 US-Dollar pro Stunde kostet rund 0,083 US-Dollar pro Minute – teuer für ein Gespräch und günstig für ein Produkt, das man Kunden vorlegen möchte. Die Pakete verfallen nie und werden erst nach dem im Tarif enthaltenen Kontingent verbraucht, daher ist die marginale Stunde die Zahl, die man modellieren sollte, nicht der beworbene Tarif.

Was Simba 3.5 genau ist

Simba 3.5 wurde am 21. Oktober 2026 als von Speechify empfohlenes Modell eingeführt, ersetzte Simba 3.2 als künftige englische Wahl und erweiterte die Abdeckung von sechs Sprachen auf 48 unter einer einzigen Modell-ID. Jede Stimme im Katalog spricht alle 48, einschließlich einer geklonten Stimme in einem kostenpflichtigen Tarif, mit derselben Stimmen-ID. Estnisch und Kantonesisch sind ausdrücklich ausgeschlossen. Stimmen-IDs, Ausgabeformate, Sprachmarkierungen und die angewendete SSML-Teilmenge werden von 3.2 übernommen, sodass die Migration eine einzeilige Änderung am Modellfeld ist, ohne Erhöhung der API-Version.

Bei Artificial Analysis belegt es mit 1.192 den ersten Platz bei Controlled Voice und mit 1.294 den fünften Platz bei Provider Voice, basierend auf 1.783 bzw. 1.732 Samples. Das Controlled-Board ist für diesen Vergleich das aussagekräftigste: Es klont für jeden Teilnehmer dieselben acht Referenzstimmen, sodass ein Modell, das dort gut abschneidet, eine Stimme verarbeitet, die es noch nie gehört hat. Genau das verlangt ein Cloned-Voice-Workflow.

Die eigenen Zahlen von Speechify, die niemand außerhalb des Unternehmens reproduziert hat: 63 % Blindpräferenz gegenüber Simba 3.2 bei einem angegebenen 95-%-Intervall von 60 % bis 67 %, 72 Millisekunden Zeit bis zum ersten Audio am 95. Perzentil der Streaming-Anfragen und das 1,8-Fache des Durchsatzes von Simba 3.2 pro Serving-Instanz. Diese stehen neben den Arena-Zahlen als Herstellerangaben und nicht als unabhängige Messung da, und sie sollten auch so gelesen werden.

Was Sesame Preview genau ist

Sesame Preview ist eine Voice-First-Agent-App, die seit Mai 2026 in der öffentlichen Vorschau ist – mit benannten Personas, einem Gedächtnis, das über Sitzungen hinweg erhalten bleibt, und der Fähigkeit, Dinge zu erledigen – Suche, Notizen, Erinnerungen – mit einer Zusammenfassung am Ende eines Anrufs. Sie läuft auf iOS und Android, verkauft die drei oben genannten Tarife über die App-Stores statt über das Web und hält für Nutzer außerhalb der Länder, in denen die App verfügbar ist, eine kostenlose Research Preview im Browser am Leben – mit demselben Tageslimit von 30 Minuten wie der Free-Plan.

Die Technik dahinter ist auf Sprecherwechsel statt auf Rendering ausgerichtet, und das Unternehmen hat dazu echte Forschungsarbeit veröffentlicht. TurnBench, am 28. August 2026 zusammen mit einem Paper auf arXiv veröffentlicht, misst das Timing von Gesprächen anhand von dreißig Stunden zweikanaliger Studioaufnahmen — 154 Dialoge, 106 Synchronsprecher in 53 Paaren, aufgenommen in getrennten schallisolierten Kabinen — und bewertet die Erkennung von Sprecherwechsel-Enden und Barge-in anhand zweier Arten von Near-Miss. Auf der aktuellen Rangliste stehen 25 bewertete Systeme. Keines davon ist ein Text-to-Speech-Modell, denn die Aufgabe ist eine andere.

Und entscheidend: Es gibt keinen Sesame-Modellendpunkt. Keine ID, keine Preisliste, keinen Referenzstimmen-Parameter. Ein Entwickler kann Sesame Preview genauso wenig aus Code aufrufen wie einen Telefonanruf. Das einzige ladbare Sesame-Artefakt ist CSM-1B, und Sesame stellt ausdrücklich klar, dass CSM „nur den Text- und Sprachinhalt in einem Gespräch modellieren kann – nicht die Struktur des Gesprächs selbst.“

Die Asymmetrie, die den Ausschlag gibt

Simba 3.5 kann eine eng begrenzte, partielle Version dessen, was Sesame tut. Man kann es streamen, und Streaming plus ein gutes Spracherkennungsmodell ist die Grundlage, auf der heute sehr viele produktive Sprachagenten gebaut werden. Was es nicht kann, ist zu entscheiden, wann es aufhören soll zu sprechen, zuzuhören, während es spricht, oder eine Unterbrechung anzunehmen – das sind Eigenschaften der Orchestrierung darum herum, und die müssten Sie selbst bauen.

Sesame kann keine Version dessen bieten, was Simba 3.5 für einen Entwickler leistet. Du kannst seine Stimme nicht zu Kosten pro Zeichen in die UI deines Produkts einbinden, damit ein Hörbuch produzieren oder einen Katalog damit lokalisieren. Du kannst mit ihm sprechen, und deine Nutzer können mit ihm sprechen, und das ist der gesamte Funktionsumfang.

Die Entscheidung reduziert sich also auf die Frage, was Sie ausliefern. Wenn die Stimme in etwas steckt, das Sie selbst bauen, ist Simba 3.5 der Kandidat, und Sesame steht nicht auf der Liste. Wenn Sie das fertige Erlebnis wollen – eine Persona, die ein Gespräch führt und Besorgungen erledigt –, dann kaufen Sie Sesames App, und die Frage nach der Stimmqualität wird für Sie von einem Unternehmen beantwortet, das sie nicht der Messung zugänglich gemacht hat.

Für den Lokalisierungsfall ist die Lücke vollständig.

Simba 3.5 spricht 48 Sprachen. Sesame Preview deckt Englisch ab, und seine Tarife sind sprachunabhängig, weil das Produkt englischsprachig ist. Bei jedem Workload, bei dem das Skript nicht auf Englisch ist, endet dieser Vergleich bereits beim ersten Absatz der Datenblätter.

Es gibt jedoch eine Nuance, die man beibehalten sollte. Die 48 Sprachen von Speechify sind mit einem Vorbehalt verbunden, den der Anbieter unumwunden nennt: Eine Stimme behält den Akzent ihrer Ausgangsaufnahme, sodass eine geklonte amerikanische Stimme, die Japanisch spricht, wie eine Amerikanerin klingt, die Japanisch spricht. Die eigene Empfehlung des Unternehmens lautet, mit einer von Mitarbeitenden ausgewählten Stimme zu generieren, die für jede Sprachregion muttersprachlich ist; deshalb legt sein voices-Endpunkt nun einen staff_pick_rank offen. Sprachübergreifend wird unterstützt; akzentfreies Sprachübergreifend ist nicht die Behauptung.

Sesames Antwort auf die Akzentfrage ist grundlegend anderer Art: Eine Persona hat eine Stimme, und die Stimme reist nicht mit, weil die Konversation in einer einzigen Sprache stattfindet. Für ein Verbraucherprodukt ist das keine Einschränkung, für einen Katalog aber ein hartes Ausschlusskriterium.

Wo OrcaRouter passt – und wo nicht

OrcaRouter führt keines der beiden Produkte. Simba 3.5 wird über Speechifys eigene API erreicht; Sesame Preview wird über einen App Store erreicht. Nichts hier sollte als anderslautende Behauptung verstanden werden.

Die Route, die wir anbieten, ist der kleinere Synthese-Katalog, den Sie als Kontrolle verwenden würden, wenn Sie eine Stimmen-Entscheidung testen: openai/tts-1 zu 15,00 $ pro Million Zeichen und openai/tts-1-hd zu 30,00 $, beide zum Listenpreis des Anbieters ohne Aufschlag. Wenn Sie Simba 3.5 gegen irgendetwas abwägen – auch gegen die OpenAI-Stimme, die Sie bereits verwenden –, ist das Rendern desselben Skripts über beide mit einem Schlüssel ein günstigeres Experiment als ein Beschaffungszyklus, und automatisches Failover bedeutet, dass ein Vorfall beim Anbieter nicht Ihre Render-Warteschlange mit sich reißt.

Für den konversationellen Fall gibt es keine Router-Antwort, und es wäre unehrlich, etwas anderes vorzugeben. Sesame Preview ist kein Endpunkt. Wenn Sie in einem Produkt, das Sie entwickeln, Turn-Taking benötigen, ist der Vergleich, den Sie eigentlich wollen, Simba 3.5 plus Ihre eigene Orchestrierung gegen eine Echtzeit-Speech-to-Speech-API von einem Anbieter, der eine solche anbietet – und das ist ein anderer Artikel.

Welches denn?

Wählen Sie Simba 3.5, wenn Sie Folgendes aufbauen: Sie benötigen einen Endpunkt, eine pro Zeichen vorhersehbare Abrechnung, eine zählbare Sprachliste, geklonte Stimmen, die bis in 48 Locales erhalten bleiben, und eine Spitzenbewertung für kontrollierte Stimmen, die auf Referenzstimmen erzielt wurde, die der Anbieter nicht ausgewählt hat. Außerdem befindet sich Simba 3.5 seit drei Wochen in einem Preisplan, der bereits einmal geändert wurde, mit einer model-id-Migration – simba-multilingual und simba-english werden von Simba 3.5 bereitgestellt –, die am 21. November erfolgt; legen Sie Ihre model id daher bewusst fest, statt sich auf den Standard zu verlassen.

Wählen Sie Sesame Preview, wenn Sie: einen Konversationsagenten mit Gedächtnis und Aufgabenausführung wünschen, es in Ordnung finden, dass seine Stimme von keinem unabhängigen Gremium gemessen wird, und zehn Stunden Gesprächszeit pro Tag für $100 ein Preis sind, den Sie dem Wert der Arbeit, die er leistet, zuordnen können. Es ist ein fertiges Produkt und kein Rohstoff, und fertige Dinge werden entsprechend bepreist.

Der Fehler, zu dem dieser Vergleich verleitet, besteht darin, sie als Konkurrenten zu behandeln, weil beide wie Menschen klingen. Sie werden in unterschiedlichen Einheiten verkauft, auf unterschiedliche Weise konsumiert, und eines davon lässt sich überhaupt nicht aus Code heraus aufrufen. Das ist kein Gleichstand, der aufgelöst werden müsste – es ist eine Weggabelung, und die meisten Teams wissen bereits, auf welcher Seite sie stehen.