AssemblyAI-TTS-1 vs Sesame Preview: Uno de estos no tiene tarifario.

No puedes comprar Sesame Preview. Es una aplicación de consumo gratuita — Maya, Miles, Simone y Charlie, cuatro compañeros con memoria persistente en iOS y Android, un límite de 30 minutos por llamada y un plan no anunciado para venderte gafas en 2027 — y no hay detrás ningún endpoint para desarrolladores, ningún ID de modelo ni ninguna lista de precios. AssemblyAI-TTS-1, en cambio, es una partida concreta: 15 USD por millón de caracteres, disponible de forma general desde el 27 de octubre de 2026, con transmisión mediante HTTP y WebSocket en US-East o EU-North. Así que la comparación tal como se suele plantear no es una comparación. Es un producto frente a una demo.

La comparación se vuelve útil en el momento en que sustituyes el Sesame que sí tiene pesos: Sesame CSM 1B, el checkpoint de voz conversacional con licencia Apache-2.0 en Hugging Face, un modelo de aproximadamente mil millones de parámetros que acepta texto más contexto de audio y emite voz en inglés. Ahora sí es una decisión real —un checkpoint abierto de 1B a $7 por millón de caracteres frente a un endpoint cerrado a $15— y la parte interesante es que el más barato es aquel alrededor del cual tienes que construir un agente.

Qué es Sesame Preview, exactamente, para que la comparación no se desvíe.

Sesame Preview es un producto ya lanzado con un modelo real dentro y sin forma de alquilar ese modelo. El modelo de producción de la aplicación no es el checkpoint publicado: Sesame publica CSM 1B, un modelo de generación base que no se ha ajustado a una voz específica, mientras que las personalidades refinadas de la aplicación son propias de Sesame. La aplicación afirma una latencia inferior a 300 ms; una medición de terceros de la personalidad Maya sitúa el primer byte en torno a 80–130 ms. Ninguna de las dos cifras describe CSM 1B tal como lo recibirás.

La actualización de la app de octubre de 2026 —mejor expresividad y pronunciación, acceso de agentes a la computadora, conectores de Gmail, Calendar y Drive, compatibilidad con MCP, un generador de imágenes— es una señal de hoja de ruta, no comercial. Sesame ha dicho que las herramientas para desarrolladores llegarán "más adelante este año" sin especificar qué serán, a qué precio, ni si serán el modelo de producción o el checkpoint. Nada en esta decisión debería basarse en esa frase.

Las dos facturas, convertidas a la misma unidad

CSM 1B figura a $7.00 por millón de caracteres en las pasarelas alojadas que lo ofrecen, y se factura por carácter en lugar de por token. AssemblyAI-TTS-1 cuesta $15.00 por millón de caracteres, y esa tarifa incluye todas las voces de la biblioteca de más de 4.000, cada uno de sus seis idiomas de lanzamiento, clonación instantánea, marcas de tiempo por palabra, procesamiento en EE. UU. o UE y concurrencia ilimitada.

A razón de unos 900 caracteres por minuto de habla cotidiana, la comparación por hora es de unos $0,35 para CSM 1B frente a unos $0,81 para AssemblyAI-TTS-1 —el checkpoint abierto cuesta algo menos de la mitad por carácter—, y la cifra de CSM es la que menos te dice, porque pone precio al modelo y no al sistema.

La lista de dimensiones es donde los dos dejan de ser comparables en absoluto:

• Precio — $7 por millón de caracteres frente a $15, con todas las voces y la clonación incluidas en el de mayor precio.

• Idiomas — CSM 1B está en inglés, y la ficha del modelo dice sin rodeos que cualquier capacidad en otros idiomas es incidental; la aplicación enumera varios idiomas como «soporte inicial», lo cual es una promesa distinta. AssemblyAI-TTS-1 se lanzó con seis.

• Inventario de voces: CSM 1B incluye siete voces y un modelo base a partir del cual se espera que clones; AssemblyAI-TTS-1 incluye más de 4.000 y clonación instantánea a partir de una muestra de 24 segundos.

• Profundidad de clonación — ninguna de las dos ofrece un clon profesional entrenado. La ruta instantánea de AssemblyAI requiere un paso de confirmación del permiso del hablante; CSM 1B transfiere la identidad en zero-shot y aplana la prosodia al hacerlo.

• Lo que debes proporcionar: CSM 1B necesita un códec, detección de turnos, ensamblaje de contexto y el bucle del agente, además de un presupuesto de contexto de 4K tokens que gestionas tú mismo. AssemblyAI-TTS-1 necesita un cliente HTTP, un manejador de flujo y un mensaje de cancelación.

• Evidencia de latencia — AssemblyAI-TTS-1 tiene una afirmación del proveedor, dos mediciones independientes y una clasificación en la tabla. CSM 1B tiene informes de despliegue que abarcan dos órdenes de magnitud.

Latencia: 90 ms declarados, 159 ms medidos, 9,9 segundos observados

La historia de latencia de AssemblyAI-TTS-1 está documentada y es objeto de debate de una manera que es fácil de exponer con honestidad. El proveedor afirma 90 ms hasta el primer audio en producción y 47 ms de mediana hasta el primer byte en su laboratorio. Cekura, midiendo de forma independiente en una prueba con forma de agente, obtuvo 159 ms de mediana en el arranque del streaming, 296 ms en el p90, y lo situó en octavo lugar entre los diecinueve modelos que cronometró. Esa diferencia es metodología —de solicitud a primer byte frente de última palabra enviada a primer audio— no deshonestidad, y la segunda medición es la que experimenta tu interlocutor.

El panorama de latencia de CSM 1B no es tanto objeto de debate como ilimitado. Las conversiones optimizadas en el dispositivo reportan unos 120 ms hasta el primer audio, con un factor de tiempo real de entre 0,5 y 0,9 en Apple Silicon; una RTX 5070 Ti sin optimizar, según se informa, funciona a aproximadamente la mitad del tiempo real; un listado de un servicio alojado publica una P50 de unos 9,9 segundos y una P95 de unos 39 segundos de extremo a extremo. Todos esos datos describen el mismo checkpoint. Lo que obtienes depende de cuánta ingeniería de serving aportas.

Ese es el quid de toda la comparación, y no es un argumento de calidad. Un endpoint cerrado ya ha hecho el trabajo de servir y lo ha incluido en el precio: 0,81 $ por hora, sin GPU, sin códec, sin diseño de colas. Un checkpoint abierto de 1B te da un modelo por 0,35 $ por hora y te devuelve la parte que resultaba cara de construir. Si ya dispones de esa ingeniería, el checkpoint es la mejor oferta por un margen amplio. Si no, los 0,46 $ por hora que ahorras son un error de redondeo comparado con el primer mes del tiempo de alguien.

Donde cada uno es realmente malo

AssemblyAI-TTS-1 tiene sus puntos débiles concentrados en la parte final del texto real. Artificial Analysis le otorga un 81.7% en robustez de pronunciación general, en el decimosexto puesto, con un 73.8% en expansión de abreviaturas; la prueba de pronunciación contextual de Cekura lo sitúa en el vigésimo segundo lugar de veintisiete con un 70.8%, incluso mientras lo clasifica primero en números de teléfono y códigos con un 91.7%. No hay diccionario de pronunciación ni SSML para corregir nada de eso, y sus seis idiomas son un techo firme más que un punto de partida. La precisión de entidades reportada por el proveedor, del 93.7% en su propio conjunto de 580 elementos, dice lo contrario, y solo tu corpus puede determinar qué medición describe tu tráfico.

Los puntos débiles de CSM 1B son estructurales, no relacionados con los datos. Está diseñado para funcionar solo en inglés. Es un modelo base, por lo que la voz que obtienes no es una voz que alguien haya ajustado. Recorta la palabra final en algunas generaciones, lleva una marca de agua en su generador de referencia, y algunos wrappers alojados descartan silenciosamente los parámetros de contexto, idioma y longitud máxima, lo que significa que una puerta de enlace que te ofrece CSM 1B podría no estar ejecutando el modelo tal como está documentado. Su contexto es de 4K tokens con una salida máxima de alrededor de 3.686, por lo que tú tienes que ensamblar las conversaciones largas.

Una cosa que ninguno de los dos es, y esto importa para cualquiera que venga de la app de consumo: un interlocutor conversacional. AssemblyAI-TTS-1 lee texto a voz y no tiene noción de estado de diálogo. CSM 1B es el más consciente del diálogo de los dos —toma contexto de audio como entrada—, pero produce habla turno a turno sin detección de turnos propia. La aparente fluidez de la app es un producto, y ninguno de los modelos la incluye.

Tres preguntas que la gente realmente hace

¿CSM 1B es el mismo modelo que ejecuta la app de Sesame? No. La app ejecuta el modelo de producción de Sesame; el checkpoint es un modelo generativo base publicado bajo Apache 2.0, y la brecha entre ambos es exactamente por lo que la app suena como Maya y un despliegue nuevo de CSM 1B no. Considera la app como una demo de lo que Sesame puede construir, no como un avance de lo que obtendrás.

¿Qué resulta más económico con cien mil llamadas de tres minutos? Sobre el papel, CSM 1B: 270 millones de caracteres, unos $1,890 en el checkpoint frente a unos $4,050 en AssemblyAI-TTS-1. En la práctica, la cifra del checkpoint excluye las horas de GPU, el ingeniero de serving y el trabajo de latencia necesario para alcanzar algo cercano a un stream de nivel agente. Con ese volumen, la comparación honesta es $4,050 frente a «desconocido hasta que lo hayas construido», y lo desconocido es lo más caro de los dos.

¿Puede AssemblyAI-TTS-1 clonar mi propia voz? Sí, al subir una grabación de unos 24 segundos y confirmar que cuenta con el permiso del hablante; el ID de voz se devuelve en segundos y se factura a la misma tarifa por carácter que la biblioteca. No hay un clon profesional entrenado, por lo que el resultado es una identidad utilizable en lugar de un activo de marca gobernado — y no había clonación con ajuste fino disponible en el lanzamiento.

Cuál es realmente esta decisión

Si el nombre que tienes delante es Sesame Preview, detente: no hay nada que integrar ni ningún precio que comparar. Si es CSM 1B, entonces no estás eligiendo un modelo TTS, estás eligiendo si poseer la capa de servicio, y las tres condiciones que hacen defendible el «sí» son que solo necesitas inglés, que dispones de capacidad de GPU con un ingeniero a la altura y que quieres el modelo dentro de tu propio perímetro. Todo lo demás aboga por el endpoint.

El argumento de coste que normalmente decide la cuestión no es en absoluto la tarifa por carácter. Es la consolidación: un agente de voz tiende a acumular un proveedor de TTS, un proveedor de voz a texto y un proveedor de modelo de lenguaje, cada uno con su propio contrato y su propio ciclo de cambios de precio. OrcaRouter existe para aplanar esa última capa — una única API para más de 200 modelos al precio de lista del proveedor y con un 0 % de margen, de modo que una rebaja de precio de un proveedor llega a tu factura el mismo día en lugar de en la siguiente renovación, con conmutación por error automática, un DSL de enrutamiento para componer modelos en una sola llamada y fusión de modelos cuando una sola respuesta no basta. AssemblyAI-TTS-1 y CSM 1B están ambos fuera de ese catálogo hoy — nuestras rutas de voz son la familia tts-1 de OpenAI y las vistas previas de Gemini TTS de Google — así que el argumento trata de la factura que ya estás pagando, no de una compra que puedas hacer aquí.

La app de Sesame es la mejor demostración gratuita de esta categoría y probablemente acabará teniendo un producto para desarrolladores. AssemblyAI-TTS-1 es una tarifa que puedes firmar esta semana. Entre esos dos hechos, el único plan defendible es construir sobre el que ya existe y dejar un hueco en tu arquitectura para el otro, por si Sesame algún día entrega el modelo en lugar del folleto.