Rime Prism vs Sesame Preview: una tarjeta de tarifas frente a una reputación

Puedes escuchar Sesame Preview esta noche gratis. No se puede comprar. Puedes comprar Rime Prism a $0,080 por minuto, y casi nadie fuera de Rime ha publicado un clip que se les permitiera medir. Ambas mitades de esa frase son la comparación: una de ellas es la voz mejor valorada de la IA de consumo a la que ningún desarrollador puede llamar, y la otra es un endpoint empresarial flamante que una startup puede poner en un árbol telefónico esta semana. Rime Prism se lanzó el 28 de octubre de 2026 como el primer modelo de voz a voz de Rime. Sesame Preview funciona como vista previa de investigación gratuita desde principios de 2025, y la voz de producción que la respalda sigue sin publicarse.

Se les compara porque ambos hacen una afirmación sobre el realismo conversacional y porque ambos solo están disponibles en inglés en el lanzamiento. No son alternativas. Uno es una aplicación con la que hablas; el otro es un endpoint sobre el que construyes, y la decisión entre ellos es menos una elección de voz que una elección de si estás comprando un producto o un componente.

La división que decide casi todo

Un equipo que quiere lanzar un agente se hace dos preguntas en este orden: ¿puedo llamarlo?, y ¿cuánto cuesta por llamada? Sesame Preview falla en la primera. No hay una API pública para el modelo que está detrás de la aplicación, ni un ID de modelo, ni un endpoint, ni un precio publicado. El Sesame con el que puedes hablar es un producto de consumo con cuatro asistentes con nombre, memoria persistente y un conjunto creciente de herramientas; el modelo que lo sustenta no es algo a lo que un desarrollador pueda dirigirse.

Lo único de Sesame que cualquiera puede invocar es CSM-1B, el checkpoint de pesos abiertos que la empresa publicó en 2025 bajo Apache 2.0: aproximadamente 1000 millones de parámetros, un contexto de 4K y audio mono de 24 kHz. No es la voz de la aplicación ni es un agente: se condiciona con el historial de conversación, pero no puede razonar sobre él como lo hace un modelo de lenguaje. Es un componente de voz, y uno solo.

• Disponibilidad — Rime Prism es una API de pago con un nivel gratuito; Sesame Preview es una aplicación de consumo gratuita sin API para su voz de producción.

• Precio — Prism $0.080 por minuto de audio de llamada en Flex, $0.064 en Scale; Sesame no publica precio y no cobra nada por la aplicación.

• Riesgo de facturación — Prism cobra tanto si la llamada sale bien como si no; el coste de Sesame es lo que cueste la app, que es cero y no es un modelo de negocio con el que se pueda planificar.

• Base de latencia — Prism 0,57 s de tiempo hasta el primer audio, medido por el proveedor en τ-Voice; la app de Sesame afirma un tiempo inferior a 300 ms, y una medición de terceros de la persona Maya ha situado el tiempo hasta el primer byte entre 80 y 130 ms.

• Puntuación independiente — ninguno de los dos modelos aparece en el Speech-to-Speech Index de Artificial Analysis.

• Idiomas — ambos solo en inglés en el lanzamiento; Sesame indica francés, italiano, alemán, español, chino, japonés y coreano como compatibilidad inicial.

• Implementación — Prism ofrece nube, VPC y on-premises con un BAA de HIPAA y SOC 2 Type II; Sesame ofrece una aplicación.

Rime Prism, como endpoint

Prism se vende como se vende el software empresarial: un nivel gratuito con 50 $ de crédito mensual y sin tarjeta, Flex a 0,080 $/min sin compromiso, Scale a 100 $ al mes con 100 $ de crédito y 0,064 $/min, y Enterprise con tarifas por volumen y compromiso anual. Todos los niveles son el mismo modelo. Prism transmite por WebSockets y se integra con LiveKit y Pipecat, lo cual importa porque esos dos son donde ya viven la mayoría de los agentes de voz autoconstruidos.

Las funciones que justifican la tarifa son aquellas que una aplicación de consumo no tiene motivo para desarrollar. Prism escribe su respuesta como texto antes de hablar, de modo que una aplicación puede leer la frase exacta, ejecutar una comprobación de políticas o un filtro de PII sobre ella y dejar que el audio continúe solo si pasa — mientras el modelo sigue escuchando, así que la comprobación no tiene que convertirse en una pausa audible. Las llamadas a herramientas se ejecutan en paralelo con el habla. El ajuste fino con las propias llamadas y trazas de herramientas de un cliente es el caso de negocio principal, con las API de SFT y RL de autoservicio aún en beta.

Las propias cifras de la empresa sitúan el tiempo hasta el primer audio en 0,57 segundos y la finalización de τ-Voice en 56,6 %, con 82,5 % en el subconjunto de telecomunicaciones del benchmark. Se cita un estudio de caso de Revmo sobre unas diez horas de llamadas reales de pedidos con un 100 % de confirmaciones de pedido frente al 68 % de un modelo de OpenAI sin identificar. Se trata de un estudio de cliente por encargo y sin metodología publicada, por lo que debe leerse como una afirmación del proveedor y no como un resultado.

Sesame Preview, como producto

La propuesta de Sesame es que un asistente de voz debería sentirse como una persona que conoces. Las cuatro personalidades —Maya, la colaboradora ingeniosa; Miles, el relajado; Simone, para análisis a fondo; Charlie, como un interlocutor informal— tienen cada una su propia memoria y su propia forma de hablar. La app busca en la web, realiza investigaciones largas, guarda notas y recordatorios, resume llamadas y admite un modo incógnito. El 6 de octubre de 2026, Sesame lanzó un CSM actualizado con mejor expresividad y pronunciación, dio a sus agentes acceso a su propia computadora y añadió conectores de Gmail, Calendar y Drive, servidores MCP externos mediante OAuth, habilidades creadas por los usuarios y un generador de imágenes integrado en la app.

Lo que no tiene es una forma de entrar. La app es gratuita, no muestra anuncios y no vende datos, algo agradable para un usuario y algo sin resolver para un comprador. Cómo Sesame pretende ganar dinero, y si los desarrolladores llegarán alguna vez a obtener un endpoint, sigue sin anunciarse. Las gafas tienen fecha para 2027 y Japón; se han prometido herramientas para desarrolladores para «más avanzado este año», sin detalles concretos.

Aun así, la reputación es real. Las voces de Sesame son las que la gente se envía en fragmentos unos a otros, y el consenso de los reseñadores ha sido inusualmente cálido durante dos años consecutivos. El problema es que una reputación no es una especificación: no se ha publicado ninguna cifra de latencia para el modelo de producción, no existe ninguna puntuación de escucha a ciegas para él, y la única pieza que se puede ejecutar de forma independiente es el checkpoint 1B, que es otra cosa.

La única capacidad que Sesame ha descartado

Si la razón por la que quieres la voz de Sesame es que suena como una persona, lo que en realidad necesitas replicar es un bucle conversacional, no un timbre. Y un bucle conversacional para una empresa tiene requisitos que una aplicación de consumo nunca tiene que cumplir: un registro de auditoría de lo que el agente estaba a punto de decir, una forma de impedir que lo diga, una llamada a herramienta que se resuelva antes de que el interlocutor lo note, y un despliegue que supere una revisión de cumplimiento.

Prism está construido en torno a esos requisitos, y por eso cuesta dinero. Sesame está construido en torno a lo contrario: una experiencia cerrada, curada y gratuita en la que la empresa controla cada variable. Ambos son productos defendibles. Solo uno de ellos es un componente que puedes integrar en una línea de siniestros.

Ambos son exclusivamente en inglés — por razones opuestas.

Prism se lanzó solo en inglés con un conjunto limitado de voces porque es una primera versión y la cobertura de voces resulta costosa de ofrecer. Sesame prioriza el inglés porque su producto es un conjunto de personalidades anglófonas; el francés, el italiano, el alemán, el español, el chino, el japonés y el coreano están etiquetados como «soporte temprano», lo cual es una promesa distinta de «compatible».

Para un centro de contacto multilingüe, esta es la sección que cierra el artículo. Ninguno de los dos modelos cubre hoy una cola de idiomas mixtos, y la comparación que realmente importa para ese comprador es con una capa de TTS con amplia cobertura de idiomas más un modelo de texto enrutado, no con ninguno de estos dos.

El problema de la medición

Ninguno de los dos modelos figura en el Speech-to-Speech Index de Artificial Analysis, el único ranking independiente que clasifica los modelos de voz conversacional según la finalización de tareas, la preferencia en la arena y el éxito en las tareas. Esa ausencia no es una crítica a ninguno de los dos productos; es la razón por la que esta página tiene que basarse en las afirmaciones de los proveedores para ambos.

El dato de 56,6 % de τ-Voice de Prism es una ejecución de la propia Rime. En la tabla que Rime publica junto a ese dato, GPT-Live-1 (Sol, low) aparece con un 59,3 %, por encima de Prism, mientras que el texto afirma que Prism está por delante de todos los modelos en tiempo real de OpenAI y Google. Las publicaciones de lanzamiento también repiten "menos de 300 ms" y "4× más rápido", cifras que no aparecen en la tabla del benchmark, que indica 0,57 s. Puede que sean mediciones de cosas distintas; Rime no especifica de cuáles.

La posición de Sesame es aún más difícil, porque no hay ningún modelo de producción que medir. En su favor, ha construido la herramienta que lo mediría: TurnBench, publicado el 28 de agosto de 2026, es un benchmark de código abierto para la toma de turnos en el diálogo hablado, construido con Carnegie Mellon, Mundo AI y Oto, con una tabla de clasificación pública y puntuación de autoservicio. Es el propio benchmark de Sesame en lugar de uno neutral, pero es una contribución genuina, y el número en torno al que está construido es la cifra más útil de toda esta comparación: la brecha típica entre turnos humanos es de unos 200 milisegundos, mientras que planificar una sola palabra lleva unos 600. Por eso es la toma de turnos, y no la calidad de la voz, lo que delata a una máquina.

La única evidencia independiente adjunta al catálogo de Rime es su línea TTS, y en el Text-to-Speech Arena Coda ocupa el puesto 65 de 99 con Elo 1.054, y Mist V2 el puesto 92 con 903. Eso no dice nada definitivo sobre Prism, cuyas voces son nuevas, pero sí significa que «Rime nunca ha tenido una voz entre las mejor clasificadas en una tabla independiente» es una afirmación verdadera que un comprador debería escuchar antes de firmar un contrato de Scale.

Cuánto cuesta una línea telefónica en cada sentido

Prism es fácil de cotizar. Diez mil minutos de llamadas entrantes cuestan $800 en Flex o $640 en Scale, antes de cualquier descuento de Enterprise. Una llamada de cinco minutos cuesta $0.40. Si el agente también necesita resumir la llamada después, eso es un costo adicional de modelo de texto y es pequeño en comparación con la factura de voz.

Es imposible ponerle precio a Sesame, porque no hay ninguna tarifa a la que poner precio. La app no cuesta nada y no se puede incrustar; el checkpoint abierto cuesta 7 dólares por millón de caracteres en su único proveedor alojado, y autoalojarlo significa ser tú quien posee la pila de inferencia, el códec, la detección de turnos y la lógica del agente. Cualquiera que cite un coste por minuto para «Sesame» está citando la ausencia de factura de la app, no un servicio.

Esa es la asimetría práctica: Prism es caro y legible; Sesame es gratuito y no está disponible. Una reunión de presupuesto puede discutir con $0.080 por minuto. No puede hacer nada con "no hay endpoint".

Tres compradores, tres respuestas diferentes

Una empresa que gestiona llamadas de soporte entrantes debería considerar Prism. El punto de control de texto, el BAA de HIPAA, la opción local y la tarifa por minuto apuntan exactamente a esa función, y el riesgo de las afirmaciones del proveedor es asumible porque las condiciones comerciales son estándar. Pilótalo en un solo flujo de llamadas, mide tú mismo la tasa de contención y trata el estudio de caso de Rime del 100 % frente al 68 % como una hipótesis que probar en lugar de una previsión.

Un desarrollador que quiera el sonido de Sesame dentro de un producto no debería esperar una API que aún no se ha anunciado. El camino realista es un checkpoint TTS abierto más tu propia orquestación, y la orquestación es la parte que puedes alquilar por poco dinero. OrcaRouter pone más de 200 modelos de texto detrás de una sola clave al precio de lista del proveedor con un 0 % de margen, añade conmutación por error automática para que un agente de voz no muera cuando un proveedor tenga un mal minuto, y expone un DSL de enrutamiento para que los turnos rutinarios puedan ir a un modelo pequeño y las escaladas a uno grande. La capa de voz y la capa de razonamiento no tienen por qué venir de la misma empresa y, para la mayoría de los desarrolladores, no deberían.

Un consumidor, o cualquiera que esté construyendo un asistente personal para sí mismo, debería simplemente usar Sesame. Es gratis, es bueno, y la ausencia de una API es irrelevante para alguien que no está escribiendo código.

¿Qué cambiaría la respuesta?

Tres acontecimientos. Que Sesame publique una API y una lista de precios convertiría esto en una comparación real de la noche a la mañana, y plantearía de inmediato la pregunta de si su calidad de voz sobrevive cuando se vende como componente. Que Prism aparezca en el Speech-to-Speech Index le daría la primera cifra independiente que haya tenido nunca, y resolvería si la frase «por delante de OpenAI y Google» sobrevive al contacto con un panel neutral. Y que las API de ajuste fino de Prism salgan de beta separaría a las empresas que ya pueden comprarlo de todas las demás.

Hasta que ocurra una de esas cosas, la comparación es entre un producto que puedes experimentar y un producto que puedes desplegar, y la única respuesta equivocada es tratarlos como dos versiones de la misma compra. Sesame es la voz que hizo que la gente volviera a interesarse por la IA conversacional. Prism es el primer intento serio de vender esa sensación por minutos con un registro de auditoría incluido. Ninguno de los dos es el reemplazo del otro.