Simba 3.5 vs Sesame Preview: uno se vende por personaje y el otro por asiento.

Esta es una comparación que parece peras con manzanas hasta que le pones precio, momento en el que se convierte en aritmética. SpeechifyAI Simba 3.5 es un modelo de texto a voz que compras por millones de caracteres e invocas desde tu propio código. Sesame Preview es un agente de voz de consumo que compras por mes, por persona, dentro de una app. Ambos son comprables —Sesame publicó una lista de niveles Free, Plus y Pro y dejó de ser una demo gratuita— y ambos producen una voz humana sintética. Uno es un componente y el otro es un producto, y la única forma honesta de elegir entre ellos es determinar cuál de esas dos cosas necesita realmente tu problema.

Sesame, la empresa, sí publica un modelo: CSM-1B, con pesos abiertos en Hugging Face bajo Apache 2.0. No es la voz que escuchas en la aplicación. La aplicación ejecuta un sistema de producción sin API, sin id de modelo y sin puntuación independiente en arena, y la versión de investigación no ha cambiado desde 2025. Esa brecha es el hecho más importante de este artículo y es la razón por la que los dos productos no son sustitutos.

Cuánto cuesta cada uno, convertido a la misma unidad

El desajuste de unidades es donde la mayoría de los análisis se detienen, así que empieza por ahí. Simba 3.5 factura por carácter de texto de entrada. Sesame factura por asiento al mes con una asignación de tiempo de conversación. Ninguna de las dos tarifas se convierte limpiamente en la otra, pero ambas se convierten en «cuánto le cuesta esto a mi organización al mes», y esa comparación no está nada reñida.

• Simba 3.5, tarifa a partir del 22 de noviembre — $15.00 por millón de caracteres en Starter, $12.00 en Pro, $10.00 en Scale

• Simba 3.5, hasta el 21 de noviembre — $10.00, $8.00 y $6.00 por millón de caracteres, las tarifas de los modelos más antiguos

• Sesame Free — $0, 30 minutos de conversación al día

• Sesame Plus — $20 al mes, dos horas de tiempo de conversación al día, cuatro veces la asignación semanal de crédito de Free

• Sesame Pro — $100 al mes, diez horas de conversación al día, veinte veces los créditos semanales de Free

• Complementos de Sesame — $5 por una hora adicional de conversación, $20 por cinco; créditos a $5 por mil y $20 por cinco mil, paquetes que no caducan

Diez millones de caracteres de Simba 3.5 en el plan Scale cuestan $100 y generan alrededor de doscientas horas de voz terminada. Sesame Pro cuesta $100 al mes y ofrece diez horas de conversación al día para una persona. Son productos diferentes con la misma línea de factura, y realmente es difícil decir que uno tenga mejor relación calidad-precio, porque uno genera un activo y el otro mantiene una conversación.

El dato de Sesame que merece la pena destacar es la tarifa por exceso, no la suscripción. El tiempo de llamada adicional a 5 $ la hora equivale a unos 0,083 $ por minuto, lo que es caro para una conversación y barato para un producto que ha decidido poner delante de los clientes. Los paquetes nunca caducan y se consumen después de la asignación del plan, así que la hora marginal es la cifra que hay que modelar, no el tramo anunciado.

Qué es Simba 3.5, exactamente

Simba 3.5 se lanzó el 21 de octubre de 2026 como el modelo recomendado por Speechify, sustituyendo a Simba 3.2 como la opción en inglés de cara al futuro y ampliando la cobertura de seis idiomas a 48 bajo un único id de modelo. Todas las voces del catálogo hablan los 48, incluida una voz clonada en un plan de pago, con el mismo id de voz. El estonio y el cantonés quedan explícitamente excluidos. Los id de voz, los formatos de salida, las marcas de voz y el subconjunto de SSML aplicado se mantienen desde 3.2, por lo que migrar es un cambio de una sola línea en el campo del modelo, sin necesidad de subir la versión de la API.

En Artificial Analysis, ocupa el primer puesto en Controlled Voice con 1.192 y el quinto en Provider Voice con 1.294, a partir de 1.783 y 1.732 muestras, respectivamente. El ranking controlado es el relevante para esta comparación: clona las mismas ocho voces de referencia para cada participante, de modo que un modelo que obtiene una buena puntuación allí maneja una voz que nunca ha escuchado. Eso es precisamente lo que exige un flujo de trabajo con voces clonadas.

Las propias cifras de Speechify, no reproducidas por nadie fuera de la empresa: 63% de preferencia a ciegas frente a Simba 3.2 con un intervalo declarado del 95% de 60% a 67%, 72 milisegundos hasta el primer audio en el percentil 95 de las solicitudes de streaming, y 1,8 veces el rendimiento de Simba 3.2 por instancia de servicio. Estas se sitúan junto a las cifras de la arena como afirmaciones del proveedor en lugar de mediciones independientes, y así deberían interpretarse.

Qué es Sesame Preview, exactamente

Sesame Preview es una aplicación de agente centrada en la voz, en vista previa pública desde mayo de 2026, con personajes con nombre, memoria que se conserva entre sesiones y la capacidad de realizar tareas —búsquedas, notas, recordatorios— con un resumen al final de una llamada. Funciona en iOS y Android, vende los tres niveles anteriores a través de las tiendas de aplicaciones en lugar de la web, y mantiene activa una Research Preview gratuita en el navegador para usuarios de fuera de los países de la aplicación, con el mismo límite diario de 30 minutos que el plan Free.

Su ingeniería está orientada hacia la toma de turnos en lugar del renderizado, y la empresa ha publicado trabajo real sobre ello. TurnBench, publicado el 28 de agosto de 2026 junto con un artículo en arXiv, mide la temporalidad de la conversación en treinta horas de grabaciones de estudio de doble canal —154 diálogos, 106 actores de voz en 53 parejas, grabados en cabinas insonorizadas separadas— y puntúa la detección de fin de turno y las interrupciones frente a dos tipos de casi-aciertos. La tabla de clasificación actual contiene 25 sistemas clasificados. Ninguno de ellos es un modelo de texto a voz, porque la tarea es distinta.

Y, algo fundamental: no existe ningún endpoint del modelo Sesame. Ni id, ni tarifa, ni parámetro de voz de referencia. Un desarrollador no puede llamar a Sesame Preview desde el código más de lo que puede llamar a una llamada telefónica. El único artefacto de Sesame que se puede cargar es CSM-1B, y Sesame es explícito al afirmar que CSM «solo puede modelar el contenido de texto y voz de una conversación, no la estructura de la conversación en sí».

La asimetría que lo decide

Simba 3.5 puede hacer una versión limitada y parcial de lo que hace Sesame. Puedes transmitirlo en streaming, y el streaming junto con un buen modelo de reconocimiento de voz es como se construyen hoy muchísimos agentes de voz en producción. Lo que no puede hacer es decidir cuándo dejar de hablar, escuchar mientras habla o aceptar una interrupción — esas son propiedades de la orquestación que lo rodea, y las estarías construyendo tú.

Sesame no puede hacer ninguna variante de lo que Simba 3.5 hace para un desarrollador. No puedes poner su voz en la interfaz de usuario de tu producto a un coste por carácter, generar un audiolibro con él ni localizar un catálogo con él. Puedes hablar con él, y tus usuarios pueden hablar con él, y esa es toda la superficie.

Así que la decisión se reduce a una pregunta sobre qué estás lanzando. Si la voz está dentro de algo que construyes, Simba 3.5 es el candidato y Sesame no está en la lista. Si lo que quieres es la experiencia terminada —una persona que mantiene una conversación y hace recados—, estás comprando la app de Sesame y la pregunta sobre la calidad de la voz te la responde una empresa que no la ha abierto a medición.

Para el caso de localización, la brecha es total

Simba 3.5 habla 48 idiomas. Sesame Preview solo maneja inglés, y sus planes no tienen en cuenta el idioma porque el producto está en inglés. Para cualquier carga de trabajo en la que el texto no esté en inglés, esta comparación termina en el primer párrafo de las hojas de especificaciones.

Sin embargo, hay un matiz que vale la pena conservar. Los 48 idiomas de Speechify conllevan una advertencia que el proveedor afirma claramente: una voz conserva el acento de su grabación de origen, por lo que una voz estadounidense clonada que habla japonés suena como un estadounidense hablando japonés. La propia recomendación de la empresa es generar con una voz staff-pick nativa de cada región lingüística, y por eso su endpoint de voces ahora expone un staff_pick_rank. Se admite el cruce entre idiomas; lo que no se afirma es que el cruce entre idiomas esté libre de acento.

La respuesta de Sesame al acento es de distinta naturaleza: una persona tiene una voz, y la voz no viaja porque la conversación ocurre en un solo idioma. Eso no es una limitación para un producto de consumo y es un impedimento absoluto para un catálogo.

Dónde encaja OrcaRouter y dónde no

OrcaRouter no distribuye ninguno de los dos productos. Se accede a Simba 3.5 mediante la propia API de Speechify; se accede a Sesame Preview a través de una tienda de aplicaciones. Nada de lo aquí expuesto debe interpretarse como una afirmación en sentido contrario.

La ruta what we do es el catálogo de síntesis más reducido que usarías como control al probar una decisión sobre voces: openai/tts-1 a 15,00 USD por millón de caracteres y openai/tts-1-hd a 30,00 USD, ambos al precio de lista del proveedor, sin ningún margen añadido. Si estás sopesando Simba 3.5 frente a cualquier otra opción —incluida la voz de OpenAI que ya usas—, renderizar el mismo guion con ambas a través de una sola clave es un experimento más barato que un ciclo de compras, y la conmutación automática por fallo (failover) hace que un incidente del proveedor no se lleve por delante tu cola de renderizado.

Para el caso conversacional no hay una respuesta del router, y sería deshonesto fingir lo contrario. Sesame Preview no es un endpoint. Si necesitas toma de turnos en un producto que estás construyendo, la comparación que realmente quieres es Simba 3.5 más tu propia orquestación frente a una API de voz a voz en tiempo real de un proveedor que venda una — y eso es otro artículo.

¿Cuál, entonces?

Elige Simba 3.5 si vas a construir: necesitas un endpoint, una factura por carácter que puedas prever, una lista de idiomas cuantificable, voces clonadas que sobrevivan en 48 locales y una puntuación de voz controlada en lo más alto de la clasificación obtenida con voces de referencia que el proveedor no eligió. También lleva tres semanas dentro de un calendario de precios que ya ha cambiado una vez, con una migración de id de modelo —simba-multilingual y simba-english servidos por Simba 3.5— que entrará en vigor el 21 de noviembre, así que fija tu id de modelo deliberadamente en lugar de confiar en el predeterminado.

Elige Sesame Preview si buscas esto: un agente conversacional con memoria y ejecución de tareas, te parece bien que su voz no haya sido evaluada por ningún consejo independiente, y diez horas de conversación al día por $100 es un precio que puedes asociar al valor del trabajo que realiza. Es algo terminado en lugar de una materia prima, y lo terminado se tarifa en consecuencia.

El error que invita esta comparación es tratarlos como competidores porque ambos suenan como personas. Se venden en unidades distintas, se consumen de formas distintas y a uno de ellos no se lo puede invocar desde el código en absoluto. Eso no es un empate que haya que resolver: es una bifurcación en el camino, y la mayoría de los equipos ya sabe de qué lado está.