AssemblyAI-TTS-1 vs Sesame Preview : l'un des deux n'a pas de grille tarifaire

Vous ne pouvez pas acheter Sesame Preview. C'est une application grand public gratuite — Maya, Miles, Simone et Charlie, quatre compagnons à mémoire persistante sur iOS et Android, un plafond d'appel de 30 minutes et un projet non annoncé de vous vendre des lunettes en 2027 — et il n'y a derrière ni endpoint développeur, ni ID de modèle, ni grille tarifaire. AssemblyAI-TTS-1, en revanche, est une ligne tarifaire : 15 $ par million de caractères, en disponibilité générale depuis le 27 octobre 2026, en streaming via HTTP et WebSocket dans les régions US-East ou EU-North. La comparaison telle qu'on la présente habituellement n'en est donc pas une. C'est un produit face à une démo.

La comparaison devient utile dès que vous remplacez le Sesame qui dispose réellement de poids : Sesame CSM 1B, le checkpoint de parole conversationnelle sous Apache-2.0 sur Hugging Face, un modèle d'environ un milliard de paramètres qui accepte du texte ainsi qu'un contexte audio et produit de la parole en anglais. Il s'agit désormais d'une véritable décision — un checkpoint ouvert de 1B à 7 $ par million de caractères contre un point de terminaison fermé à 15 $ — et le plus intéressant, c'est que le modèle le moins cher est celui autour duquel vous devez construire un agent.

Ce qu’est précisément Sesame Preview, pour que la comparaison ne dérape pas

Sesame Preview est un produit commercialisé avec un véritable modèle intégré, et sans possibilité de louer ce modèle. Le modèle de production de l’app n’est pas le checkpoint publié : Sesame publie CSM 1B, un modèle de génération de base qui n’a pas été affiné pour une voix spécifique, tandis que les personnages peaufinés de l’app sont propres à Sesame. L’app revendique une latence inférieure à 300 ms ; des mesures tierces de la persona Maya situent le premier octet autour de 80 à 130 ms. Aucun de ces chiffres ne décrit CSM 1B tel que vous le recevrez.

La mise à jour d'octobre 2026 de l'application — expressivité et prononciation améliorées, accès de l'agent à l'ordinateur, connecteurs Gmail, Calendar et Drive, prise en charge de MCP, un générateur d'images — est un signal de feuille de route, pas un signal commercial. Sesame a indiqué que des outils pour les développeurs arriveraient « plus tard cette année » sans préciser ce qu'ils seront, à quel prix, ni s'il s'agira du modèle de production ou du checkpoint. Aucune décision ne devrait se fonder sur cette phrase.

Les deux factures, converties dans la même unité

CSM 1B est proposé à 7,00 $ par million de caractères sur les passerelles hébergées qui le proposent, facturé au caractère plutôt qu'au token. AssemblyAI-TTS-1 est à 15,00 $ par million de caractères, et ce tarif inclut toutes les voix de la bibliothèque de plus de 4 000 voix, chacune de ses six langues de lancement, le clonage instantané, les horodatages par mot, un traitement aux États-Unis ou dans l'UE et une concurrence illimitée.

À environ 900 caractères par minute de parole ordinaire, la comparaison horaire est d’environ 0,35 $ pour CSM 1B contre environ 0,81 $ pour AssemblyAI-TTS-1 — le checkpoint ouvert est un peu plus de deux fois moins cher par caractère — et c’est le chiffre de CSM qui vous apprend le moins, car il tarifie le modèle et non le système.

C’est au niveau de la liste des dimensions que les deux cessent totalement d’être comparables :

• Prix — 7 $ par million de caractères contre 15 $, toutes les voix et le clonage étant inclus dans l'offre la plus élevée.

• Langues — CSM 1B est en anglais, et la fiche du modèle indique sans détour que toute capacité dans une langue autre que l’anglais est accessoire ; l’application répertorie plusieurs langues comme bénéficiant d’une « prise en charge précoce », ce qui constitue une promesse différente. AssemblyAI-TTS-1 a été lancé avec six langues.

• Catalogue de voix — CSM 1B propose sept voix et un modèle de base à partir duquel vous êtes censé effectuer le clonage ; AssemblyAI-TTS-1 en propose plus de 4 000 et le clonage instantané à partir d’un échantillon de 24 secondes.

• Profondeur du clonage — aucun des deux n’offre de clone professionnel entraîné. Le parcours instantané d’AssemblyAI exige une étape de confirmation de l’autorisation du locuteur ; CSM 1B transfère l’identité en zero-shot et aplatit la prosodie ce faisant.

• Ce que vous devez fournir — CSM 1B a besoin d’un codec, d’une détection de tour de parole, d’un assemblage du contexte et de la boucle de l’agent, plus d’un budget de contexte de 4K tokens que vous gérez vous-même. AssemblyAI-TTS-1 a besoin d’un client HTTP, d’un gestionnaire de flux et d’un message d’annulation.

• Preuves de latence — AssemblyAI-TTS-1 dispose d'une allégation du fournisseur, de deux mesures indépendantes et d'un rang au classement. CSM 1B dispose de rapports de déploiement qui s'étendent sur deux ordres de grandeur.

Latence : 90 ms annoncés, 159 ms mesurés, 9,9 secondes observées

L’histoire de la latence d’AssemblyAI-TTS-1 est documentée et contestée d’une manière qu’il est facile d’énoncer honnêtement. Le fournisseur affirme 90 ms jusqu’au premier audio en production et 47 ms de temps médian jusqu’au premier octet dans son laboratoire. Cekura, mesurant indépendamment dans un test de type agent, a obtenu 159 ms de démarrage médian du streaming, 296 ms au p90, et l’a classé huitième parmi les dix-neuf modèles qu’il a chronométrés. Cet écart tient à la méthodologie — du lancement de la requête au premier octet, contre de l’envoi du dernier mot au premier audio —, non à la malhonnêteté, et c’est la seconde mesure que votre appelant vit.

Le problème de latence de CSM 1B n'est pas tant contesté qu'illimité. Les conversions optimisées sur appareil rapportent environ 120 ms jusqu'au premier audio, avec un facteur temps réel compris entre 0,5 et 0,9 sur Apple Silicon ; une RTX 5070 Ti non optimisée tournerait, dit-on, à environ la moitié du temps réel ; une annonce hébergée publie un P50 d'environ 9,9 secondes et un P95 d'environ 39 secondes de bout en bout. Toutes ces mesures décrivent le même checkpoint. Ce que vous obtenez dépend de l'ampleur de l'ingénierie de service que vous apportez.

C’est là le nœud de toute la comparaison, et ce n’est pas un argument de qualité. Un endpoint fermé a déjà fait le travail de service et l’a intégré dans son prix : 0,81 $ l’heure, pas de GPU, pas de codec, pas de conception de file d’attente. Un checkpoint ouvert de 1B vous donne un modèle pour 0,35 $ l’heure et vous rend la partie qui coûtait cher à construire. Si vous possédez déjà cette ingénierie, le checkpoint est de loin la meilleure affaire. Si ce n’est pas le cas, les 0,46 $ l’heure que vous économisez sont une erreur d’arrondi à côté du premier mois du temps de quelqu’un.

Là où chacun est réellement mauvais

Les points faibles d’AssemblyAI-TTS-1 se situent tous dans la queue du texte réel. Artificial Analysis lui attribue un score global de 81,7 % en robustesse de prononciation, au seizième rang, avec l’expansion des abréviations à 73,8 % ; le test contextuel de prononciation de Cekura le place vingt-deuxième sur vingt-sept à 70,8 %, même s’il le classe premier pour les numéros de téléphone et les codes, à 91,7 %. Il n’existe ni dictionnaire de prononciation ni SSML pour corriger tout cela, et ses six langues constituent un plafond rigide plutôt qu’un point de départ. La précision des entités déclarée par le fournisseur, de 93,7 % sur son propre ensemble de 580 éléments, dit l’inverse, et seul votre corpus peut déterminer quelle mesure décrit votre trafic.

Les points faibles de CSM 1B sont structurels plutôt que liés aux données. Il est exclusivement en anglais par conception. C’est un modèle de base, donc la voix obtenue n’est pas une voix ajustée par quiconque. Il coupe le dernier mot sur certaines générations, porte un filigrane dans son générateur de référence, et certains wrappers hébergés suppriment silencieusement les paramètres de contexte, de langue et de longueur maximale — ce qui signifie qu’une passerelle qui vous propose CSM 1B peut ne pas exécuter le modèle comme documenté. Son contexte est de 4K tokens avec une sortie maximale d’environ 3 686, donc les longues conversations doivent être assemblées par vous.

Ce qu’aucun des deux n’est pas — et cela compte pour quiconque vient de l’application grand public — c’est un interlocuteur conversationnel. AssemblyAI-TTS-1 convertit du texte en parole et n’a aucune notion d’état de dialogue. CSM 1B est celui des deux qui tient le plus compte du dialogue — il prend le contexte audio en entrée — mais il produit la parole un tour à la fois, sans détection de tour de parole qui lui soit propre. La fluidité apparente de l’application relève du produit, et aucun des deux modèles ne la fournit.

Trois questions que les gens posent vraiment

CSM 1B est-il le même modèle que celui que l’application Sesame exécute ? Non. L’application exécute le modèle de production de Sesame ; le checkpoint est un modèle génératif de base publié sous Apache 2.0, et l’écart entre les deux explique précisément pourquoi l’application a la voix de Maya alors qu’un nouveau déploiement de CSM 1B, lui, ne l’a pas. Considérez l’application comme une démonstration de ce que Sesame peut créer, et non comme un aperçu de ce que vous obtiendrez.

Quel est le moins cher pour cent mille appels de trois minutes ? Sur le papier, CSM 1B : 270 millions de caractères, environ 1 890 $ sur le checkpoint contre environ 4 050 $ sur AssemblyAI-TTS-1. En pratique, le chiffre du checkpoint exclut les heures de GPU, l’ingénieur de service et le travail sur la latence nécessaire pour atteindre quoi que ce soit proche d’un flux de qualité agent. À ce volume, la comparaison honnête est 4 050 $ contre « inconnu tant que vous ne l’avez pas construit », et l’inconnu est le plus cher des deux.

AssemblyAI-TTS-1 peut-il cloner ma propre voix ? Oui, en téléversant un enregistrement d'environ 24 secondes et en confirmant que vous disposez de l'autorisation du locuteur ; l'ID de voix est renvoyé en quelques secondes et facturé au même tarif par caractère que la bibliothèque. Il n'existe pas de clone professionnel entraîné, le résultat est donc une identité utilisable plutôt qu'un actif de marque encadré — et aucun clonage affiné n'était disponible au lancement.

De quelle décision s’agit-il en fait ?

Si le nom qui s’affiche devant vous est Sesame Preview, arrêtez : il n’y a rien à intégrer et aucun prix à comparer. S’il s’agit de CSM 1B, alors vous ne choisissez pas un modèle TTS, vous choisissez de posséder ou non la couche de service — et les trois conditions qui rendent un « oui » défendable sont que vous n’avez besoin que de l’anglais, que vous disposez d’une capacité GPU avec un ingénieur pour l’exploiter, et que vous voulez le modèle au sein de votre propre périmètre. Tout le reste plaide en faveur du point de terminaison.

L'argument de coût qui décide généralement n'est pas du tout le tarif par caractère. C'est la consolidation : un agent vocal tend à accumuler un fournisseur de TTS, un fournisseur de transcription vocale et un fournisseur de modèle de langage, chacun avec son propre contrat et son propre cycle de variation de prix. OrcaRouter existe pour aplatir cette dernière couche — une API unique pour plus de 200 modèles au prix catalogue du fournisseur, avec 0 % de majoration, afin qu'une baisse de prix d'un fournisseur se répercute sur votre facture le jour même plutôt qu'au prochain renouvellement, avec un basculement automatique en cas de panne, un DSL de routage pour composer des modèles en un seul appel et la fusion de modèles quand une seule réponse ne suffit pas. AssemblyAI-TTS-1 et CSM 1B sont tous deux absents de ce catalogue aujourd'hui — nos routes vocales sont la famille tts-1 d'OpenAI et les aperçus Gemini TTS de Google — donc l'argument porte sur la facture que vous payez déjà, pas sur un achat que vous pouvez effectuer ici.

L'application de Sesame est la meilleure démonstration gratuite de cette catégorie et finira probablement par proposer un produit destiné aux développeurs. AssemblyAI-TTS-1 est une grille tarifaire que vous pouvez signer cette semaine. Entre ces deux faits, le seul plan défendable consiste à bâtir sur celui qui existe déjà et à laisser une place dans votre architecture pour l'autre, au cas où Sesame finirait un jour par livrer le modèle plutôt que la brochure.