Rime Prism vs Sesame Preview : une grille tarifaire face à une réputation

Vous pouvez écouter Sesame Preview gratuitement ce soir. Vous ne pouvez pas l’acheter. Vous pouvez acheter Rime Prism à 0,080 $ la minute, et presque personne en dehors de Rime n’a publié un extrait dont la mesure était autorisée. Les deux parties de cette phrase constituent la comparaison : l’une est la voix la plus réputée de l’IA grand public qu’aucun développeur ne peut appeler, et l’autre est un tout nouveau point de terminaison d’entreprise qu’une startup peut intégrer à un serveur vocal interactif cette semaine. Rime Prism a été lancé le 28 octobre 2026 comme premier modèle parole-à-parole de Rime. Sesame Preview fonctionne comme aperçu de recherche gratuit depuis le début de 2025, la voix de production derrière ce modèle n’étant toujours pas publiée.

On les compare parce que tous deux revendiquent un réalisme conversationnel et qu’ils sont uniquement disponibles en anglais au lancement. Ce ne sont pas des alternatives. L’un est une application avec laquelle vous dialoguez, l’autre un point de terminaison sur lequel vous développez, et le choix entre les deux relève moins d’une préférence de voix que de la décision d’acheter un produit ou un composant.

La scission qui décide de presque tout

Une équipe qui veut déployer un agent se pose deux questions dans cet ordre : puis-je l'appeler, et combien cela coûte-t-il par appel. Sesame Preview échoue à la première. Il n'existe aucune API publique pour le modèle derrière l'application, pas d'identifiant de modèle, pas de point de terminaison ni de tarif publié. Le Sesame auquel vous pouvez parler est un produit grand public avec quatre assistants nommés, une mémoire persistante et un ensemble croissant d'outils ; le modèle sous-jacent n'est pas quelque chose qu'un développeur peut adresser.

La seule chose de Sesame que quiconque puisse appeler est CSM-1B, le checkpoint à poids ouverts que l’entreprise a publié en 2025 sous Apache 2.0 : environ 1 milliard de paramètres, un contexte de 4K, de l’audio mono à 24 kHz. Ce n’est pas la voix de l’application, et ce n’est pas un agent — il est conditionné par l’historique de la conversation mais ne peut pas raisonner à son sujet comme le ferait un modèle de langage. C’est un composant vocal, et un seul.

• Disponibilité — Rime Prism est une API payante avec une offre gratuite ; Sesame Preview est une application grand public gratuite sans API pour sa voix de production.

• Prix — Prism 0,080 $ par minute d'audio d'appel sur Flex, 0,064 $ sur Scale ; Sesame ne publie aucun prix et ne facture rien pour l'application.

• Risque de facturation — Prism facture que l’appel se passe bien ou non ; le coût de Sesame est celui de l’application, à savoir zéro, et ce n’est pas un modèle économique sur lequel on peut planifier.

Base de latence — Prism : 0,57 s de délai avant le premier audio, mesuré par le fournisseur sur τ-Voice ; l’application de Sesame revendique moins de 300 ms, et une mesure par un tiers de la persona Maya a situé le délai avant le premier octet entre 80 et 130 ms.

• Score indépendant — aucun des deux modèles n’apparaît dans l’index Speech-to-Speech d’Artificial Analysis.

• Langues — les deux sont uniquement en anglais au lancement ; Sesame cite le français, l’italien, l’allemand, l’espagnol, le chinois, le japonais et le coréen parmi les langues pris en charge dès le début.

• Déploiement — Prism propose des options cloud, VPC et sur site avec un BAA HIPAA et SOC 2 Type II ; Sesame propose une application.

Rime Prism, en tant que point de terminaison

Prism est vendu comme le logiciel d’entreprise se vend : une offre gratuite avec 50 $ de crédit mensuel et sans carte bancaire, Flex à 0,080 $/min sans engagement, Scale à 100 $ par mois avec 100 $ de crédit et 0,064 $/min, et Enterprise avec des tarifs volumétriques et un engagement annuel. Tous les niveaux reposent sur le même modèle. Prism diffuse en streaming via WebSockets et s’intègre à LiveKit et Pipecat, ce qui compte, car c’est là que se trouvent déjà la plupart des agents vocaux développés en interne.

Les fonctionnalités qui justifient le tarif sont celles qu’une application grand public n’a aucune raison de développer. Prism rédige sa réponse sous forme de texte avant de prendre la parole, de sorte qu’une application peut lire la phrase exacte, exécuter un contrôle de politique ou un filtre PII dessus, et ne laisser l’audio se poursuivre que si le contrôle passe — pendant que le modèle continue d’écouter, afin que le contrôle ne devienne pas une pause audible. Les appels d’outils s’exécutent en parallèle de la parole. Le fine-tuning sur les propres appels et traces d’outils d’un client constitue le cas d’usage commercial central, les API SFT et RL en self-service étant encore en bêta.

Les chiffres de l’entreprise elle-même placent le délai avant le premier audio à 0,57 seconde et le taux d’achèvement τ-Voice à 56,6 %, avec 82,5 % sur le sous-ensemble télécom du benchmark. Une étude de cas Revmo portant sur environ dix heures d’appels de commande réels est citée à 100 % de confirmations de commande, contre 68 % pour un modèle OpenAI non nommé. Il s’agit d’une étude client commanditée, sans méthodologie publiée, et elle doit être lue comme une déclaration de fournisseur plutôt qu’un résultat.

Sesame Preview, en tant que produit

L'argument de Sesame, c'est qu'un assistant vocal devrait donner l'impression d'être une personne que l'on connaît. Les quatre personnalités — Maya la collaboratrice spirituelle, Miles le décontracté, Simone pour les analyses approfondies, Charlie comme interlocuteur informel — possèdent chacune leur propre mémoire et leur propre façon de parler. L'application recherche sur le Web, mène de longues recherches, conserve des notes et des rappels, résume les appels et propose un mode incognito. Le 6 octobre 2026, Sesame a déployé un CSM mis à jour, plus expressif et mieux prononcé, donné à ses agents accès à leur propre ordinateur et ajouté des connecteurs Gmail, Calendar et Drive, des serveurs MCP externes via OAuth, des compétences créées par les utilisateurs ainsi qu'un générateur d'images intégré à l'application.

Ce qui lui manque, c’est un moyen d’accès. L’application est gratuite, ne diffuse aucune publicité et ne vend pas de données, ce qui est agréable pour l’utilisateur mais reste une question en suspens pour l’acheteur. La manière dont Sesame compte gagner de l’argent, et si les développeurs obtiendront un jour un endpoint, n’a toujours pas été annoncée. Les lunettes sont annoncées pour 2027 et pour le Japon ; l’outillage destiné aux développeurs a été promis pour « plus tard dans l’année », sans précisions.

Cela dit, la réputation est bien réelle. Les voix de Sesame sont celles dont les gens s’envoient des extraits, et le consensus des critiques est étonnamment favorable depuis deux années consécutives. Le problème, c’est qu’une réputation ne constitue pas une spécification : aucun chiffre de latence n’a été publié pour le modèle de production, aucun score d’écoute à l’aveugle n’existe pour lui, et le seul élément exécutable de façon indépendante est le checkpoint 1B, qui est une tout autre chose.

La seule capacité que Sesame a écartée

Si la raison pour laquelle vous voulez la voix de Sesame est qu’elle ressemble à celle d’une personne, ce que vous devez réellement reproduire, c’est une boucle conversationnelle, pas un timbre. Et une boucle conversationnelle pour une entreprise impose des exigences qu’une application grand public n’a jamais à satisfaire : une piste d’audit de ce que l’agent s’apprêtait à dire, un moyen de l’empêcher de le dire, un appel d’outil qui se résout avant que l’appelant ne s’en aperçoive, et un déploiement qui passe une revue de conformité.

Prism est conçu autour de ces exigences, et c’est pourquoi il est payant. Sesame est conçu autour de l’inverse : une expérience fermée, sélectionnée avec soin et gratuite, dans laquelle l’entreprise contrôle chaque variable. Les deux sont des produits défendables. Un seul d’entre eux est un composant que l’on peut brancher dans une chaîne de traitement des sinistres.

Les deux sont exclusivement en anglais — pour des raisons opposées.

Prism a été lancé en anglais uniquement avec un ensemble limité de voix, car il s'agit d'une première version et la couverture vocale coûte cher à déployer. Sesame est d'abord anglophone parce que son produit est un ensemble de personnalités anglophones ; le français, l'italien, l'allemand, l'espagnol, le chinois, le japonais et le coréen sont étiquetés comme bénéficiant d'une prise en charge précoce, ce qui est une promesse différente de « pris en charge ».

Pour un centre de contact multilingue, c'est la section qui clôt l'article. Aucun des deux modèles ne couvre aujourd'hui une file d'attente multilingue, et la comparaison qui compte réellement pour cet acheteur se fait avec une couche TTS offrant une large couverture linguistique plus un modèle de texte routé, et non avec l'un ou l'autre de ces modèles.

Le problème de la mesure

Aucun des deux modèles ne figure dans le Speech-to-Speech Index d’Artificial Analysis, le seul classement indépendant qui évalue les modèles vocaux conversationnels selon l’achèvement des tâches, les préférences dans l’arène et la réussite des tâches. Cette absence ne constitue pas une critique de l’un ou l’autre produit ; c’est la raison pour laquelle cette page doit s’appuyer sur les déclarations des fournisseurs pour les deux.

Le chiffre de 56,6 % pour τ-Voice de Prism provient de la propre exécution de Rime. Le tableau que Rime publie à côté indique GPT-Live-1 (Sol, low) à 59,3 %, soit plus que Prism, alors que le texte affirme que Prism devance tous les modèles temps réel d’OpenAI et de Google. Les publications de lancement répètent aussi « moins de 300 ms » et « 4× plus rapide », des chiffres qui n’apparaissent pas dans le tableau des benchmarks, lequel indique 0,57 s. Il peut s’agir de mesures de choses différentes ; Rime ne précise pas lesquelles.

La position de Sesame est encore plus délicate, car il n’existe aucun modèle de production à mesurer. À son crédit, l’entreprise a construit l’outil qui permettrait d’en mesurer un : TurnBench, publié le 28 août 2026, est un benchmark open source pour la prise de parole dans le dialogue parlé, développé avec Carnegie Mellon, Mundo AI et Oto, avec un classement public et une notation en libre-service. Il s’agit du propre benchmark de Sesame plutôt que d’un benchmark neutre, mais c’est une contribution authentique, et le chiffre autour duquel il est construit est la donnée la plus utile de toute cette comparaison : l’écart typique entre les tours de parole humains est d’environ 200 millisecondes, tandis que planifier un seul mot prend environ 600 millisecondes. C’est pourquoi la prise de parole, et non la qualité de la voix, est ce qui trahit une machine.

La seule preuve indépendante jointe au catalogue de Rime est sa gamme TTS, et sur le Text-to-Speech Arena, Coda se classe 65e sur 99 avec un Elo de 1 054, et Mist V2 92e à 903. Cela ne dit rien de définitif sur Prism, dont les voix sont nouvelles — mais cela signifie que « Rime n'a jamais eu de voix classée en tête sur un classement indépendant » est une affirmation vraie qu'un acheteur devrait entendre avant de signer un contrat Scale.

Ce que coûte une ligne téléphonique dans chaque sens

La tarification de Prism est simple. Dix mille minutes d’appels entrants coûtent 800 $ avec Flex ou 640 $ avec Scale, avant toute remise Enterprise. Un appel de cinq minutes coûte 0,40 $. Si l’agent doit aussi résumer l’appel ensuite, cela représente un coût de modèle texte en plus, et il est faible par rapport à la facture vocale.

Sesame est impossible à tarifer, car il n’existe aucun tarif à appliquer. L’application ne coûte rien et ne peut pas être intégrée ; le checkpoint ouvert coûte 7 $ par million de caractères auprès de son unique fournisseur hébergé, et l’auto-héberger signifie posséder vous-même la pile d’inférence, le codec, la détection des tours de parole et la logique de l’agent. Quiconque cite un coût par minute pour « Sesame » cite l’absence de facture de l’application, pas un service.

C’est là l’asymétrie pratique : Prism est coûteux et lisible, Sesame est gratuit et indisponible. Une réunion budgétaire peut débattre avec 0,080 $ la minute. Elle ne peut rien faire avec « aucun point de terminaison ».

Trois acheteurs, trois réponses différentes

Une entreprise qui traite des appels entrants de support devrait se pencher sur Prism. Le point de contrôle textuel, le BAA HIPAA, l’option sur site et le tarif à la minute visent tous précisément ce besoin, et le risque lié aux allégations du fournisseur est gérable car les conditions commerciales sont ordinaires. Pilotez-le sur un seul flux d’appels, mesurez vous-même le taux de confinement et considérez l’étude de cas de Rime, 100 % contre 68 %, comme une hypothèse à tester plutôt qu’une prévision.

Un développeur qui veut le son de Sesame au sein d’un produit ne devrait pas attendre une API qui n’a pas été annoncée. La voie réaliste consiste à utiliser un checkpoint TTS ouvert ainsi que votre propre orchestration — et l’orchestration est la partie que vous pouvez louer à moindre coût. OrcaRouter regroupe plus de 200 modèles de texte derrière une seule clé au prix catalogue du fournisseur, avec 0 % de marge, ajoute un basculement automatique pour qu’un agent vocal ne tombe pas en panne lorsqu’un fournisseur connaît un moment difficile, et expose un DSL de routage afin que les tours de routine puissent être confiés à un petit modèle et les escalades à un grand. La couche vocale et la couche de raisonnement ne doivent pas nécessairement provenir de la même entreprise, et pour la plupart des développeurs, elles ne le devraient pas.

Un consommateur, ou toute personne qui se construit un assistant personnel, devrait simplement utiliser Sesame. C’est gratuit, c’est de qualité, et l’absence d’API n’a aucune importance pour quelqu’un qui n’écrit pas de code.

Qu’est-ce qui changerait la réponse ?

Trois événements. La publication par Sesame d’une API et d’une grille tarifaire transformerait cela en véritable comparaison du jour au lendemain, et poserait immédiatement la question de savoir si la qualité de sa voix résiste à une commercialisation sous forme de composant. L’apparition de Prism dans le Speech-to-Speech Index lui donnerait le premier chiffre indépendant qu’il ait jamais eu, et permettrait de trancher si la formule « en avance sur OpenAI et Google » résiste à l’examen d’un classement neutre. Et la sortie de bêta des API de fine-tuning de Prism séparerait les entreprises qui peuvent déjà l’acheter de toutes les autres.

Jusqu'à ce que l'une de ces choses se produise, la comparaison se fait entre un produit que l'on peut expérimenter et un produit que l'on peut déployer, et la seule mauvaise réponse consiste à les traiter comme deux versions d'un même achat. Sesame est la voix qui a redonné aux gens l'envie de s'intéresser à l'IA conversationnelle. Prism est la première tentative sérieuse de vendre ce sentiment à la minute, avec un journal d'audit joint. Aucun des deux n'est le remplaçant de l'autre.