Simba 3.5 vs Sesame Preview : l’un est vendu au caractère, l’autre au siège.

Voici une comparaison qui ressemble à une comparaison de pommes et de poires — jusqu'à ce qu'on en regarde le prix, et là, elle devient de l'arithmétique pure. SpeechifyAI Simba 3.5 est un modèle de synthèse vocale que vous achetez au million de caractères et que vous appelez depuis votre propre code. Sesame Preview est un agent vocal grand public que vous achetez au mois, par personne, dans une application. Les deux sont payants — Sesame a publié une grille tarifaire Free, Plus et Pro et n'est plus une simple démo gratuite — et les deux produisent une voix humaine de synthèse. L'un est un composant, l'autre un produit, et la seule façon honnête de choisir entre les deux est de déterminer laquelle de ces deux choses votre problème exige réellement.

Sesame, l’entreprise, publie bien un modèle : CSM-1B, en poids ouverts sur Hugging Face sous Apache 2.0. Ce n’est pas la voix que vous entendez dans l’application. L’application exploite un système de production sans API, sans identifiant de modèle et sans score d’arène indépendant, et la version de recherche n’a pas évolué depuis 2025. Cet écart est le fait le plus important de cet article, et c’est la raison pour laquelle les deux produits ne sont pas interchangeables.

Combien coûte chacun, converti dans la même unité

C'est sur l'incompatibilité des unités que s'arrêtent la plupart des analyses, alors commencez par là. Simba 3.5 facture au caractère de texte saisi. Sesame facture par siège et par mois, avec une allocation de temps de parole. Aucun des deux tarifs ne se convertit proprement en l'autre, mais tous deux se convertissent en « combien cela coûte-t-il à mon organisation sur un mois », et cette comparaison n'est pas serrée.

• Simba 3.5, tarifs du 22 novembre — 15,00 $ par million de caractères avec Starter, 12,00 $ avec Pro, 10,00 $ avec Scale

• Simba 3.5, jusqu'au 21 novembre — 10,00 $, 8,00 $ et 6,00 $ par million de caractères, les tarifs des modèles plus anciens

• Sesame Free — 0 $, 30 minutes d’appels par jour

• Sesame Plus — 20 $ par mois, deux heures de communication par jour, quatre fois l’allocation hebdomadaire de crédit de Free

• Sesame Pro — 100 $ par mois, dix heures de conversation par jour, vingt fois les crédits hebdomadaires de Free

• Modules complémentaires Sesame — 5 $ pour une heure de communication supplémentaire, 20 $ pour cinq; crédits à 5 $ le millier et 20 $ les cinq mille, des forfaits qui n’expirent pas

Dix millions de caractères de Simba 3.5 sur le forfait Scale coûtent 100 $ et produisent environ deux cents heures de parole finalisée. Sesame Pro coûte 100 $ par mois et offre dix heures de temps de parole par jour pour une personne. Ce sont des produits différents avec la même ligne de facturation, et il est vraiment difficile de dire que l’un offre un meilleur rapport qualité-prix, car l’un produit un actif et l’autre tient une conversation.

Le chiffre de Sesame qu’il vaut la peine de signaler est le tarif des dépassements plutôt que l’abonnement. Le temps de parole supplémentaire à 5 $ l’heure revient à environ 0,083 $ la minute, ce qui est cher pour une conversation et bon marché pour un produit que vous avez décidé de présenter à vos clients. Les packs n’expirent jamais et sont consommés après le quota du forfait, donc l’heure marginale est le chiffre à modéliser, pas le niveau tarifaire affiché.

Ce qu’est Simba 3.5, précisément

Simba 3.5 a été lancé le 21 octobre 2026 comme modèle recommandé par Speechify, remplaçant Simba 3.2 comme choix anglais de référence pour l’avenir et étendant la couverture de six langues à 48 sous un seul identifiant de modèle. Chaque voix du catalogue parle les 48, y compris une voix clonée sur un forfait payant, avec le même identifiant de voix. L’estonien et le cantonais sont explicitement exclus. Les identifiants de voix, les formats de sortie, les marques de parole et le sous-ensemble SSML appliqué sont repris de la 3.2, de sorte que la migration se limite à une modification d’une ligne du champ model, sans incrémentation de version de l’API.

Sur Artificial Analysis, il est premier sur Controlled Voice avec 1 192 et cinquième sur Provider Voice avec 1 294, à partir de 1 783 et 1 732 échantillons respectivement. Le tableau contrôlé est celui qui compte pour cette comparaison : il clone les mêmes huit voix de référence pour chaque participant, de sorte qu’un modèle qui obtient un bon score là-bas sait gérer une voix qu’il n’a jamais entendue. C’est précisément ce qu’exige un flux de travail avec voix clonée.

Les chiffres de Speechify eux-mêmes, non reproduits par quiconque en dehors de l'entreprise : 63 % de préférence en aveugle face à Simba 3.2, avec un intervalle déclaré de 95 % allant de 60 % à 67 %, 72 millisecondes de délai jusqu'au premier son au 95e centile des requêtes de streaming, et 1,8 fois le débit de Simba 3.2 par instance de service. Ces chiffres côtoient les données de l'arène en tant qu'allégations de fournisseur plutôt que mesures indépendantes, et il convient de les lire comme telles.

Ce qu’est précisément Sesame Preview

Sesame Preview est une application d’agent axée sur la voix, en aperçu public depuis mai 2026, dotée de personnages nommés, d’une mémoire qui persiste entre les sessions et de la capacité d’aller accomplir des tâches — rechercher, prendre des notes, créer des rappels — avec un résumé à la fin d’un appel. Elle fonctionne sous iOS et Android, commercialise les trois niveaux ci-dessus via les boutiques d’applications plutôt que sur le web, et maintient un Research Preview gratuit accessible depuis le navigateur pour les utilisateurs situés en dehors des pays où l’application est disponible, avec le même plafond quotidien de 30 minutes que le forfait Free.

Son ingénierie est orientée autour de la prise de parole (turn-taking) plutôt que du rendu, et l'entreprise a publié de véritables travaux à ce sujet. TurnBench, publié le 28 août 2026 avec un article sur arXiv, mesure le timing de la conversation sur trente heures d'enregistrements studio en double canal — 154 dialogues, 106 comédiens voix répartis en 53 paires, enregistrés dans des cabines insonorisées séparées — en évaluant la détection de fin de tour et les interruptions (barge-in) face à deux types de quasi-erreurs. Le classement actuel comporte 25 systèmes classés. Aucun d'entre eux n'est un modèle de synthèse vocale, car la tâche est différente.

Et surtout : il n’existe aucun point de terminaison de modèle Sesame. Aucun id, aucune grille tarifaire, aucun paramètre de voix de référence. Un développeur ne peut pas appeler Sesame Preview depuis du code, pas plus qu’il ne peut appeler un appel téléphonique. Le seul artefact Sesame chargeable est CSM-1B, et Sesame précise explicitement que CSM « ne peut modéliser que le contenu textuel et vocal d’une conversation — pas la structure de la conversation elle-même ».

L'asymétrie décisive

Simba 3.5 peut faire une version étroite et partielle de ce que fait Sesame. Vous pouvez le diffuser en streaming, et le streaming associé à un bon modèle de reconnaissance vocale est la façon dont sont construits aujourd’hui un grand nombre d’agents vocaux en production. Ce qu’il ne peut pas faire, c’est décider quand arrêter de parler, écouter pendant qu’il parle, ou encaisser une interruption : ce sont des propriétés de l’orchestration autour de lui, et c’est vous qui les construiriez.

Sesame ne peut accomplir aucune variante de ce que Simba 3.5 fait pour un développeur. Vous ne pouvez pas intégrer sa voix à l’interface de votre produit à un coût par caractère, produire un livre audio avec, ni localiser un catalogue avec. Vous pouvez lui parler, et vos utilisateurs peuvent lui parler, et c’est là toute la surface.

La décision se ramène donc à une question : ce que vous livrez. Si la voix fait partie de quelque chose que vous construisez, Simba 3.5 est le candidat et Sesame n’est pas sur la liste. Si ce que vous voulez, c’est l’expérience finalisée — une persona qui mène une conversation et accomplit des démarches —, vous achetez l’application de Sesame et la question de la qualité de la voix est tranchée pour vous par une entreprise qui ne l’a pas soumise à la mesure.

Pour le cas de la localisation, l'écart est total.

Simba 3.5 parle 48 langues. Sesame Preview gère l’anglais, et ses offres sont indifférentes à la langue car le produit est en anglais. Pour toute charge de travail dont le script n’est pas en anglais, cette comparaison s’arrête au premier paragraphe des fiches techniques.

Il y a toutefois une nuance qu’il vaut la peine de conserver. Les 48 langues de Speechify s’accompagnent d’une mise en garde que l’éditeur énonce clairement : une voix conserve l’accent de son enregistrement source, si bien qu’une voix américaine clonée qui parle japonais sonne comme un Américain qui parle japonais. Les recommandations de l’entreprise elle-même sont de générer avec une voix native de chaque locale et sélectionnée par l’équipe, c’est pourquoi son endpoint voices expose désormais un staff_pick_rank. Le translinguistique est pris en charge ; le translinguistique sans accent n’est pas ce qui est promis.

La réponse de Sesame à la question de l’accent est d’une autre nature : une persona a une voix, et cette voix ne voyage pas parce que la conversation se déroule dans une seule langue. Ce n’est pas une limitation pour un produit grand public, mais c’est un obstacle rédhibitoire pour un catalogue.

Là où OrcaRouter est pertinent, et là où il ne l'est pas

OrcaRouter ne propose aucun des deux produits. Simba 3.5 est accessible via l’API propre à Speechify ; Sesame Preview est accessible via une boutique d’applications. Rien ici ne doit être interprété comme une affirmation contraire.

La route « What we do » est le catalogue de synthèse plus restreint que vous utiliseriez comme témoin pour tester un choix de voix : openai/tts-1 à 15,00 $ par million de caractères et openai/tts-1-hd à 30,00 $, tous deux au prix catalogue du fournisseur, sans marge ajoutée. Si vous comparez Simba 3.5 à quoi que ce soit — y compris à la voix OpenAI que vous utilisez déjà —, faire passer le même script par les deux avec une seule clé est une expérience moins coûteuse qu’un cycle d’approvisionnement, et le basculement automatique signifie qu’un incident chez un fournisseur n’emporte pas votre file de rendu avec lui.

Dans le cas conversationnel, il n’y a pas de réponse de routeur, et il serait malhonnête de prétendre le contraire. Sesame Preview n’est pas un point de terminaison. Si vous avez besoin de gestion des tours de parole dans un produit que vous développez, la comparaison qui vous intéresse réellement est Simba 3.5 plus votre propre orchestration face à une API parole-parole en temps réel d’un fournisseur qui en commercialise une — et c’est un autre article.

Lequel, alors ?

Choisissez Simba 3.5 si vous développez : vous avez besoin d’un endpoint, d’une facturation au caractère que vous pouvez anticiper, d’une liste de langues dénombrable, de voix clonées qui sont disponibles dans 48 locales, et d’un score de voix contrôlée en tête de classement obtenu sur des voix de référence que le fournisseur n’a pas choisies. Cela fait par ailleurs trois semaines qu’un barème tarifaire, déjà modifié une fois, est en vigueur, avec une migration d’identifiant de modèle — simba-multilingual et simba-english étant servis par Simba 3.5 — prévue pour le 21 novembre, alors fixez délibérément votre identifiant de modèle plutôt que de vous fier à la valeur par défaut.

Choisissez Sesame Preview si vous êtes dans ce cas : vous voulez un agent conversationnel doté de mémoire et capable d’exécuter des tâches, vous acceptez que sa voix ne soit mesurée par aucun comité indépendant, et dix heures de conversation par jour pour 100 $ représentent un prix que vous pouvez rattacher à la valeur du travail qu’il accomplit. C’est un produit fini plutôt qu’une matière première, et les produits finis sont facturés en conséquence.

L’erreur que cette comparaison invite à commettre, c’est de les traiter comme des concurrents parce que tous deux ont l’air de désigner des personnes. Ils sont vendus selon des unités différentes, consommés de manières différentes, et l’un d’eux ne peut pas du tout être appelé depuis le code. Ce n’est pas une égalité à départager — c’est une bifurcation, et la plupart des équipes savent déjà de quel côté elles se trouvent.