AssemblyAI-TTS-1 לעומת Sesame Preview: לאחד מהם אין כרטיס תעריפים

לא ניתן לקנות את Sesame Preview. מדובר באפליקציה חינמית לצרכנים — מאיה, מיילס, סימון וצ'ארלי, ארבעה בני לוויה עם זיכרון מתמשך ב-iOS וב-Android, תקרת שיחה של 30 דקות ותוכנית שטרם הוכרזה למכור לך משקפיים ב-2027 — ואין מאחוריה נקודת קצה למפתחים, מזהה מודל או מחירון. AssemblyAI-TTS-1, לעומת זאת, הוא פריט חיוב: 15 דולר למיליון תווים, זמין באופן כללי מאז 27 באוקטובר 2026, עם זרימה דרך HTTP ו-WebSocket באזור US-East או EU-North. לכן ההשוואה כפי שמקובל להציג אותה אינה השוואה. מדובר במוצר מול הדגמה.

ההשוואה הופכת לשימושית ברגע שמחליפים את ה-Sesame שכן יש לו משקלים: Sesame CSM 1B, צ'קפוינט הדיבור השיחתי ברישיון Apache-2.0 ב-Hugging Face, מודל בעל כמיליארד פרמטרים בקירוב שמקבל טקסט בתוספת הקשר אודיו ומפיק דיבור באנגלית. עכשיו זו החלטה אמיתית — צ'קפוינט פתוח של 1B ב-7 דולרים למיליון תווים לעומת נקודת קצה סגורה ב-15 דולרים — והחלק המעניין הוא שדווקא הזול יותר הוא זה שצריך לבנות סביבו סוכן.

מה בדיוק זה Sesame Preview, כדי שההשוואה לא תתעוות

Sesame Preview הוא מוצר שהושק עם מודל אמיתי בתוכו, ואין דרך לשכור את המודל הזה. מודל הייצור של האפליקציה אינו הצ'קפוינט שפורסם: Sesame מפרסמת את CSM 1B, מודל גנרציה בסיסי שלא עבר כיוונון עדין לקול ספציפי, בעוד שהפרסונות המלוטשות באפליקציה הן של Sesame עצמה. האפליקציה טוענת להשהיה של מתחת ל-300 ms; מדידה של צד שלישי של פרסונת Maya מעמידה את הבייט הראשון בסביבות 80–130 ms. אף אחד מהמספרים הללו לא מתאר את CSM 1B כפי שתקבלו אותו.

העדכון של האפליקציה מאוקטובר 2026 — יכולת הבעה והגייה משופרות, גישה של סוכן למחשב, מחברים ל-Gmail, ל-Calendar ול-Drive, תמיכה ב-MCP, מחולל תמונות — הוא אות מתוך מפת הדרכים, לא אות מסחרי. Sesame הצהירה שכלי פיתוח יגיעו "מאוחר יותר השנה" בלי לפרט מה יהיו, באיזה מחיר, או אם יהיו מודל הייצור או גרסת הצ'קפוינט. אין לבסס שום דבר בהחלטה הזו על המשפט הזה.

שני החשבונות, לאחר המרה ליחידה זהה

CSM 1B מוצע במחיר 7.00 דולר למיליון תווים בשערי אירוח שמשרתים אותו, כשהחיוב הוא לפי תו ולא לפי טוקן. AssemblyAI-TTS-1 עולה 15.00 דולר למיליון תווים, והתעריף הזה כולל כל קול בספרייה של יותר מ-4,000 קולות, כל אחת משש שפות ההשקה שלו, שיבוט מיידי, חותמות זמן ברמת המילה, עיבוד בארה״ב או באיחוד האירופי ובו-זמניות ללא הגבלה.

בקצב של כ-900 תווים בדקה של דיבור רגיל, ההשוואה השעתית היא כ-0.35 דולר עבור CSM 1B לעומת כ-0.81 דולר עבור AssemblyAI-TTS-1 — ה-checkpoint הפתוח זול יותר בקצת יותר מפי שניים לתו — ונתון ה-CSM הוא זה שאומר לך הכי פחות, משום שהוא מתמחר את המודל ולא את המערכת.

רשימת הממדים היא הנקודה שבה השניים מפסיקים להיות ברי-השוואה כלל:

• מחיר — $7 למיליון תווים לעומת $15, כאשר כל הקולות והשיבוט כלולים באפשרות היקרה יותר.

• שפות — CSM 1B הוא באנגלית, וכרטיס המודל מציין בגלוי שכל יכולת שאינה באנגלית היא מקרית; האפליקציה מפרטת כמה שפות כ"תמיכה מוקדמת", וזו הבטחה שונה. AssemblyAI-TTS-1 הושק עם שש.

• מלאי קולות — CSM 1B מגיע עם שבעה קולות ומודל בסיס שאתם אמורים לשכפל ממנו; AssemblyAI-TTS-1 מגיע עם יותר מ-4,000 קולות ושיבוט מיידי מדגימה של 24 שניות.

• עומק השיבוט — אף אחת מהן אינה מציעה שיבוט מקצועי מאומן. המסלול המיידי של AssemblyAI מחייב שלב אישור הרשאת דובר; CSM 1B מעביר זהות ב-Zero-shot ומשטח את הפרוזודיה תוך כדי כך.

• מה שעליך לספק — CSM 1B זקוק ל-codec, זיהוי תורות, הרכבת הקשר וללוחת הסוכן, ובנוסף לתקציב הקשר של 4K טוקנים שאתה מנהל בעצמך. AssemblyAI-TTS-1 זקוק ללקוח HTTP, למטפל בזרימה ולהודעת ביטול.

• עדויות לשהיה — ל-AssemblyAI-TTS-1 יש טענה של הספק, שתי מדידות עצמאיות ודירוג בלוח. ל-CSM 1B יש דוחות פריסה המשתרעים על פני שני סדרי גודל.

השהיה: 90 ms כנטען, 159 ms במדידה, 9.9 שניות בפועל

סיפור ההשהיה של AssemblyAI-TTS-1 מתועד ושנוי במחלוקת באופן שקל לנסח אותו ביושר. הספק מצהיר על 90 ms עד לאודיו הראשון בסביבת הייצור ועל 47 ms זמן חציוני עד לבייט הראשון במעבדה שלו. Cekura, שמדדה באופן עצמאי בבדיקה בצורת סוכן, קיבלה 159 ms זמן התנעה חציוני של סטרימינג, 296 ms ב-p90, ודירגה אותו במקום השמיני מתוך תשעה-עשר המודלים שבהם מדדה. הפער הזה הוא מתודולוגיה — מרגע הבקשה ועד הבייט הראשון לעומת מרגע שליחת המילה האחרונה ועד האודיו הראשון — ולא חוסר יושר, והמדידה השנייה היא זו שהמתקשר שלך חווה.

סיפור השהיה (latency) של CSM 1B אינו שנוי במחלוקת אלא בלתי־חסום. המרות מותאמות על־המכשיר מדווחות על כ־120 מ"ש לשמע הראשון עם גורם זמן־אמת שבין 0.5 ל־0.9 על Apple Silicon; לפי הדיווח, RTX 5070 Ti שאינו מותאם פועל בערך בחצי מזמן אמת; רישום מאוחסן אחד מפרסם P50 של כ־9.9 שניות ו־P95 של כ־39 שניות מקצה לקצה. כל אלה מתארים את אותו checkpoint. מה שתקבלו הוא פונקציה של כמה הנדסת הגשה (serving) אתם מביאים.

זו נקודת המפתח של כל ההשוואה, וזה לא טיעון של איכות. נקודת קצה סגורה כבר עשתה את עבודת ההגשה ותמחרה אותה בפנים: $0.81 לשעה, בלי GPU, בלי codec, בלי תכנון תור. צ'קפוינט פתוח של 1B נותן לך מודל ב-$0.35 לשעה ומחזיר לך את החלק שהיה יקר לבנות. אם כבר יש לך את ההנדסה הזו, הצ'קפוינט הוא העסקה הטובה יותר בפער גדול. אם אין לך, $0.46 לשעה שאתה חוסך הם שגיאת עיגול לעומת החודש הראשון של הזמן של מישהו.

איפה כל אחד מהם באמת גרוע

הנקודות החלשות של AssemblyAI-TTS-1 נמצאות כולן בזנב של טקסט אמיתי. Artificial Analysis מעניקה לו 81.7% בעמידות הגייה באופן כולל, מקום שישה־עשר, עם הרחבת קיצורים ב־73.8%; מבחן ההגייה ההקשרי של Cekura ממקם אותו במקום העשרים ושניים מתוך עשרים ושבעה עם 70.8%, אף שהוא מדרג אותו ראשון במספרי טלפון ובקודים עם 91.7%. אין מילון הגייה ואין SSML כדי לתקן את כל זה, ושש השפות שלו הן תקרה קשיחה ולא נקודת התחלה. דיוק הישויות המדווח על ידי הספק — 93.7% על סט משלו של 580 פריטים — אומר את ההפך, ורק הקורפוס שלכם יכול להכריע איזו מדידה מתארת את התעבורה שלכם.

נקודות התורפה של CSM 1B מבניות ולא נובעות מנתונים. הוא מיועד מלכתחילה לאנגלית בלבד. זהו מודל בסיס, ולכן הקול שמקבלים אינו קול שמישהו כיוון. הוא חותך את המילה האחרונה בחלק מהתוצרים, נושא סימן מים במחולל הייחוס שלו, וחלק מהעטיפות המתארחות משמיטות בשקט את פרמטרי ההקשר, השפה והאורך המרבי — מה שאומר ששער שמצטט לך CSM 1B עשוי לא להריץ את המודל כמתועד. חלון ההקשר שלו הוא 4K טוקנים עם פלט מרבי של כ-3,686, ולכן עליך להרכיב בעצמך שיחות ארוכות.

דבר אחד ששניהם אינם, וזה חשוב לכל מי שמגיע מהאפליקציה הצרכנית: שותף שיחה. AssemblyAI-TTS-1 ממיר טקסט לדיבור ואין לו שום תפיסה של מצב דיאלוג. CSM 1B הוא המודע יותר לדיאלוג מבין השניים — הוא מקבל הקשר אודיו כקלט — אך הוא מייצר דיבור תור אחד בכל פעם, בלי זיהוי תורים משל עצמו. הרציפות לכאורה של האפליקציה היא תוצר, ואף אחד מהמודלים לא מספק אותה.

שלוש שאלות שאנשים באמת שואלים

האם CSM 1B הוא אותו מודל שהאפליקציה של Sesame מריצה?לא. האפליקציה מריצה את מודל הפרודקשן של Sesame; ה-checkpoint הוא מודל גנרציה בסיסי ששוחרר תחת Apache 2.0, והפער ביניהם הוא בדיוק הסיבה לכך שהאפליקציה נשמעת כמו Maya בעוד שפריסה חדשה של CSM 1B לא. התייחסו לאפליקציה כדמו של מה ש-Sesame מסוגלת לבנות, ולא כתצוגה מקדימה של מה שתקבלו.

מה זול יותר במאה אלף שיחות של שלוש דקות? על הנייר, CSM 1B: 270 מיליון תווים, כ-1,890 דולר על בסיס ה-checkpoint לעומת כ-4,050 דולר על AssemblyAI-TTS-1. בפועל, נתון ה-checkpoint אינו כולל שעות GPU, את מהנדס ההגשה, ואת עבודת ההשהיה הנדרשת כדי להגיע למשהו קרוב לזרם ברמת סוכן. בהיקף כזה, ההשוואה הכנה היא 4,050 דולר מול "לא ידוע עד שתבנה אותו", והלא-ידוע הוא היקר מבין השניים.

האם AssemblyAI-TTS-1 יכול לשכפל את הקול שלי? כן, על ידי העלאת הקלטה באורך של כ-24 שניות ואישור שיש לך את רשות הדובר; מזהה הקול מוחזר בתוך שניות ומחויב לפי אותו תעריף לתו כמו הספרייה. אין שיבוט מקצועי מאומן, כך שהתוצאה היא זהות שמישה ולא נכס מותג מנוהל — ושיבוט מכוונן לא היה זמין בהשקה.

איזו החלטה זה בעצם

אם השם שלפניך הוא Sesame Preview, עצור: אין מה לאינטגרר ואין מחיר להשוות. אם זה CSM 1B, אז אינך בוחר מודל TTS — אתה בוחר אם להחזיק בשכבת ההגשה — ושלושת התנאים שהופכים את "כן" למוצדק הם שאתה צריך אנגלית בלבד, שיש לך קיבולת GPU עם מהנדס מתאים, ושהיא רוצה שהמודל יהיה בתוך ההיקף שלך. כל השאר תומך בנקודת הקצה.

טיעון העלות שבדרך כלל מכריע את ההחלטה אינו תעריף לפי תו בכלל. מדובר באיחוד: סוכן קולי נוטה לצבור ספק TTS, ספק המרת דיבור לטקסט וספק מודל שפה, שלכל אחד מהם חוזה משלו ומחזור שינויי מחירים משלו. OrcaRouter נועד לשטח את השכבה האחרונה הזו — ממשק API אחד ליותר מ-200 מודלים במחיר המחירון של הספק עם 0% תוספת, כך שהורדת מחיר של ספק מגיעה לחשבון שלך באותו יום ולא בחידוש הבא, עם מעבר אוטומטי לגיבוי, DSL לניתוב להרכבת מודלים לקריאה אחת ומיזוג מודלים כאשר תשובה אחת לא תספיק. AssemblyAI-TTS-1 ו-CSM 1B נמצאים שניהם מחוץ לקטלוג הזה היום — נתיבי הדיבור שלנו הם משפחת tts-1 של OpenAI וגרסאות התצוגה המקדימה של Gemini TTS מבית Google — כך שהטיעון עוסק בחשבון שאתה כבר משלם, ולא ברכישה שאתה יכול לבצע כאן.

האפליקציה של Sesame היא ההדגמה החינמית הטובה ביותר בקטגוריה הזו, וכנראה תקבל מוצר למפתחים בסופו של דבר. AssemblyAI-TTS-1 הוא מחירון שאפשר לחתום עליו השבוע. בין שתי העובדות האלה, התוכנית היחידה שאפשר להגן עליה היא לבנות על זו שקיימת, ולהשאיר מקום בארכיטקטורה שלך לאפשרות השנייה אם Sesame אי פעם תשחרר את המודל במקום את הברושור.