AssemblyAI-TTS-1 vs Sesame Preview: Salah Satunya Tidak Memiliki Daftar Tarif

Anda tidak dapat membeli Sesame Preview. Ini adalah aplikasi konsumen gratis — Maya, Miles, Simone dan Charlie, empat pendamping dengan memori persisten di iOS dan Android, batas panggilan 30 menit dan rencana yang belum diumumkan untuk menjual kacamata kepada Anda pada 2027 — dan tidak ada endpoint pengembang, tidak ada ID model dan tidak ada daftar harga di baliknya. AssemblyAI-TTS-1, sebaliknya, adalah item baris: $15 per juta karakter, tersedia secara umum sejak 27 Oktober 2026, streaming melalui HTTP dan WebSocket di US-East atau EU-North. Jadi perbandingan seperti yang biasanya dinyatakan bukanlah perbandingan. Ini adalah produk melawan demo.

Perbandingan ini menjadi berguna begitu Anda mengganti dengan Sesame yang memang memiliki bobot: Sesame CSM 1B, checkpoint ucapan percakapan Apache-2.0 di Hugging Face, model dengan sekitar satu miliar parameter yang menerima konteks teks plus audio dan menghasilkan ucapan bahasa Inggris. Sekarang ini menjadi keputusan nyata — checkpoint terbuka 1B seharga $7 per juta karakter dibandingkan endpoint tertutup seharga $15 — dan bagian yang menarik adalah yang lebih murah itulah yang harus Anda bangun agen di sekitarnya.

Apa Sesame Preview secara tepat, agar perbandingannya tidak meleset

Sesame Preview adalah produk yang telah dirilis dengan model sungguhan di dalamnya dan tidak ada cara untuk menyewa model tersebut. Model produksi aplikasi ini bukan checkpoint yang dirilis: Sesame menerbitkan CSM 1B, model generasi dasar yang belum disesuaikan untuk suara tertentu, sementara persona yang telah dipoles di aplikasi merupakan milik Sesame sendiri. Aplikasi ini mengklaim latensi di bawah 300 ms; pengukuran pihak ketiga terhadap persona Maya menempatkan byte pertama sekitar 80–130 ms. Kedua angka tersebut tidak menggambarkan CSM 1B sebagaimana yang akan Anda terima.

Pembaruan aplikasi Oktober 2026 — ekspresivitas dan pengucapan yang lebih baik, akses komputer agen, konektor Gmail, Calendar, dan Drive, dukungan MCP, generator gambar — adalah sinyal peta jalan, bukan sinyal komersial. Sesame telah menyatakan bahwa perkakas pengembang akan hadir "nantinya tahun ini" tanpa merinci apa itu, berapa harganya, atau apakah itu akan menjadi model produksi atau checkpoint. Tidak ada bagian dari keputusan ini yang boleh dibangun berdasarkan kalimat itu.

Kedua tagihan tersebut, dikonversi ke satuan yang sama

CSM 1B terdaftar seharga $7,00 per juta karakter di gateway terkelola yang menyediakannya, ditagih per karakter, bukan per token. AssemblyAI-TTS-1 seharga $15,00 per juta karakter, dan tarif tersebut mencakup setiap suara dalam pustaka yang berisi lebih dari 4.000 suara, keenam bahasa peluncurannya, kloning instan, stempel waktu kata, pemrosesan di AS atau UE, dan konkurensi tanpa batas.

Dengan kecepatan sekitar 900 karakter per menit untuk ujaran biasa, perbandingan per jam adalah sekitar $0,35 untuk CSM 1B dibandingkan sekitar $0,81 untuk AssemblyAI-TTS-1 — checkpoint terbuka tersebut sedikit lebih dari dua kali lebih murah per karakter — dan angka CSM justru paling sedikit memberi informasi, karena angka itu menghitung harga model, bukan sistem.

Daftar dimensi adalah titik di mana keduanya sama sekali tidak lagi dapat dibandingkan:

• Harga — $7 per juta karakter dibandingkan $15, dengan semua suara dan kloning disertakan pada opsi yang lebih tinggi.

• Bahasa — CSM 1B hanya berbahasa Inggris, dan kartu model menyatakan secara blak-blakan bahwa kemampuan non-Inggris apa pun bersifat insidental; aplikasi mencantumkan beberapa bahasa sebagai "dukungan awal", yang merupakan janji yang berbeda. AssemblyAI-TTS-1 diluncurkan dengan enam bahasa.

• Inventaris suara — CSM 1B menyediakan tujuh suara dan model dasar yang diharapkan dapat Anda kloning; AssemblyAI-TTS-1 menyediakan lebih dari 4.000 suara dan pengkloningan instan dari sampel 24 detik.

• Kedalaman kloning — keduanya tidak menawarkan klon profesional terlatih. Jalur instan AssemblyAI memerlukan langkah konfirmasi izin pembicara; CSM 1B mentransfer identitas secara zero-shot sekaligus mendatarkan prosodi saat melakukannya.

• Yang harus Anda sediakan — CSM 1B membutuhkan codec, deteksi giliran, penyusunan konteks, dan loop agen, plus anggaran konteks 4K token yang Anda kelola sendiri. AssemblyAI-TTS-1 membutuhkan klien HTTP, penangan stream, dan pesan pembatalan.

• Bukti latensi — AssemblyAI-TTS-1 memiliki klaim vendor, dua pengukuran independen, dan peringkat papan. CSM 1B memiliki laporan deployment yang mencakup dua orde magnitudo.

Latensi: 90 ms diklaim, 159 ms diukur, 9,9 detik teramati

Kisah latensi AssemblyAI-TTS-1 didokumentasikan dan diperdebatkan dengan cara yang mudah dinyatakan secara jujur. Vendor mengklaim 90 ms hingga audio pertama di produksi dan 47 ms median waktu ke byte pertama di laboratoriumnya. Cekura, yang mengukur secara independen dalam pengujian berbentuk agen, memperoleh 159 ms median waktu mulai streaming, 296 ms pada p90, dan memberinya peringkat kedelapan dari sembilan belas model yang diukur waktunya. Kesenjangan itu adalah metodologi — permintaan-ke-byte-pertama versus kata-terakhir-dikirim-ke-audio-pertama — bukan ketidakjujuran, dan pengukuran kedua adalah yang dialami penelepon Anda.

Cerita latensi CSM 1B bukanlah diperdebatkan melainkan tidak terbatas. Konversi on-device yang dioptimalkan melaporkan sekitar 120 ms hingga audio pertama dengan faktor real-time antara 0,5 dan 0,9 pada Apple Silicon; RTX 5070 Ti yang tidak dioptimalkan dilaporkan berjalan pada sekitar setengah waktu nyata; satu listing yang dihosting memublikasikan P50 sekitar 9,9 detik dan P95 sekitar 39 detik secara end-to-end. Semua itu menggambarkan checkpoint yang sama. Mana yang Anda peroleh merupakan fungsi dari seberapa banyak rekayasa serving yang Anda terapkan.

Itulah inti dari keseluruhan perbandingan, dan itu bukan argumen kualitas. Endpoint tertutup sudah menyelesaikan pekerjaan penyajian dan memasukkan biayanya ke dalam harga: $0,81 per jam, tanpa GPU, tanpa codec, tanpa desain antrean. Checkpoint 1B terbuka memberi Anda model seharga $0,35 per jam dan mengembalikan kepada Anda bagian yang mahal untuk dibangun. Jika Anda sudah memiliki rekayasa itu, checkpoint tersebut adalah kesepakatan yang jauh lebih baik. Jika tidak, $0,46 per jam yang Anda hemat hanyalah kesalahan pembulatan dibandingkan dengan biaya waktu seseorang selama bulan pertama.

Di mana masing-masing sebenarnya buruk

Titik-titik lemah AssemblyAI-TTS-1 semuanya berada di bagian akhir teks nyata. Artificial Analysis memberinya skor 81,7% untuk ketahanan pengucapan secara keseluruhan, peringkat keenam belas, dengan ekspansi singkatan sebesar 73,8%; tes pengucapan kontekstual Cekura menempatkannya di peringkat kedua puluh dua dari dua puluh tujuh dengan 70,8%, bahkan saat menempatkannya di peringkat pertama untuk nomor telepon dan kode dengan 91,7%. Tidak ada kamus pengucapan dan tidak ada SSML untuk memperbaiki semua itu, dan keenam bahasanya merupakan batas atas yang kaku, bukan titik awal. Akurasi entitas yang dilaporkan vendor sebesar 93,7% pada set 580 item miliknya sendiri justru menyatakan sebaliknya, dan hanya korpus Anda yang dapat menentukan pengukuran mana yang menggambarkan trafik Anda.

Titik lemah CSM 1B bersifat struktural, bukan karena data. Model ini hanya mendukung bahasa Inggris sejak awal. Ini adalah model dasar, jadi suara yang Anda dapatkan bukanlah suara yang telah disetel oleh siapa pun. Model ini memotong kata terakhir pada beberapa generasi, membawa watermark di generator referensinya, dan beberapa wrapper yang di-hosting diam-diam membuang parameter context, language, dan max-length — yang berarti gateway yang menawarkan CSM 1B kepada Anda mungkin tidak menjalankan model sesuai dokumentasi. Konteksnya 4K token dengan output maksimum sekitar 3.686, jadi percakapan panjang harus Anda susun sendiri.

Satu hal yang bukan keduanya, dan ini penting bagi siapa pun yang datang dari aplikasi konsumen: mitra percakapan. AssemblyAI-TTS-1 membaca teks menjadi ucapan dan tidak memiliki gagasan tentang status dialog. CSM 1B adalah yang lebih sadar dialog di antara keduanya — ia menerima konteks audio sebagai masukan — tetapi ia menghasilkan ucapan satu giliran setiap kali tanpa deteksi giliran sendiri. Kesan mulus pada aplikasi itu adalah produk, dan tidak ada model yang menyediakannya.

Tiga pertanyaan yang benar-benar ditanyakan orang

Apakah CSM 1B model yang sama dengan yang dijalankan aplikasi Sesame? Tidak. Aplikasi menjalankan model produksi Sesame; checkpoint tersebut adalah model generasi dasar yang dirilis di bawah Apache 2.0, dan kesenjangan di antara keduanya justru menjadi alasan mengapa aplikasi terdengar seperti Maya sedangkan deployment CSM 1B yang baru tidak. Anggap aplikasi sebagai demo dari apa yang bisa dibangun Sesame, bukan sebagai pratinjau dari apa yang akan Anda dapatkan.

Mana yang lebih murah untuk seratus ribu panggilan tiga menit? Di atas kertas, CSM 1B: 270 juta karakter, sekitar $1.890 pada checkpoint versus sekitar $4.050 pada AssemblyAI-TTS-1. Dalam praktiknya, angka checkpoint tidak mencakup jam GPU, engineer serving, dan pekerjaan latensi yang diperlukan untuk mencapai apa pun yang mendekati stream setingkat agen. Pada volume itu, perbandingan yang jujur adalah $4.050 versus "tidak diketahui sampai Anda membangunnya", dan yang tidak diketahui adalah yang lebih mahal di antara keduanya.

Apakah AssemblyAI-TTS-1 dapat mengkloning suara saya sendiri? Ya, dengan mengunggah rekaman berdurasi sekitar 24 detik dan mengonfirmasi bahwa Anda memiliki izin dari penutur; ID suara akan dikembalikan dalam hitungan detik dan ditagih dengan tarif per karakter yang sama seperti pustaka. Tidak ada kloning profesional terlatih, sehingga hasilnya adalah identitas yang dapat digunakan, bukan aset merek yang diatur — dan tidak ada kloning yang disempurnakan yang tersedia saat peluncuran.

Keputusan manakah ini sebenarnya

Jika nama di depan Anda adalah Sesame Preview, berhenti: tidak ada yang perlu diintegrasikan dan tidak ada harga yang perlu dibandingkan. Jika itu CSM 1B, maka Anda tidak sedang memilih model TTS, Anda sedang memilih apakah akan memiliki lapisan serving sendiri — dan tiga kondisi yang membuat jawaban "ya" dapat dipertahankan adalah bahwa Anda hanya memerlukan bahasa Inggris, bahwa Anda memiliki kapasitas GPU dengan engineer yang sesuai, dan bahwa Anda ingin model tersebut berada di dalam perimeter Anda sendiri. Semua hal lainnya mendukung penggunaan endpoint.

Argumen biaya yang biasanya menjadi penentu sama sekali bukanlah tarif per karakter. Penentunya adalah konsolidasi: agen suara cenderung mengumpulkan vendor TTS, vendor speech-to-text, dan vendor model bahasa, yang masing-masing memiliki kontrak dan siklus perubahan harga sendiri. OrcaRouter hadir untuk meratakan lapisan terakhir itu — satu API untuk 200+ model dengan harga daftar penyedia dan markup 0%, sehingga penurunan harga dari vendor sampai ke tagihan Anda pada hari yang sama, bukan pada perpanjangan berikutnya, dengan failover otomatis, DSL routing untuk menggabungkan model ke dalam satu panggilan dan fusi model ketika satu jawaban saja tidak cukup. AssemblyAI-TTS-1 dan CSM 1B keduanya saat ini berada di luar katalog tersebut — rute suara kami adalah keluarga tts-1 OpenAI dan pratinjau Gemini TTS Google — jadi argumennya adalah tentang tagihan yang sudah Anda bayar, bukan tentang pembelian yang bisa Anda lakukan di sini.

Aplikasi Sesame adalah demonstrasi gratis terbaik di kategori ini dan kemungkinan akan menjadi produk untuk developer pada akhirnya. AssemblyAI-TTS-1 adalah daftar tarif yang bisa Anda tandatangani minggu ini. Di antara kedua fakta itu, satu-satunya rencana yang bisa dipertahankan adalah membangun di atas yang sudah ada, dan menyisakan slot dalam arsitektur Anda untuk yang lain jika Sesame suatu saat merilis modelnya, bukan sekadar brosur.