Simba 3.5 vs Sesame Preview: Satu Dijual per Karakter, yang Lain per Kursi

Berikut adalah perbandingan yang tampak seperti membandingkan apel dengan jeruk sampai Anda melihat harganya, dan pada titik itu perbandingan ini menjadi aritmetika. SpeechifyAI Simba 3.5 adalah model text-to-speech yang Anda beli per juta karakter dan panggil dari kode Anda sendiri. Sesame Preview adalah agen suara konsumen yang Anda beli per bulan, per orang, di dalam aplikasi. Keduanya dapat dibeli — Sesame menerbitkan daftar paket Free, Plus, dan Pro serta berhenti menjadi demo gratis — dan keduanya menghasilkan suara manusia sintetis. Yang satu adalah komponen dan yang satu adalah produk, dan satu-satunya cara jujur untuk memilih di antara keduanya adalah dengan mencari tahu mana dari kedua hal itu yang sebenarnya dibutuhkan masalah Anda.

Perusahaan Sesame memang menerbitkan sebuah model: CSM-1B, dengan bobot terbuka di Hugging Face di bawah Apache 2.0. Itu bukan suara yang Anda dengar di aplikasi. Aplikasi tersebut menjalankan sistem produksi tanpa API, tanpa ID model, dan tanpa skor arena independen, dan rilis risetnya tidak berubah sejak 2025. Kesenjangan itu adalah fakta paling penting dalam tulisan ini dan menjadi alasan kedua produk tersebut bukan pengganti satu sama lain.

Berapa biaya masing-masing jika dikonversi ke satuan yang sama

Ketidakcocokan unit adalah titik tempat sebagian besar ulasan berhenti, jadi mulailah dari situ. Simba 3.5 menagih per karakter teks masukan. Sesame menagih per kursi per bulan dengan jatah waktu bicara. Tidak ada tarif yang dapat dikonversi dengan rapi ke tarif lainnya, tetapi keduanya dapat dikonversi menjadi "berapa biaya ini bagi organisasi saya dalam sebulan," dan perbandingan itu tidaklah imbang.

• Simba 3.5, daftar mulai 22 November — $15,00 per juta karakter di Starter, $12,00 di Pro, $10,00 di Scale

• Simba 3.5, hingga 21 November — $10,00, $8,00, dan $6,00 per juta karakter, tarif untuk model yang lebih lama

• Sesame Free — $0, 30 menit waktu bicara per hari

• Sesame Plus — $20 per bulan, dua jam waktu bicara per hari, empat kali jatah kredit mingguan Free

• Sesame Pro — $100 per bulan, sepuluh jam waktu bicara sehari, dua puluh kali kredit mingguan Free

• Add-on Sesame — $5 untuk satu jam tambahan waktu bicara, $20 untuk lima jam; kredit $5 per seribu dan $20 per lima ribu, paket yang tidak kedaluwarsa

Sepuluh juta karakter Simba 3.5 pada paket Scale berharga $100 dan menghasilkan sekitar dua ratus jam ucapan yang sudah selesai. Sesame Pro berharga $100 per bulan dan memberi sepuluh jam waktu bicara per hari untuk satu orang. Itu produk yang berbeda dengan baris tagihan yang sama, dan sungguh sulit mengatakan salah satunya bernilai lebih baik, karena yang satu menghasilkan aset dan yang lain mengadakan percakapan.

Angka Sesame yang perlu diperhatikan adalah tarif kelebihan pemakaian, bukan biaya langganannya. Waktu bicara tambahan seharga $5 per jam kira-kira $0,083 per menit — mahal untuk sekadar percakapan, tetapi murah untuk sebuah produk yang telah Anda putuskan untuk ditawarkan kepada pelanggan. Paket tambahannya tidak pernah kedaluwarsa dan baru terpakai setelah kuota paket habis, jadi jam marginal itulah angka yang perlu dimodelkan, bukan angka tier utama yang ditonjolkan.

Apa sebenarnya Simba 3.5 itu, secara tepat

Simba 3.5 diluncurkan pada 21 Oktober 2026 sebagai model yang direkomendasikan Speechify, menggantikan Simba 3.2 sebagai pilihan bahasa Inggris untuk ke depan dan memperluas cakupan dari enam bahasa menjadi 48 di bawah satu id model. Setiap suara dalam katalog dapat berbicara dalam ke-48 bahasa, termasuk suara hasil kloning pada paket berbayar, dengan id suara yang sama. Estonia dan Kanton secara eksplisit dikecualikan. Id suara, format keluaran, speech marks, dan subset SSML yang diterapkan diwarisi dari 3.2, sehingga migrasi cukup mengubah satu baris pada bidang model tanpa menaikkan versi API.

Di Artificial Analysis, model ini berada di peringkat pertama pada Controlled Voice dengan 1.192 dan peringkat kelima pada Provider Voice dengan 1.294, masing-masing dari 1.783 dan 1.732 sampel. Papan terkontrol adalah yang bermakna untuk perbandingan ini: papan tersebut mengkloning delapan suara referensi yang sama untuk setiap peserta, sehingga model yang mendapat skor baik di sana mampu menangani suara yang belum pernah didengarnya. Itulah tepatnya yang dituntut oleh alur kerja suara terkloning.

Angka milik Speechify sendiri, yang belum direproduksi oleh siapa pun di luar perusahaan: preferensi buta sebesar 63% dibandingkan Simba 3.2 dengan interval 95% yang dinyatakan sebesar 60% hingga 67%, waktu 72 milidetik hingga audio pertama pada persentil ke-95 permintaan streaming, dan throughput 1,8 kali lipat Simba 3.2 per instans penyajian. Angka-angka itu berdampingan dengan angka arena sebagai klaim vendor, bukan sebagai pengukuran independen, dan harus dibaca dengan cara demikian.

Apa itu Sesame Preview, secara tepat

Sesame Preview adalah aplikasi agen berbasis suara, dalam pratinjau publik sejak Mei 2026, dengan persona bernama, memori yang bertahan antar-sesi, dan kemampuan untuk melakukan berbagai hal — pencarian, catatan, pengingat — dengan ringkasan di akhir panggilan. Aplikasi ini berjalan di iOS dan Android, menjual tiga paket di atas melalui toko aplikasi, bukan web, dan mempertahankan Research Preview gratis berbasis browser bagi pengguna di luar negara tempat aplikasi tersedia dengan batas harian 30 menit yang sama seperti paket Free.

Rekayasanya berorientasi pada pergantian giliran bicara alih-alih rendering, dan perusahaan telah menerbitkan karya nyata tentangnya. TurnBench, yang dirilis pada 28 Agustus 2026 bersama makalah di arXiv, mengukur waktu percakapan pada tiga puluh jam rekaman studio dua kanal — 154 dialog, 106 pengisi suara dalam 53 pasangan, direkam di bilik kedap suara terpisah — dengan menilai deteksi akhir giliran dan barge-in terhadap dua jenis near-miss. Papan saat ini memuat 25 sistem yang diperingkat. Tidak ada di antaranya yang merupakan model text-to-speech, karena tugasnya berbeda.

Dan yang krusial: tidak ada endpoint model Sesame. Tidak ada id, tidak ada rate card, tidak ada parameter reference-voice. Seorang developer tidak dapat memanggil Sesame Preview dari kode, sama seperti mereka tidak dapat memanggil panggilan telepon. Satu-satunya artefak Sesame yang dapat dimuat adalah CSM-1B, dan Sesame menegaskan bahwa CSM "hanya dapat memodelkan konten teks dan ucapan dalam sebuah percakapan — bukan struktur percakapan itu sendiri."

Asimetri yang menentukan hasilnya

Simba 3.5 dapat melakukan versi sempit dan parsial dari apa yang dilakukan Sesame. Anda dapat melakukan streaming dengannya, dan streaming ditambah model pengenalan ucapan yang baik adalah cara banyak sekali agen suara produksi dibangun saat ini. Yang tidak dapat dilakukannya adalah memutuskan kapan harus berhenti berbicara, mendengarkan saat ia berbicara, atau menerima interupsi — itu adalah sifat dari orkestrasi di sekitarnya, dan Anda yang akan membangunnya.

Sesame tidak dapat melakukan versi apa pun dari yang dilakukan Simba 3.5 bagi seorang pengembang. Anda tidak dapat memasukkan suaranya ke UI produk Anda dengan biaya per karakter, merender buku audio dengannya, atau melokalkan katalog dengannya. Anda dapat berbicara dengannya, dan pengguna Anda dapat berbicara dengannya, dan hanya itulah keseluruhan cakupannya.

Jadi keputusan itu bermuara pada pertanyaan tentang apa yang Anda luncurkan. Jika suara itu ada di dalam sesuatu yang Anda bangun, Simba 3.5 adalah kandidatnya dan Sesame tidak masuk daftar. Jika yang Anda inginkan adalah pengalaman yang sudah jadi — persona yang melakukan percakapan dan mengerjakan berbagai urusan — Anda membeli aplikasi Sesame dan pertanyaan tentang kualitas suara dijawab untuk Anda oleh perusahaan yang belum membukanya untuk pengukuran.

Untuk kasus lokalisasi, kesenjangannya total.

Simba 3.5 mendukung 48 bahasa. Sesame Preview hanya menangani bahasa Inggris, dan paketnya tidak mempersoalkan bahasa karena produknya berbahasa Inggris. Untuk beban kerja apa pun yang naskahnya bukan bahasa Inggris, perbandingan ini berakhir pada paragraf pertama lembar spesifikasi.

Namun, ada nuansa yang layak dipertahankan. 48 bahasa Speechify hadir dengan satu catatan yang dinyatakan vendor secara terang-terangan: sebuah suara mempertahankan aksen dari rekaman sumbernya, sehingga suara Amerika hasil kloning yang berbicara bahasa Jepang terdengar seperti orang Amerika yang berbicara bahasa Jepang. Panduan perusahaan sendiri adalah menghasilkan dengan suara pilihan staf yang merupakan penutur asli untuk setiap lokal, itulah sebabnya endpoint voices-nya kini mengekspos staff_pick_rank. Lintas bahasa didukung; lintas bahasa tanpa aksen bukanlah klaimnya.

Jawaban Sesame terhadap aksen berbeda jenisnya: sebuah persona memiliki suara, dan suara itu tidak ikut berpindah karena percakapan berlangsung dalam satu bahasa. Itu bukan keterbatasan bagi produk konsumen dan merupakan hambatan mutlak bagi sebuah katalog.

Di mana OrcaRouter cocok, dan di mana tidak

OrcaRouter tidak menyediakan kedua produk tersebut. Simba 3.5 diakses melalui API milik Speechify sendiri; Sesame Preview diakses melalui toko aplikasi. Tidak ada yang di sini boleh ditafsirkan sebagai klaim sebaliknya.

Rute what we do adalah katalog sintesis yang lebih kecil yang akan Anda gunakan sebagai kontrol saat menguji keputusan suara: openai/tts-1 sebesar $15.00 per juta karakter dan openai/tts-1-hd sebesar $30.00, keduanya pada harga daftar penyedia tanpa markup tambahan. Jika Anda membandingkan Simba 3.5 dengan apa pun — termasuk dengan suara OpenAI yang sudah Anda gunakan — merender skrip yang sama melalui keduanya dengan satu kunci adalah eksperimen yang lebih murah daripada siklus pengadaan, dan failover otomatis berarti insiden pada penyedia tidak akan ikut melumpuhkan antrean render Anda.

Untuk kasus percakapan, tidak ada jawaban router, dan tidak jujur untuk berpura-pura sebaliknya. Sesame Preview bukan endpoint. Jika Anda membutuhkan turn-taking dalam produk yang sedang Anda bangun, perbandingan yang sebenarnya Anda inginkan adalah Simba 3.5 ditambah orkestrasi Anda sendiri versus API speech-to-speech real-time dari vendor yang menjualnya — dan itu artikel yang berbeda.

Jadi yang mana?

Pilih Simba 3.5 jika Anda sedang membangun: Anda memerlukan endpoint, tagihan per karakter yang dapat diperkirakan, daftar bahasa yang dapat dihitung, suara hasil kloning yang tetap berfungsi di 48 lokal, dan skor suara terkontrol peringkat teratas yang diperoleh pada suara referensi yang tidak dipilih vendor. Ini juga sudah tiga minggu berjalan dalam jadwal harga yang telah berubah sekali, dengan migrasi model-id — simba-multilingual dan simba-english dilayani oleh Simba 3.5 — yang akan berlaku pada 21 November, jadi sematkan id model Anda secara sengaja alih-alih mengandalkan default.

Pilih Sesame Preview jika Anda menggunakan: Anda menginginkan agen percakapan dengan memori dan eksekusi tugas, Anda nyaman bahwa suaranya tidak diukur oleh dewan independen mana pun, dan sepuluh jam waktu berbicara per hari seharga $100 adalah harga yang dapat Anda kaitkan dengan nilai pekerjaan yang dilakukannya. Ini adalah produk jadi, bukan bahan mentah, dan produk jadi diberi harga yang sesuai.

Kesalahan yang ditimbulkan oleh perbandingan ini adalah menganggap keduanya sebagai pesaing karena keduanya terdengar seperti orang. Keduanya dijual dalam unit yang berbeda, dikonsumsi dengan cara yang berbeda, dan salah satunya sama sekali tidak dapat dipanggil dari kode. Itu bukan seri yang harus diputuskan — melainkan persimpangan jalan, dan sebagian besar tim sudah tahu di sisi mana mereka berdiri.