AssemblyAI-TTS-1 vs Sesame Preview: Uno dei due non ha un listino prezzi

Non puoi acquistare Sesame Preview. È un'app consumer gratuita — Maya, Miles, Simone e Charlie, quattro companion con memoria persistente su iOS e Android, un limite di 30 minuti per chiamata e un piano non annunciato per venderti occhiali nel 2027 — e dietro di essa non c'è alcun endpoint per sviluppatori, nessun ID modello e nessun listino prezzi. AssemblyAI-TTS-1, invece, è una voce di listino: 15 $ per milione di caratteri, in disponibilità generale dal 27 ottobre 2026, in streaming tramite HTTP e WebSocket in US-East o EU-North. Quindi il confronto come viene di solito presentato non è un confronto. È un prodotto contrapposto a una demo.

Il confronto diventa utile nel momento in cui sostituisci il Sesame che effettivamente ha dei pesi: Sesame CSM 1B, il checkpoint di parlato conversazionale Apache-2.0 su Hugging Face, un modello da circa un miliardo di parametri che accetta testo più contesto audio e genera parlato in inglese. Ora è una vera decisione — un checkpoint aperto da 1B a 7 dollari per milione di caratteri rispetto a un endpoint chiuso a 15 dollari — e la parte interessante è che quello più economico è quello attorno al quale devi costruire un agente.

Che cos’è esattamente Sesame Preview, così che il confronto non sfugga

Sesame Preview è un prodotto già commercializzato, con un modello reale al suo interno e nessun modo per noleggiare quel modello. Il modello di produzione dell'app non è il checkpoint rilasciato: Sesame pubblica CSM 1B, un modello di generazione di base che non è stato messo a punto per una voce specifica, mentre le personalità rifinite nell'app sono quelle di Sesame. L'app dichiara una latenza inferiore a 300 ms; una misurazione indipendente della personalità Maya colloca il primo byte intorno agli 80–130 ms. Nessuno dei due valori descrive CSM 1B nella forma in cui lo riceverai.

L'aggiornamento di ottobre 2026 dell'app — maggiore espressività e pronuncia migliorata, accesso dell'agente al computer, connettori per Gmail, Calendar e Drive, supporto MCP, un generatore di immagini — è un segnale di roadmap, non commerciale. Sesame ha dichiarato che gli strumenti per sviluppatori arriveranno "più avanti quest'anno" senza specificare di cosa si tratterà, a quale prezzo, né se sarà il modello di produzione o il checkpoint. Nessuna parte di questa decisione dovrebbe fondarsi su quella frase.

Le due bollette, convertite nella stessa unità

CSM 1B ha un prezzo di $7.00 per milione di caratteri sui gateway ospitati che lo servono, con fatturazione per carattere anziché per token. AssemblyAI-TTS-1 costa $15.00 per milione di caratteri, e tale tariffa include ogni voce della libreria di oltre 4.000 voci, tutte e sei le sue lingue di lancio, la clonazione istantanea, i timestamp a livello di parola, l'elaborazione negli Stati Uniti o nell'UE e la concorrenza illimitata.

A circa 900 caratteri al minuto di parlato normale, il confronto su base oraria è di circa $0.35 per CSM 1B contro circa $0.81 per AssemblyAI-TTS-1 — il checkpoint open costa poco più della metà per carattere — e il dato di CSM è quello che ti dice meno, perché dà il prezzo del modello e non del sistema.

L'elenco delle dimensioni è il punto in cui i due smettono del tutto di essere comparabili:

• Prezzo — 7 $ per milione di caratteri rispetto a 15 $, con tutte le voci e la clonazione inclusi sull'opzione più costosa.

• Lingue — CSM 1B è in inglese, e la scheda del modello è esplicita nel dire che qualsiasi capacità non inglese è incidentale; l'app elenca diverse lingue come "supporto preliminare", che è una promessa diversa. AssemblyAI-TTS-1 è stato lanciato con sei.

• Inventario vocale — CSM 1B offre sette voci e un modello di base da cui ci si aspetta che tu cloni; AssemblyAI-TTS-1 offre oltre 4.000 voci e clonazione istantanea da un campione di 24 secondi.

• Profondità di clonazione — nessuna delle due offre un clone professionale addestrato. Il percorso istantaneo di AssemblyAI richiede un passaggio di conferma dell'autorizzazione del parlante; CSM 1B trasferisce l'identità in zero-shot e, nel farlo, appiattisce la prosodia.

• Cosa devi fornire — CSM 1B richiede un codec, il rilevamento del turno, l'assemblaggio del contesto e il ciclo dell'agente, oltre a un budget di contesto di 4K token che gestisci tu stesso. AssemblyAI-TTS-1 richiede un client HTTP, un gestore di stream e un messaggio di annullamento.

• Evidenze sulla latenza — AssemblyAI-TTS-1 dispone di una dichiarazione del fornitore, due misurazioni indipendenti e una posizione in classifica. CSM 1B ha report di deployment che coprono due ordini di grandezza.

Latenza: 90 ms dichiarati, 159 ms misurati, 9,9 secondi osservati

La storia della latenza di AssemblyAI-TTS-1 è documentata e contestata in un modo che è facile enunciare onestamente. Il fornitore dichiara 90 ms fino al primo audio in produzione e 47 ms di tempo mediano al primo byte nel proprio laboratorio. Cekura, misurando in modo indipendente in un test modellato su un agente, ha ottenuto 159 ms di avvio mediano dello streaming, 296 ms al p90, e l'ha classificato ottavo tra i diciannove modelli cronometrati. Quel divario è questione di metodologia — richiesta-al-primo-byte rispetto a ultima-parola-inviata-al-primo-audio — non di disonestà, e la seconda misurazione è quella che sperimenta il tuo chiamante.

La questione della latenza di CSM 1B non è tanto contestata quanto priva di limiti. Le conversioni ottimizzate sul dispositivo riportano circa 120 ms al primo audio con un fattore in tempo reale compreso tra 0,5 e 0,9 su Apple Silicon; una RTX 5070 Ti non ottimizzata, secondo quanto riportato, funziona a circa metà del tempo reale; un listing ospitato pubblica un P50 di circa 9,9 secondi e un P95 di circa 39 secondi end-to-end. Tutti descrivono lo stesso checkpoint. Quello che si ottiene è funzione di quanta ingegneria del serving si mette in campo.

Questo è il nodo centrale dell'intero confronto, e non è un argomento di qualità. Un endpoint chiuso ha già fatto il lavoro di serving e lo ha incluso nel prezzo: $0,81 all'ora, nessuna GPU, nessun codec, nessuna progettazione della coda. Un checkpoint aperto da 1B ti dà un modello a $0,35 all'ora e ti restituisce la parte che era costosa da costruire. Se possiedi già quella competenza ingegneristica, il checkpoint è di gran lunga l'affare migliore. Se non la possiedi, i $0,46 all'ora che risparmi sono un errore di arrotondamento rispetto al primo mese del tempo di qualcuno.

Dove ognuno è effettivamente scarso

Le debolezze di AssemblyAI-TTS-1 risiedono tutte nella coda del testo reale. Artificial Analysis gli assegna l'81,7% complessivo sulla robustezza della pronuncia, al sedicesimo posto, con l'espansione delle abbreviazioni al 73,8%; il test di pronuncia contestuale di Cekura lo colloca al ventiduesimo posto su ventisette con il 70,8%, anche se lo classifica primo su numeri di telefono e codici con il 91,7%. Non esiste un dizionario di pronuncia né SSML per correggere nulla di tutto ciò, e le sue sei lingue sono un tetto invalicabile più che un punto di partenza. La precisione sulle entità riportata dal fornitore, pari al 93,7% sul suo stesso insieme di 580 elementi, dice il contrario, e solo il tuo corpus può stabilire quale misura descriva il tuo traffico.

I punti deboli di CSM 1B sono strutturali, non legati ai dati. È progettato per funzionare solo in inglese. È un modello base, quindi la voce che ottieni non è una voce messa a punto da nessuno. Taglia l'ultima parola in alcune generazioni, porta un watermark nel suo generatore di riferimento, e alcuni wrapper ospitati eliminano silenziosamente i parametri di contesto, lingua e lunghezza massima — il che significa che un gateway che ti propone CSM 1B potrebbe non eseguire il modello come documentato. Il suo contesto è di 4K token con un output massimo di circa 3.686, quindi le conversazioni lunghe devono essere assemblate da te.

Una cosa che nessuno dei due è, e questo conta per chiunque arrivi dall'app consumer: un partner conversazionale. AssemblyAI-TTS-1 converte il testo in parlato e non ha alcuna nozione di stato del dialogo. CSM 1B è il più consapevole del dialogo dei due — accetta il contesto audio come input — ma produce parlato un turno alla volta senza un proprio rilevamento dei turni. L'apparente fluidità dell'app è un prodotto, e nessuno dei due modelli la offre.

Tre domande che le persone fanno davvero

CSM 1B è lo stesso modello su cui gira l'app Sesame? No. L'app utilizza il modello di produzione di Sesame; il checkpoint è un modello di generazione di base rilasciato con licenza Apache 2.0, e il divario tra i due è esattamente il motivo per cui l'app suona come Maya mentre un nuovo deployment di CSM 1B no. Considera l'app una demo di ciò che Sesame può creare, non un'anteprima di ciò che otterrai.

Quale costa meno con centomila chiamate da tre minuti? Sulla carta, CSM 1B: 270 milioni di caratteri, circa $1.890 sul checkpoint contro circa $4.050 su AssemblyAI-TTS-1. In pratica, la cifra del checkpoint esclude le ore di GPU, l'ingegnere di servizio e il lavoro sulla latenza necessario per avvicinarsi a un flusso di livello agente. A quel volume, il confronto onesto è $4.050 contro "sconosciuto finché non lo hai costruito", e tra i due lo sconosciuto è quello che costa di più.

AssemblyAI-TTS-1 può clonare la mia voce? Sì, caricando una registrazione di circa 24 secondi e confermando di avere il permesso di chi parla; l'ID vocale viene restituito in pochi secondi e viene addebitato allo stesso costo per carattere della libreria. Non esiste una clonazione professionale addestrata, quindi il risultato è un'identità utilizzabile anziché un asset di brand governato — e al lancio non era disponibile alcuna clonazione con fine-tuning.

Di quale decisione si tratta in realtà

Se il nome che hai davanti è Sesame Preview, fermati: non c'è nulla da integrare e nessun prezzo da confrontare. Se è CSM 1B, allora non stai scegliendo un modello TTS, stai scegliendo se possedere il livello di serving — e le tre condizioni che rendono difendibile il "sì" sono che ti serve solo l'inglese, che disponi di capacità GPU con un ingegnere all'altezza, e che vuoi il modello dentro il tuo perimetro. Tutto il resto depone a favore dell'endpoint.

L'argomento sui costi che di solito decide la questione non è affatto la tariffa per carattere. È la consolidazione: un agente vocale tende ad accumulare un fornitore TTS, un fornitore di speech-to-text e un fornitore di modelli linguistici, ciascuno con il proprio contratto e il proprio ciclo di variazione dei prezzi. OrcaRouter esiste per appiattire quest'ultimo strato — una sola API per oltre 200 modelli al prezzo di listino del fornitore con 0% di ricarico, così il taglio di prezzo di un fornitore arriva sulla tua fattura lo stesso giorno anziché al rinnovo successivo, con failover automatico, un DSL di routing per comporre modelli in un'unica chiamata e la fusione di modelli quando una singola risposta non basta. AssemblyAI-TTS-1 e CSM 1B sono entrambi fuori da quel catalogo oggi — le nostre rotte vocali sono la famiglia tts-1 di OpenAI e le anteprime Gemini TTS di Google — quindi il discorso riguarda la bolletta che stai già pagando, non un acquisto che puoi fare qui.

L'app di Sesame è la migliore dimostrazione gratuita in questa categoria e probabilmente prima o poi diventerà un prodotto per sviluppatori. AssemblyAI-TTS-1 è un listino prezzi che puoi sottoscrivere questa settimana. Tra questi due fatti, l'unico piano difendibile è costruire su quello che esiste, e lasciare uno slot nella tua architettura per l'altro, se Sesame mai rilascerà il modello invece della brochure.