Rime Prism vs Sesame Preview: un listino prezzi contro una reputazione

Puoi ascoltare Sesame Preview stasera gratis. Non puoi comprarlo. Puoi acquistare Rime Prism a 0,080 $ al minuto, e quasi nessuno al di fuori di Rime ha pubblicato un clip che gli fosse consentito misurare. Entrambe le metà di quella frase sono il confronto: una di queste è la voce più apprezzata nell'IA di consumo che nessuno sviluppatore può chiamare, e l'altra è un endpoint enterprise nuovissimo che una startup può inserire in un albero telefonico questa settimana. Rime Prism è stato lanciato il 28 ottobre 2026 come primo modello speech-to-speech di Rime. Sesame Preview è attivo come anteprima di ricerca gratuita dall'inizio del 2025, con la voce di produzione che ne sta dietro ancora non rilasciata.

Vengono confrontati perché entrambi avanzano una pretesa di realismo conversazionale, e perché entrambi al lancio sono disponibili solo in inglese. Non sono alternative. Uno è un'applicazione con cui si conversa, l'altro è un endpoint su cui si costruisce, e la decisione tra i due è meno una scelta di voce che una scelta tra l'acquisto di un prodotto e quello di un componente.

La divisione che decide quasi tutto

Un team che vuole distribuire un agente pone due domande in quest’ordine: posso chiamarlo, e quanto costa per chiamata. Sesame Preview non soddisfa la prima. Non esiste un’API pubblica per il modello dietro l’app, nessun ID modello, nessun endpoint e nessun prezzo pubblicato. Il Sesame con cui puoi parlare è un prodotto consumer con quattro assistenti denominati, memoria persistente e un insieme crescente di strumenti; il modello sottostante non è qualcosa a cui uno sviluppatore può rivolgersi.

L'unica cosa di Sesame che chiunque possa chiamare è CSM-1B, il checkpoint open-weight che l'azienda ha rilasciato nel 2025 sotto Apache 2.0: circa 1 miliardo di parametri, una finestra di contesto di 4K, audio mono a 24 kHz. Non è la voce presente nell'app, e non è un agente — si basa sulla cronologia della conversazione, ma non è in grado di ragionarci sopra come fa un modello linguistico. È un componente vocale, e per giunta uno solo.

• Disponibilità — Rime Prism è un'API a pagamento con un piano gratuito; Sesame Preview è un'app consumer gratuita senza API per la sua voce di produzione.

• Prezzo — Prism $0.080 per minuto di audio in chiamata su Flex, $0.064 su Scale; Sesame non pubblica alcun prezzo e non addebita nulla per l'app.

• Rischio di fatturazione — Prism fattura che la chiamata vada bene o no; il costo di Sesame è quello che costa l'app, cioè zero, e non è un modello di business su cui puoi pianificare.

• Criterio di latenza — Prism 0,57 s di tempo al primo audio, misurato dal fornitore su τ-Voice; l'app di Sesame dichiara meno di 300 ms, e una misurazione di terze parti della persona Maya ha rilevato un tempo al primo byte tra 80 e 130 ms.

• Punteggio indipendente — nessuno dei due modelli compare nell'Indice Speech-to-Speech di Artificial Analysis.

• Lingue — entrambe disponibili solo in inglese al lancio; Sesame indica francese, italiano, tedesco, spagnolo, cinese, giapponese e coreano tra le lingue supportate inizialmente.

• Distribuzione — Prism offre cloud, VPC e on-premises con un BAA HIPAA e SOC 2 Type II; Sesame offre un'app.

Rime Prism, come endpoint

Prism viene venduto allo stesso modo del software enterprise: un livello gratuito con $50 di credito mensile e senza carta di credito, Flex a $0,080/min senza impegno, Scale a $100 al mese con $100 di credito e $0,064/min, e Enterprise con tariffe in base al volume e impegno annuale. Tutti i livelli adottano lo stesso modello. Prism esegue lo streaming tramite WebSockets e si integra con LiveKit e Pipecat, il che è importante perché è proprio in questi due ecosistemi che si trovano già la maggior parte degli agenti vocali sviluppati internamente.

Le funzionalità che giustificano la tariffa sono quelle che un'app rivolta ai consumatori non ha motivo di sviluppare. Prism scrive la propria risposta sotto forma di testo prima di parlare, così un'applicazione può leggere la frase esatta, eseguire un controllo di policy o un filtro PII su di essa e lasciar proseguire l'audio solo se supera il controllo — mentre il modello continua ad ascoltare, quindi il controllo non deve diventare una pausa udibile. Le chiamate agli strumenti vengono eseguite in parallelo al parlato. Il fine-tuning sulle chiamate e sulle tracce degli strumenti del cliente è il caso di business principale, con le API SFT e RL self-serve ancora in beta.

I numeri forniti dall'azienda stessa indicano un tempo al primo audio di 0,57 secondi e un completamento τ-Voice del 56,6%, con l'82,5% sul sottoinsieme telecom del benchmark. Uno studio di caso Revmo su circa dieci ore di chiamate di ordine reali viene citato con il 100% di conferme d'ordine rispetto al 68% di un modello OpenAI non nominato. Si tratta di uno studio commissionato su un cliente, senza una metodologia pubblicata, e va letto come un'affermazione del fornitore più che come un risultato.

Sesame Preview, come prodotto

La proposta di Sesame è che un assistente vocale dovrebbe sembrare una persona che conosci. Le quattro personalità — Maya, la collaboratrice arguta; Miles, quello rilassato; Simone, per gli approfondimenti; Charlie, come spalla informale — ognuna porta con sé la propria memoria e il proprio modo di parlare. L'app cerca sul web, svolge ricerche lunghe, mantiene note e promemoria, riassume le chiamate e supporta una modalità in incognito. Il 6 ottobre 2026 Sesame ha rilasciato un CSM aggiornato con migliore espressività e pronuncia, ha dato ai suoi agenti accesso al proprio computer e ha aggiunto connettori per Gmail, Calendar e Drive, server MCP esterni tramite OAuth, abilità create dagli utenti e un generatore di immagini integrato nell'app.

Quello che non ha è un modo per accedervi. L’app è gratuita, non mostra annunci pubblicitari e non vende dati, il che è una cosa piacevole per chi la usa e una questione irrisolta per chi la compra. Come Sesame intenda guadagnare, e se gli sviluppatori otterranno mai un endpoint, non è ancora stato annunciato. Gli occhiali sono previsti per il 2027 e per il Giappone; gli strumenti per sviluppatori sono stati promessi per «più avanti quest’anno» senza dettagli.

La reputazione, però, è reale. Le voci di Sesame sono quelle di cui le persone si scambiano i clip, e il consenso dei recensori è stato insolitamente caloroso per due anni consecutivi. Il problema è che una reputazione non è una specifica: non è stata pubblicata alcuna cifra di latenza per il modello di produzione, non esiste un punteggio di ascolto in cieco per esso, e l'unico elemento eseguibile in modo indipendente è il checkpoint 1B, che è un'altra cosa.

L'unica capacità che Sesame ha escluso

Se il motivo per cui vuoi la voce di Sesame è che suona come una persona, ciò che devi effettivamente replicare è un ciclo conversazionale, non un timbro. E un ciclo conversazionale per un'azienda ha requisiti che un'app consumer non deve mai soddisfare: una traccia di audit di ciò che l'agente stava per dire, un modo per impedirgli di dirlo, una chiamata a uno strumento che si risolve prima che il chiamante se ne accorga, e un deployment che supera una revisione di conformità.

Prism è costruito attorno a quei requisiti, ed è per questo che costa denaro. Sesame è costruito attorno all'opposto: un'esperienza chiusa, curata e gratuita in cui l'azienda controlla ogni variabile. Entrambi sono prodotti difendibili. Solo uno dei due è un componente che puoi collegare a una linea di gestione sinistri.

Entrambi sono solo in inglese — per motivi opposti

Prism è stato lanciato solo in inglese con un set limitato di voci perché è una prima release e la copertura delle voci è costosa da distribuire. Sesame è inglese-first perché il suo prodotto è un insieme di personalità che parlano inglese; francese, italiano, tedesco, spagnolo, cinese, giapponese e coreano sono etichettati come supporto iniziale, il che è una promessa diversa da "supportato".

Per un contact centre multilingue questa è la sezione che chiude l'articolo. Oggi nessuno dei due modelli copre una coda con lingue miste, e il confronto che conta davvero per quell'acquirente è con un layer TTS con un'ampia copertura linguistica più un modello testuale instradato, non con nessuno dei due.

Il problema della misura

Nessuno dei due modelli è presente nel Speech-to-Speech Index di Artificial Analysis, l’unica classifica indipendente che valuta i modelli vocali conversazionali in base al completamento delle attività, alla preferenza in arena e al successo delle attività. Tale assenza non è una critica a nessuno dei due prodotti; è il motivo per cui questa pagina deve basarsi sulle dichiarazioni dei fornitori per entrambi.

Il dato τ-Voice del 56,6% di Prism è una misurazione eseguita da Rime stessa. Leggendo la tabella che Rime pubblica accanto a quel dato, GPT-Live-1 (Sol, low) compare al 59,3% — più alto di Prism — mentre il testo sostiene che Prism è davanti a ogni modello realtime di OpenAI e Google. I post di lancio ripetono anche «meno di 300 ms» e «4× più veloce», cifre che non compaiono nella tabella di benchmark, la quale indica 0,57 s. Potrebbero essere misurazioni di cose diverse; Rime non specifica di quali.

La posizione di Sesame è ancora più difficile, perché non esiste un modello di produzione da misurare. Ha però il merito di aver costruito lo strumento che servirebbe a misurarne uno: TurnBench, rilasciato il 28 agosto 2026, è un benchmark open source per l’alternanza dei turni nel dialogo parlato, realizzato con Carnegie Mellon, Mundo AI e Oto, con una classifica pubblica e una valutazione self-service. È il benchmark di Sesame stesso, non un benchmark neutrale, ma è un contributo autentico, e il numero su cui è costruito è la cifra più utile in tutta questa comparazione: lo scarto tipico tra i turni umani è di circa 200 millisecondi, mentre pianificare una singola parola richiede circa 600. Ecco perché è l’alternanza dei turni, non la qualità della voce, a smascherare una macchina.

L'unica prova indipendente allegata al catalogo di Rime è la sua linea TTS, e sul Text-to-Speech Arena Coda si classifica 65ª su 99 con Elo 1.054 e Mist V2 92ª con 903. Ciò non dice nulla di definitivo su Prism, le cui voci sono nuove — ma significa che «Rime non ha mai avuto una voce ai vertici di una classifica indipendente» è un'affermazione vera che un acquirente dovrebbe sentire prima di firmare un contratto Scale.

Quanto costa una linea telefonica in ciascuna direzione

Prism è facile da prezzare. Diecimila minuti di chiamate in entrata costano 800 $ su Flex o 640 $ su Scale, prima di qualsiasi sconto Enterprise. Una chiamata di cinque minuti costa 0,40 $. Se l'agente deve anche riassumere la chiamata in seguito, si tratta di un costo aggiuntivo del modello di testo, ed è esiguo rispetto alla bolletta vocale.

Sesame non ha un prezzo definibile, perché non esiste una tariffa da applicare. L'app non costa nulla e non può essere incorporata; il checkpoint aperto costa 7 dollari per milione di caratteri dal suo unico fornitore che lo ospita, e ospitarlo autonomamente significa gestire in proprio lo stack di inferenza, il codec, il rilevamento dei turni e la logica dell'agente. Chiunque quoti un costo al minuto per "Sesame" sta quotando l'assenza di una fattura dell'app, non un servizio.

Questa è l’asimmetria pratica: Prism è costoso e leggibile, Sesame è gratuito e indisponibile. Un incontro sul budget può discutere con 0,080 $ al minuto. Non può fare nulla con «nessun endpoint».

Tre acquirenti, tre risposte diverse

Un'azienda che gestisce chiamate di supporto in entrata dovrebbe prendere in considerazione Prism. Il checkpoint testuale, il BAA HIPAA, l'opzione on-premises e la tariffa al minuto sono tutti orientati proprio a quel compito, e il rischio legato alle dichiarazioni del fornitore è gestibile perché le condizioni commerciali sono ordinarie. Pilotalo su un flusso di chiamata, misura tu stesso il tasso di contenimento e considera il caso di studio di Rime sul 100% contro il 68% come un'ipotesi da verificare anziché una previsione.

Un developer che vuole il suono di Sesame dentro un prodotto non dovrebbe aspettare un'API che non è stata annunciata. Il percorso realistico è un checkpoint TTS open più la tua orchestrazione — e l'orchestrazione è la parte che puoi noleggiare a poco prezzo. OrcaRouter mette oltre 200 modelli di testo dietro un'unica chiave al prezzo di listino del provider con 0% di ricarico, aggiunge failover automatico così un agente vocale non muore quando un provider ha un minuto di difficoltà, ed espone un DSL di routing così i turni di routine possono andare a un modello piccolo e le escalation a uno grande. Il livello vocale e il livello di ragionamento non devono per forza venire dalla stessa azienda, e per la maggior parte dei builder non dovrebbero.

Un consumatore, o chiunque stia costruendo un assistente personale per sé, dovrebbe semplicemente usare Sesame. È gratuito, funziona bene, e l'assenza di un'API è irrilevante per chi non scrive codice.

Cosa cambierebbe la risposta

{{1}}Tre eventi.{{/1}} {{2}}La pubblicazione da parte di Sesame di un'API e di un tariffario trasformerebbe tutto questo in un confronto reale da un giorno all'altro, e solleverebbe immediatamente la questione se la sua qualità vocale sopravviva alla vendita come componente.{{/2}} {{3}}La presenza di Prism nello Speech-to-Speech Index le darebbe il primo dato indipendente che abbia mai avuto, e chiarirebbe se la frase «avanti rispetto a OpenAI e Google» sopravvive al confronto con una classifica neutrale.{{/3}} {{4}}E l'uscita dalla beta delle API di fine-tuning di Prism distinguerebbe le imprese che possono già acquistarla da tutte le altre.{{/4}}

Finché una di queste cose non accade, il confronto è tra un prodotto che puoi provare e un prodotto che puoi distribuire, e l'unica risposta sbagliata è trattarli come due versioni dello stesso acquisto. Sesame è la voce che ha fatto tornare le persone a interessarsi all'AI conversazionale. Prism è il primo serio tentativo di vendere quella sensazione al minuto con un audit log allegato. Nessuno dei due è il sostituto dell'altro.