Simba 3.5 vs Sesame Preview: uno viene venduto per carattere, l'altro per postazione

Ecco un confronto che sembra mele e pere finché non ne calcoli il prezzo, momento in cui diventa aritmetica. SpeechifyAI Simba 3.5 è un modello text-to-speech che acquisti al milione di caratteri e richiami dal tuo codice. Sesame Preview è un agente vocale per consumatori che acquisti al mese, per persona, in un'app. Entrambi sono acquistabili — Sesame ha pubblicato una lista di livelli Free, Plus e Pro e ha smesso di essere una demo gratuita — ed entrambi producono una voce umana sintetica. Uno è un componente e l'altro è un prodotto, e l'unico modo onesto di scegliere tra i due è capire quale di queste due cose richiede effettivamente il tuo problema.

Sesame, l'azienda, pubblica sì un modello: CSM-1B, pesi aperti su Hugging Face con licenza Apache 2.0. Non è la voce che si sente nell'app. L'app esegue un sistema di produzione senza API, senza ID modello e senza punteggio indipendente in arena, e la release di ricerca non è cambiata dal 2025. Quel divario è il fatto più importante in questo articolo ed è il motivo per cui i due prodotti non sono sostituti.

Quanto costa ciascuno, convertito nella stessa unità

La discrepanza tra le unità di misura è il punto in cui si fermano la maggior parte delle analisi, quindi parti da lì. Simba 3.5 fattura per carattere del testo immesso. Sesame fattura per utente al mese con una franchigia di tempo di conversazione. Nessuna delle due tariffe si converte in modo pulito nell'altra, ma entrambe si convertono in «quanto costa alla mia organizzazione al mese», e quel confronto non è neanche lontanamente vicino.

• Simba 3.5, listino dal 22 novembre — $15,00 per milione di caratteri su Starter, $12,00 su Pro, $10,00 su Scale

• Simba 3.5, fino al 21 novembre — 10,00 $, 8,00 $ e 6,00 $ per milione di caratteri, le tariffe dei modelli precedenti

• Sesame Free — $0, 30 minuti di conversazione al giorno

• Sesame Plus — $20 al mese, due ore di conversazione al giorno, quattro volte la quota settimanale di credito di Free

• Sesame Pro — 100 $ al mese, dieci ore di conversazione al giorno, venti volte i crediti settimanali di Free

• Componenti aggiuntivi Sesame — 5 $ per un'ora extra di conversazione, 20 $ per cinque; crediti a 5 $ per mille e 20 $ per cinquemila, pacchetti che non scadono

Dieci milioni di caratteri di Simba 3.5 sul piano Scale costano 100 dollari e generano circa duecento ore di parlato finito. Sesame Pro costa 100 dollari al mese e offre dieci ore di conversazione al giorno per una persona. Sono prodotti diversi con la stessa riga in fattura, ed è davvero difficile dire che uno sia più conveniente, perché uno genera un asset e l'altro sostiene una conversazione.

Il dato di Sesame da segnalare è la tariffa di eccedenza più che l'abbonamento. Il tempo di conversazione aggiuntivo a 5 $ all'ora è circa 0,083 $ al minuto, il che è caro per una conversazione ed economico per un prodotto che hai deciso di mettere davanti ai clienti. I pacchetti non scadono e vengono consumati dopo la franchigia del piano, quindi l'ora marginale è il numero da modellare, non la fascia principale.

Che cos'è esattamente Simba 3.5

Simba 3.5 è stato lanciato il 21 ottobre 2026 come modello consigliato da Speechify, sostituendo Simba 3.2 come scelta di riferimento per l'inglese ed estendendo la copertura da sei lingue a 48 con un unico id di modello. Ogni voce del catalogo parla tutte e 48 le lingue, compresa una voce clonata su un piano a pagamento, con lo stesso id di voce. L'estone e il cantonese sono esplicitamente esclusi. Gli id delle voci, i formati di output, i segnali vocali e il sottoinsieme SSML applicato sono ereditati da 3.2, quindi la migrazione consiste in una modifica di una riga al campo model, senza alcun incremento della versione API.

Su Artificial Analysis è primo in Controlled Voice con 1.192 e quinto in Provider Voice con 1.294, rispettivamente da 1.783 e 1.732 campioni. La classifica controllata è quella significativa per questo confronto: clona le stesse otto voci di riferimento per ogni partecipante, quindi un modello che ottiene un buon punteggio lì gestisce una voce che non ha mai sentito. È esattamente ciò che richiede un flusso di lavoro con voci clonate.

I numeri di Speechify, non riprodotti da nessuno al di fuori dell'azienda: una preferenza alla cieca del 63% rispetto a Simba 3.2, con un intervallo dichiarato al 95% dal 60% al 67%, 72 millisecondi al primo audio al 95° percentile delle richieste in streaming, e un throughput pari a 1,8 volte quello di Simba 3.2 per istanza di servizio. Questi dati si affiancano alle cifre dell'arena come dichiarazioni del fornitore anziché come misurazioni indipendenti, e vanno letti in questo modo.

Che cos'è Sesame Preview, esattamente

Sesame Preview è un'app agente voice-first, in anteprima pubblica da maggio 2026, con personaggi dotati di nome, una memoria che persiste tra una sessione e l'altra e la capacità di svolgere attività — ricerche, note, promemoria — con un riepilogo al termine della chiamata. È disponibile su iOS e Android, vende i tre livelli sopra indicati tramite gli app store anziché sul web e mantiene attiva una Research Preview gratuita via browser per gli utenti al di fuori dei Paesi in cui l'app è disponibile, con lo stesso limite massimo giornaliero di 30 minuti del piano Free.

La sua ingegneria è incentrata sulla gestione dei turni piuttosto che sul rendering, e l'azienda ha pubblicato lavori concreti al riguardo. TurnBench, rilasciato il 28 agosto 2026 con un paper su arXiv, misura la temporizzazione della conversazione su trenta ore di registrazioni in studio a doppio canale — 154 dialoghi, 106 doppiatori in 53 coppie, registrati in cabine insonorizzate separate — valutando il rilevamento della fine del turno e il barge-in rispetto a due tipi di quasi-errori. La classifica attuale conta 25 sistemi classificati. Nessuno di essi è un modello text-to-speech, perché il compito è diverso.

E, cosa cruciale, non esiste alcun endpoint del modello Sesame. Nessun id, nessun tariffario, nessun parametro per la voce di riferimento. Uno sviluppatore non può chiamare Sesame Preview dal codice più di quanto possa effettuare una telefonata. L'unico artefatto Sesame caricabile è CSM-1B, e Sesame afferma esplicitamente che CSM "può modellare solo il contenuto testuale e vocale di una conversazione — non la struttura della conversazione stessa".

L'asimmetria che decide l'esito

Simba 3.5 può fare una versione limitata e parziale di ciò che fa Sesame. Puoi trasmetterlo in streaming, e lo streaming insieme a un buon modello di riconoscimento vocale è il modo in cui oggi vengono costruiti moltissimi agenti vocali di produzione. Ciò che non può fare è decidere quando smettere di parlare, ascoltare mentre parla o gestire un'interruzione: sono proprietà dell'orchestrazione che lo circonda, e dovresti costruirle tu.

Sesame non può fare nessuna versione di ciò che Simba 3.5 fa per uno sviluppatore. Non puoi inserire la sua voce nell'interfaccia del tuo prodotto a un costo per carattere, realizzare un audiolibro con essa o localizzare un catalogo con essa. Puoi parlarci, e i tuoi utenti possono parlarci, e questa è tutta la superficie.

Quindi la decisione si riduce a una domanda su ciò che stai rilasciando. Se la voce è dentro qualcosa che costruisci, Simba 3.5 è il candidato e Sesame non è nell'elenco. Se ciò che vuoi è l'esperienza finita — una persona che sostiene una conversazione e sbriga commissioni — stai acquistando l'app di Sesame e la questione della qualità della voce viene risolta per te da un'azienda che non l'ha resa misurabile.

Per il caso di localizzazione, il divario è totale.

Simba 3.5 parla 48 lingue. Sesame Preview gestisce l'inglese, e i suoi piani sono indifferenti alla lingua perché il prodotto è in inglese. Per qualsiasi carico di lavoro in cui il testo non sia in inglese, questo confronto si conclude già al primo paragrafo delle schede tecniche.

C’è però una sfumatura che vale la pena tenere presente. Le 48 lingue di Speechify comportano un avvertimento che il fornitore dichiara apertamente: una voce mantiene l’accento della sua registrazione di origine, quindi una voce americana clonata che parla giapponese suona come un americano che parla giapponese. L’indicazione fornita dall’azienda stessa è di generare con una voce staff-pick nativa di ciascun locale, ed è per questo che il suo endpoint voices ora espone un staff_pick_rank. Il cross-lingual è supportato; il cross-lingual senza accento non è ciò che viene dichiarato.

La risposta di Sesame all'accento è di natura diversa: una persona ha una voce, e la voce non viaggia perché la conversazione avviene in una sola lingua. Non è un limite per un prodotto di consumo ed è un blocco insormontabile per un catalogo.

Dove OrcaRouter è adatto, e dove non lo è

OrcaRouter non distribuisce nessuno dei due prodotti. A Simba 3.5 si accede tramite l'API di Speechify; a Sesame Preview si accede tramite un app store. Nulla di quanto qui riportato va interpretato come un'affermazione contraria.

La route che mettiamo a disposizione è il catalogo di sintesi più ridotto che useresti come controllo quando testi una decisione sulla voce: openai/tts-1 a 15,00 $ per milione di caratteri e openai/tts-1-hd a 30,00 $, entrambi al prezzo di listino del provider senza ricarichi aggiunti. Se stai valutando Simba 3.5 rispetto a qualsiasi cosa — anche rispetto alla voce OpenAI che già usi — renderizzare lo stesso script con entrambi su una sola chiave è un esperimento più economico di un ciclo di approvvigionamento, e il failover automatico significa che un incidente del provider non trascina con sé la tua coda di rendering.

Per il caso conversazionale non esiste una risposta del router, e sarebbe disonesto far finta del contrario. Sesame Preview non è un endpoint. Se ti serve l'alternanza dei turni in un prodotto che stai sviluppando, il confronto che ti serve davvero è Simba 3.5 più la tua orchestrazione contro un'API speech-to-speech in tempo reale di un fornitore che ne vende una — e questo è un altro articolo.

Quale, allora?

{{1}}Scegli Simba 3.5 se stai costruendo{{/1}}: hai bisogno di un endpoint, una fattura per carattere che puoi prevedere, un elenco di lingue conteggiabile, voci clonate che restano valide in 48 localizzazioni e un punteggio di voce controllata ai vertici della classifica ottenuto su voci di riferimento che il fornitore non ha scelto. Siamo inoltre a tre settimane dall'entrata in vigore di un listino prezzi che è cambiato una volta, con una migrazione dell'ID del modello — simba-multilingual e simba-english serviti da Simba 3.5 — prevista per il 21 novembre, quindi fissa intenzionalmente l'ID del tuo modello invece di affidarti a quello predefinito.

Scegli Sesame Preview se: vuoi un agente conversazionale con memoria ed esecuzione di attività, sei a tuo agio con il fatto che la sua voce non sia misurata da alcun comitato indipendente, e dieci ore di conversazione al giorno a 100 $ sono un prezzo che puoi associare al valore del lavoro che svolge. È un prodotto finito anziché una materia prima, e i prodotti finiti hanno un prezzo adeguato.

L'errore in cui questo confronto induce a cadere è trattarli come concorrenti perché entrambi suonano come persone. Sono venduti in unità diverse, consumati in modi diversi, e uno dei due non può essere chiamato dal codice in alcun modo. Non è un pareggio da sciogliere — è un bivio, e la maggior parte dei team sa già da che parte si trova.