AssemblyAI-TTS-1 対 Sesame Preview：このうち片方には料金表がない

購入できませんSesame Preview。これは無料のコンシューマー向けアプリです——Maya、Miles、Simone、Charlieという、iOSとAndroid向けの永続メモリ型コンパニオン4人、通話は30分まで、そして2027年にあなたに眼鏡を販売するという未発表の計画——であり、その背後には開発者向けエンドポイントもモデルIDも価格表もありません。AssemblyAI-TTS-1は対照的に、明細項目の一つです。100万文字あたり15ドル、2026年10月27日から一般提供されており、US-EastまたはEU-NorthでHTTPおよびWebSocketによるストリーミングに対応しています。したがって、通常言われるようなこの対決は対決ではありません。それは製品対デモです。

比較が有用になるのは、実際に重みが公開されている Sesame に置き換えた瞬間です：Sesame CSM 1B、Hugging Face 上の Apache-2.0 の会話音声チェックポイントで、およそ10億パラメータのモデルであり、テキストと音声のコンテキストを受け取って英語音声を出力します。ここで初めて本当の判断になります——100万文字あたり7ドルの1Bオープンチェックポイント対15ドルのクローズドエンドポイント——そして興味深いのは、安いほうこそエージェントをその周りに構築しなければならないということです。

Sesame Previewとは正確に何なのか、比較がずれないように。

Sesame Previewは、内部に実モデルを搭載して出荷されている製品であり、そのモデルをレンタルする手段は存在しません。アプリの本番モデルは公開されているチェックポイントとは異なります。Sesameは、特定の声にファインチューニングされていないベース生成モデルであるCSM 1Bを公開していますが、アプリ内の洗練されたペルソナはSesame独自のものです。アプリは300 ms未満のレイテンシを謳っていますが、Mayaペルソナに対する第三者による測定では、ファーストバイトは約80～130 msです。どちらの数値も、あなたが受け取るCSM 1Bを表すものではありません。

アプリの2026年10月のアップデート——表現力と発音の改善、エージェントによるコンピューターへのアクセス、Gmail、Calendar、Driveのコネクタ、MCPサポート、画像生成機能——は、ロードマップ上のシグナルであり、商業的なシグナルではない。Sesameは、開発者向けツールが「今年後半」に登場すると述べているが、それが何か、いくらになるのか、本番モデルなのかチェックポイントなのかは明言していない。この判断において、その一文に基づいて何かを作り上げるべきではない。

同じ単位に換算した2つの請求書

CSM 1Bは、それを提供するホステッドゲートウェイ上で100万文字あたり7.00ドルと表示されており、トークン単位ではなく文字単位で課金されます。AssemblyAI-TTS-1は100万文字あたり15.00ドルで、その料金には4,000以上のライブラリにあるすべての音声、提供開始時の6言語すべて、インスタントクローニング、単語タイムスタンプ、米国またはEUでの処理、無制限の同時実行が含まれます。

通常の会話で毎分およそ900文字の場合、1時間あたりの比較では、CSM 1Bが約0.35ドル、AssemblyAI-TTS-1が約0.81ドルです。オープンチェックポイントは文字あたりでは2倍を少し上回るほど安く、そしてCSMの数字は最も情報量が少ない数字です。なぜならそれはモデルの価格を示すのであって、システムの価格を示すものではないからです。

次元のリストは、両者がまったく比較できなくなる箇所です：

• 価格 — 100万文字あたり7ドル（対して15ドル）。上位プランにはすべてのボイスとクローニングが含まれます。

• 言語 — CSM 1B は英語であり、モデルカードは非英語の能力は副次的なものにすぎないと率直に述べている。アプリは複数の言語を「早期サポート」として挙げているが、それは別の約束だ。AssemblyAI-TTS-1 は6言語で登場した。

• 音声ラインナップ — CSM 1B には7種類の音声と、クローン元として想定されるベースモデルが付属します。AssemblyAI-TTS-1 には4,000種類以上の音声に加え、24秒のサンプルから即座にクローンできる機能が付属します。

• クローニングの深度 — どちらも学習済みのプロフェッショナルクローンを提供していない。AssemblyAIのインスタントパスには話者の許可を確認するステップが必要であり、CSM 1Bはゼロショットでアイデンティティを転送し、その過程で韻律を平坦化してしまう。

• あなたが用意する必要があるもの — CSM 1B にはコーデック、ターン検出、コンテキストの組み立て、エージェントループ、さらに自身で管理する 4K トークンのコンテキスト予算が必要です。AssemblyAI-TTS-1 には HTTP クライアント、ストリームハンドラ、キャンセルメッセージが必要です。

• レイテンシの証拠 — AssemblyAI-TTS-1 にはベンダーの主張、2件の独立した測定、およびボード順位がある。CSM 1B には2桁の範囲にわたるデプロイ報告がある。

レイテンシ: 公称 90 ms、実測 159 ms、観測 9.9 秒

AssemblyAI-TTS-1 のレイテンシに関する説明は文書化され、議論の余地があるものの、正直に述べるのは容易だ。ベンダーは、本番環境で最初の音声まで 90 ms、自社ラボで最初のバイトまでの中央値 47 ms を主張している。Cekura は、エージェント型のテストで独自に測定し、ストリーミング開始の中央値 159 ms、p90 で 296 ms を記録し、計測した 19 モデル中 8 位に位置付けた。この差は、リクエストから最初のバイトまでと、最後の単語を送ってから最初の音声までの測定手法の違いであり、不誠実さではない。そして、あなたの通話相手が実際に経験するのは後者の測定値だ。

CSM 1Bのレイテンシに関する話は、議論の的というよりむしろ上限がない。最適化されたオンデバイス変換では、Apple Silicon上で最初の音声までの時間が約120 ms、リアルタイム係数が0.5～0.9と報告されている。最適化されていないRTX 5070 Tiは、報告によればおよそ実時間の半分で動作する。あるホスト型のリスティングでは、エンドツーエンドでP50が約9.9秒、P95が約39秒と公開されている。これらはすべて同じチェックポイントを説明している。どれを得られるかは、どれだけのサービングエンジニアリングを持ち込むかによって決まる。

それが比較全体の核心であり、品質の議論ではありません。クローズドなエンドポイントはすでにサービング作業を済ませ、それを価格に織り込んでいます。時間あたり0.81ドル、GPUなし、コーデックなし、キュー設計なしです。オープンな1Bチェックポイントは、時間あたり0.35ドルでモデルを提供し、構築に費用がかかった部分をこちらに返してくれます。そのエンジニアリングをすでに自社で持っているなら、チェックポイントの方がはるかに有利な取引です。持っていなければ、時間あたり0.46ドルの節約は、誰かの最初の1か月分の時間に比べれば誤差にすぎません。

それぞれが実際にどこで悪いのか

AssemblyAI-TTS-1の弱点はすべて実テキストの末尾部分にあります。Artificial Analysisは総合的な発音堅牢性で81.7%、16位と評価しており、短縮表記の展開では73.8%です。Cekuraの文脈依存発音テストでは、27件中22位で70.8%ですが、電話番号とコードでは91.7%で1位に位置付けています。それを修正する発音辞書もSSMLもなく、対応する6言語は出発点ではなく厳格な上限です。ベンダー報告による独自の580項目セットでのエンティティ精度93.7%は正反対を示しており、どちらの測定値があなたのトラフィックを表しているかを決着できるのは、あなたのコーパスだけです。

CSM 1Bの弱点はデータ由来ではなく、構造的なものです。設計上English-onlyです。ベースモデルであるため、得られる声は誰かがチューニングした声ではありません。一部の生成では最後の単語が途切れ、参照ジェネレーターにはウォーターマークが入っており、ホスト型ラッパーの中にはcontext、language、max-lengthパラメータを黙って落とすものもあります。つまり、ゲートウェイがCSM 1Bをうたっていても、ドキュメントどおりにモデルを実行しているとは限りません。コンテキストは4Kトークン、最大出力は約3,686トークンなので、長い会話は自分で組み立てる必要があります。

どちらにも当てはまらない点が一つあり、これはコンシューマー向けアプリから来た人にとって重要です。それは会話相手としての機能です。AssemblyAI-TTS-1はテキストを音声に読み出すだけで、対話の状態という概念を持っていません。CSM 1Bは二つの中でより対話を意識したモデルで、音声コンテキストを入力として受け取りますが、発話を一度に一ターンずつ生成するだけで、独自のターン検出機能は備えていません。アプリに見えるあのシームレスさは作り出されたものであり、どちらのモデルもそれを備えてはいません。

実際に人々が尋ねる3つの質問

CSM 1BはSesameアプリが実行しているモデルと同じですか？いいえ。アプリはSesameの本番モデルを実行していますが、チェックポイントはApache 2.0の下で公開されたベース生成モデルであり、その間の差こそが、アプリがMayaのように聞こえ、新しくデプロイしたCSM 1Bはそうならない理由そのものです。アプリはSesameが構築できるもののデモとして扱うべきで、あなたが得られるもののプレビューではありません。

10万件の3分通話では、どちらが安くつくのか？ 紙の上ではCSM 1Bだ。2億7000万文字、チェックポイントでは約1,890ドルに対し、AssemblyAI-TTS-1では約4,050ドル。だが実際には、チェックポイントの数字にはGPU時間、配信エンジニア、そしてエージェント品質のストリームに近づけるために必要なレイテンシ対策のコストが含まれていない。この規模では、正直な比較は4,050ドル対「作ってみるまで分からない」であり、分からないほうが高くつく。

AssemblyAI-TTS-1は自分の声をクローンできますか？ はい、約24秒の録音をアップロードし、話者の許可を得ていることを確認すれば可能です。ボイスIDは数秒以内に返され、料金はライブラリと同じ文字単価で請求されます。プロ向けに学習されたクローンは存在しないため、結果は統制されたブランド資産というより、実用可能なアイデンティティです。また、ローンチ時点ではファインチューニングされたクローン作成は利用できませんでした。

これは実際にはどの決定なのか

目の前にある名前がSesame Previewなら、そこで止まってください。統合すべきものも、比較すべき価格もありません。もしCSM 1Bなら、あなたが選んでいるのはTTSモデルではなく、サービング層を自分で持つかどうかです——そして「持つ」を正当化できる3つの条件とは、英語だけで足りるということ、それに見合うエンジニアを伴ったGPUキャパシティがあるということ、モデルを自社の境界内に置きたいということです。それ以外はすべてエンドポイントに軍配が上がります。

通常これを決めるコスト論は、文字あたりの料金ではまったくありません。問題は集約です。音声エージェントは往々にしてTTSベンダー、音声認識ベンダー、言語モデルベンダーをため込み、それぞれに独自の契約と独自の価格変更サイクルがあります。OrcaRouterはその最後の層を平らにするために存在します——200以上のモデルをプロバイダーの定価で、0%のマークアップで使える単一API。これにより、ベンダーの値下げが次回更新時ではなく当日に請求へ反映され、自動フェイルオーバー、複数モデルを1回の呼び出しに組み合わせるルーティングDSL、そして単一の回答では足りないときのモデル融合も利用できます。AssemblyAI-TTS-1とCSM 1Bは現在どちらもそのカタログ外です——当社の音声ルートはOpenAIのtts-1ファミリーとGoogleのGemini TTSプレビューです——したがって、この論点はすでに支払っている請求についてであり、ここで実行できる購入についてではありません。

Sesameのアプリはこのカテゴリーで最高の無料デモであり、おそらく最終的には開発者向け製品が出るだろう。AssemblyAI-TTS-1は今週契約できる料金表だ。これら2つの事実を踏まえると、唯一擁護できる計画は、すでに存在する方の上に構築し、Sesameがパンフレットではなくモデルをいつか提供する場合に備えて、アーキテクチャに他方のためのスロットを残すことだ。