Rime Prism 対 Sesame Preview：評判に挑むレートカード

今夜、Sesame Preview は無料で聴けます。ただし購入はできません。Rime Prism は 1 分 0.080 ドルで購入できますが、Rime の外部で、測定を許可されたクリップを公開した人はほとんどいません。この一文の前半と後半が、まさにその比較です。一方は、どの開発者も呼び出せない、コンシューマー AI で最も高く評価されている音声であり、もう一方は、スタートアップが今週中に電話ツリーへ組み込める、まったく新しいエンタープライズ向けエンドポイントです。Rime Prism は 2026 年 10 月 28 日に、Rime 初の音声対音声モデルとして発表されました。Sesame Preview は 2025 年初頭から無料の研究プレビューとして稼働しており、その背後にある本番用音声はまだ公開されていません。

それらが比較されるのは、どちらも会話のリアリズムについて主張しているからであり、どちらも開始時点では英語のみだからです。それらは代替手段ではありません。一方は話しかけるアプリケーションであり、もう一方はその上に構築するエンドポイントであり、両者の選択は声の選択というよりも、製品を買うのかコンポーネントを買うのかの選択です。

ほとんどすべてを決める分岐

エージェントをリリースしたいチームは、次の順番で2つの問いを立てます。呼び出せるのか、そして1回の呼び出しにいくらかかるのか。Sesame Previewは最初の問いを満たしません。アプリの背後にあるモデルには公開APIがなく、モデルIDもエンドポイントも公開価格もありません。話しかけられるSesameは、名前付きの4つのアシスタント、永続メモリ、そして拡大を続けるツール群を備えた消費者向け製品です。その下にあるモデルは、開発者がアクセスできるものではありません。

Sesameで誰でも利用できる唯一のものは、同社が2025年にApache 2.0の下で公開したオープンウェイトのチェックポイント、CSM-1Bです。約1Bパラメータ、4Kコンテキスト、24 kHzモノラル音声です。それはアプリ内の声ではなく、エージェントでもありません。会話履歴を条件として入力しますが、言語モデルのようにはそれについて推論できません。それは音声コンポーネントであり、しかも単一のものにすぎません。

• 提供状況 — Rime Prism は無料枠付きの有料APIです。Sesame Preview は無料のコンシューマー向けアプリで、本番用ボイスを利用するためのAPIはありません。

• 価格 — PrismはFlexで通話音声1分あたり$0.080、Scaleで$0.064。Sesameは価格を公表しておらず、アプリの利用料はかかりません。

• 請求リスク — Prismは通話の成否にかかわらず請求する。Sesameのコストはアプリにかかる費用そのもので、それはゼロであり、計画の前提にできるビジネスモデルではない。

• レイテンシの根拠 — Prism の time-to-first-audio は 0.57 秒（τ-Voice 上でベンダーが測定）。Sesame のアプリは 300 ms 未満をうたっており、Maya ペルソナの第三者測定では time-to-first-byte が 80～130 ms となっている。

• 独立したスコア — どちらのモデルも Artificial Analysis の Speech-to-Speech Index には掲載されていません。

• 言語 — 両方ともローンチ時は英語のみ。Sesame は初期サポートとしてフランス語、イタリア語、ドイツ語、スペイン語、中国語、日本語、韓国語を挙げています。

• 導入形態 — Prismはクラウド、VPC、オンプレミスを提供し、HIPAA BAAとSOC 2 Type IIに対応しています。Sesameはアプリを提供しています。

エンドポイントとしてのRime Prism

Prismは、エンタープライズソフトウェアと同じ形で販売されています。無料枠は月額50ドルのクレジット付きでカード不要、Flexはコミットメントなしで毎分0.080ドル、Scaleは月額100ドルで100ドルのクレジット付き、毎分0.064ドル、Enterpriseはボリューム料金と年間コミットメントです。どの枠も同じモデルです。PrismはWebSocket経由でストリーミングし、LiveKitとPipecatに接続できます。これが重要なのは、自作の音声エージェントの多くがすでにこの2つ上で稼働しているからです。

その料金を正当化する機能は、コンシューマー向けアプリには作る理由がない類のものだ。Prism は発話前に返答をテキストとして書き出すため、アプリはその正確な文を読み取り、ポリシーチェックや PII フィルターを適用し、合格した場合にのみ音声を先へ進めることができる。その間もモデルは聞き続けるので、チェックが聞き取れるポーズになる必要はない。ツール呼び出しは発話と並行して実行される。顧客自身の通話やツールトレースによるファインチューニングが中核的なビジネスケースであり、セルフサービス型の SFT および RL API はまだベータ版だ。

会社自身の数値では、最初の音声までの時間は0.57秒、τ-Voiceの完了率は56.6%、ベンチマークの通信サブセットでは82.5%となっています。約10時間の実際の注文通話に関するRevmoのケーススタディは、注文確認率100%対、名称非公表のOpenAIモデルの68%として引用されています。これは委託された顧客調査であり、手法は公開されていないため、結果ではなくベンダーの主張として読むべきです。

製品としてのSesame Preview

Sesameの売り文句は、音声アシスタントが知っている人のように感じられるべきだというものだ。4つのペルソナ——機知に富む協働者マヤ、くつろいだマイルス、深掘り向けのシモーヌ、気軽な相談相手チャーリー——はそれぞれ独自の記憶と話し方を持つ。アプリはウェブを検索し、長期のリサーチを実行し、メモやリマインダーを保持し、通話を要約し、シークレットモードをサポートする。2026年10月6日、Sesameは表現力と発音を高めた更新版CSMをリリースし、各エージェントが自身のコンピューターにアクセスできるようにし、Gmail、Calendar、Driveのコネクタ、OAuth経由の外部MCPサーバー、ユーザー作成スキル、アプリ内画像生成機能を追加した。

欠けているのは、入り口となる手段だ。アプリは無料で、広告も出さず、データも販売しない。それはユーザーにとってはありがたい点だが、買い手にとっては未解決の点だ。Sesameがどうやって収益を上げるつもりなのか、開発者がエンドポイントを手に入れられるのかは、まだ発表されていない。このメガネは2027年、日本での発売とされている。開発者向けツールは「今年後半」に提供されると約束されているが、具体的内容はない。

とはいえ、評判は本物だ。Sesameの声は人々が互いにクリップを送り合う対象であり、レビュアー間の総意は2年連続で異例なほど好意的だ。問題は、評判は仕様ではないということだ。製品版モデルについて公開されたレイテンシ値はなく、それに対するブラインドリスニングスコアも存在せず、独立して実行できる唯一のものは1Bチェックポイントであり、それは別物だ。

Sesameが排除した唯一の機能

Sesame の声が欲しい理由が「人間のように聞こえるから」なら、実際に再現すべきなのは音色ではなく会話ループです。そしてビジネス向けの会話ループには、消費者向けアプリには決して求められない要件があります。エージェントが何を言おうとしていたかの監査証跡、それを言わせないようにする手段、通話相手が気づく前に解決するツール呼び出し、そしてコンプライアンス審査を通過するデプロイです。

Prismはそうした要件を中心に構築されている。だからこそ有料なのだ。Sesameはその正反対を中心に構築されている。閉鎖的でキュレーションされた無料の体験であり、あらゆる変数を企業が管理する。どちらも擁護できる製品だ。しかし、クレーム対応ラインに組み込めるコンポーネントとなるのは、そのうち片方だけである。

どちらも英語のみだ——正反対の理由で

Prismは最初のリリースであり、音声の対応範囲を提供するにはコストがかかるため、限定された音声セットのみの英語版としてリリースされました。Sesameが英語優先なのは、その製品が英語を話すペルソナの集合体だからです。フランス語、イタリア語、ドイツ語、スペイン語、中国語、日本語、韓国語は「早期サポート」と表示されていますが、これは「サポート対象」とは異なる約束です。

多言語対応のコンタクトセンターにとって、これは記事を締めくくるセクションです。現時点ではどちらのモデルも混合言語のキューに対応しておらず、そうした購入者にとって本当に重要な比較対象は、広範な言語カバレッジを持つ{{1}}TTS{{/1}}レイヤーとルーティングされたテキストモデルの組み合わせであり、これらのどちらかではありません。

測定問題

どちらのモデルも、Artificial AnalysisのSpeech-to-Speech Indexには掲載されていません。これは、会話型音声モデルをタスク完了度、アリーナでの選好、タスク成功率で順位付けする唯一の独立系リーダーボードです。この不在は、どちらの製品への批判ではありません。むしろ、このページが両方についてベンダーの主張に頼らざるを得ない理由です。

Prismの56.6%というτ-Voiceの数値は、Rime自身の実行結果だ。その隣にRimeが公開している表を読むと、GPT-Live-1（Sol, low）は59.3%で登場し、Prismより高い。一方、宣伝コピーではPrismがOpenAIとGoogleのあらゆるリアルタイムモデルを上回っていると主張している。ローンチ投稿も「300 ms未満」「4倍高速」を繰り返しているが、これらの数値はベンチマーク表には登場せず、表には0.57 sと記されている。これらは異なる対象の測定値かもしれないが、Rimeはどれがどれなのか明言していない。

セサミの立場はさらに難しい。なぜなら、測定できる製品版モデルが存在しないからだ。評価すべきことに、同社はそれを測定するツールを構築している。2026年8月28日に公開されたTurnBenchは、カーネギーメロン大学、Mundo AI、Otoと共同で構築した、音声対話におけるターンテイキングのオープンソースベンチマークで、公開リーダーボードとセルフサービス型の採点を備えている。これは中立的なベンチマークではなくセサミ自身のものだが、真に意義ある貢献であり、その中心となる数値はこの比較全体で最も有用な指標だ。人間のターンの典型的な間隔は約200ミリ秒である一方、1語を計画するには約600ミリ秒かかる。だからこそ、声の品質ではなくターンテイキングが、機械であることを見抜かせるのだ。

Rimeのカタログに付随する唯一の独立した証拠はTTS製品ラインであり、Text-to-Speech ArenaではCodaがElo 1,054で99位中65位、Mist V2が903で92位となっている。これは声が新しいPrismについて決定的なことを何も語らない — しかし、「Rimeは独立したボードでトップランクの声を一度も持ったことがない」というのが、買い手がScale契約に署名する前に聞くべき真実の言葉であることは確かに意味している。

電話回線は方向ごとにいくらかかるか

Prismは価格設定がわかりやすいです。受電通話10,000分は、Enterprise割引前でFlexなら$800、Scaleなら$640です。5分の通話は$0.40です。エージェントが通話後に要約も行う必要がある場合、テキストモデルの費用が追加でかかりますが、音声通話の請求額に比べればわずかです。

Sesameに価格を付けることは不可能だ。なぜなら、価格を付けるべき料金が存在しないからだ。アプリは無料で、埋め込むこともできない。オープンなチェックポイントは、唯一のホスト型プロバイダーから100万文字あたり7ドルで、セルフホスティングする場合は、推論スタック、コーデック、ターン検出、エージェントロジックを自分で所有することを意味する。「Sesame」の分単位コストを見積もっている人は、サービスの料金ではなく、アプリに請求書が存在しないことを見積もっているのだ。

それが実務上の非対称性だ。Prismは高価だが明確で、Sesameは無料だが利用できない。予算会議は1分あたり$0.080をめぐって議論できる。しかし「エンドポイントがない」ことに対しては何もできない。

3人の買い手、3つの異なる答え

インバウンドサポート通話を運用する企業はPrismを検討すべきです。テキストチェックポイント、HIPAA BAA、オンプレミスオプション、分単位料金は、いずれもまさにその用途を指向しており、商業条件が標準的であるため、ベンダー主張に伴うリスクは許容できます。1つの通話フローでパイロットし、コンテインメント率を自分で測定し、Rimeの100%対68%のケーススタディを予測ではなく検証すべき仮説として扱ってください。

Sesameのサウンドを製品内に組み込みたい開発者は、まだ発表されていないAPIを待つべきではありません。現実的な道筋は、オープンなTTSチェックポイントと独自のオーケストレーションであり、オーケストレーションこそ安価に借りられる部分です。OrcaRouterは200超のテキストモデルを1つのキーで利用可能にし プロバイダーの定価でマークアップ0%、自動フェイルオーバーを追加して、あるプロバイダーが一時的に不調でも音声エージェントが停止しないようにし、ルーティングDSLを公開して、定型ターンは小規模モデルへ、エスカレーションは大規模モデルへ送れるようにします。音声レイヤーと推論レイヤーは同じ企業から来る必要はなく、ほとんどの構築者にとっては同じであるべきではありません。

消費者や、自分用のパーソナルアシスタントを構築しようとしている人は、{{1}}Sesame{{/1}}をそのまま使えばいい。無料で優れており、APIがないことはコードを書かない人には関係ない。

何が答えを変えるだろうか

3つの出来事。SesameがAPIと料金表を公開すれば、一夜にして本当の比較が可能になり、同時に自社の音声品質がコンポーネントとして販売されて生き残れるのかという問いが直ちに浮上する。PrismがSpeech-to-Speech Indexに登場すれば、これまで一度も得たことのない初の独立した数値が手に入り、「OpenAIとGoogleより先行」という表現が中立的な評価ボードと接触しても通用するかが決着する。そしてPrismのファインチューニングAPIがベータ版を卒業すれば、すでに購入できる企業とそれ以外が分かれる。

そのうちの一つが起こるまでは、比較は体験できる製品と配備できる製品の間のものであり、唯一の誤った答えはそれらを同じ購入の二つのバージョンとして扱うことだ。Sesameは、人々が再び会話型AIに関心を持つきっかけとなった声だ。Prismは、その感覚を監査ログ付きで分単位で売ろうとする最初の本格的な試みだ。どちらも他方の代替ではない。