Simba 3.5 対 Sesame Preview：一方はキャラクター単位で販売され、もう一方は座席単位で販売される

一見すると比べる対象が違うように思えるが、価格を算出した瞬間に、それは単なる算数の問題になる比較だ。SpeechifyAI Simba 3.5は、100万文字単位で購入し、自分のコードから呼び出して使うテキスト読み上げモデルだ。Sesame Previewは、アプリ内で1人あたり月額で購入するコンシューマー向け音声エージェントだ。どちらも購入可能であり——SesameはFree、Plus、Proの料金プラン一覧を公開し、無料デモではなくなった——どちらも合成された人間の声を生成する。一方はコンポーネントで、もう一方は製品であり、両者から選ぶ唯一の誠実な方法は、自分の問題が実際に必要としているのはこの2つのうちどちらなのかを見極めることだ。

Sesameという企業は確かにモデルを公開しています。CSM-1Bで、Hugging Face上にApache 2.0の下でオープンウェイトとして公開されています。それはアプリで聞こえる声ではありません。アプリはAPIもモデルIDも独立したアリーナスコアも持たない本番システムを稼働させており、研究用リリースは2025年以降更新されていません。このギャップこそ、この記事における最も重要な事実であり、二つの製品が代替品ではない理由でもあります。

それぞれの費用を同じ単位に換算したもの

単位の不一致こそ、ほとんどの解説記事がそこで止まってしまう点なので、まずそこから始めましょう。Simba 3.5 は入力テキストの文字数単位で課金されます。Sesame は通話時間の許容量付きで、月額のシート単位で課金されます。どちらの料率ももう一方へきれいに換算できるものではありませんが、どちらも「これは自組織にとって月いくらかかるのか」に換算できます。そして、その比較は僅差ではありません。

• Simba 3.5、11月22日からの価格表 — Starterでは100万文字あたり$15.00、Proでは$12.00、Scaleでは$10.00

• Simba 3.5、11月21日まで — 旧モデルの料金で100万文字あたり10.00ドル、8.00ドル、6.00ドル

• Sesame Free — $0、1日30分の通話時間

• Sesame Plus — 月額20ドル、1日2時間の通話時間、Freeの週間クレジット枠の4倍

• Sesame Pro — 月額100ドル、1日10時間の通話時間、Freeの週間クレジットの20倍

• Sesame の追加オプション — 通話時間を1時間追加で5ドル、5時間で20ドル。クレジットは1,000単位で5ドル、5,000単位で20ドル。いずれも有効期限のないパックです。

ScaleプランでのSimba 3.5の1,000万文字は100ドルで、完成した音声にするとおよそ200時間分に相当します。Sesame Proは月額100ドルで、1人につき1日10時間の通話時間を得られます。これらは請求書の同じ明細行に載る別々の製品であり、一方は資産を生成し、もう一方は会話を成立させるため、どちらがよりお得かと言うのは本当に難しいのです。

Sesameの数字として注目すべきは、サブスクリプションではなく超過料金の方です。追加通話時間は1時間5ドルで、1分あたり約0.083ドルになります。これは会話としては高く、顧客の前に出すと決めた製品としては安いと言えます。パックは有効期限がなく、プランの許容量を使い切った後に消費されるため、モデル化すべき数値は目玉の料金プランではなく、追加1時間あたりの単価です。

Simba 3.5 とは正確には何なのか

Simba 3.5は2026年10月21日にSpeechifyの推奨モデルとしてリリースされ、今後の英語向けの選択肢としてSimba 3.2に取って代わるとともに、単一のモデルIDの下で対応言語を6言語から48言語に拡大しました。カタログ内のすべての音声は、有料プランでクローンした音声も含め、同じ音声IDで48言語すべてを話します。エストニア語と広東語は明示的に対象外です。音声ID、出力形式、スピーチマーク、適用されるSSMLサブセットは3.2から引き継がれるため、移行はモデルフィールドの1行変更で済み、APIバージョンの更新は不要です。

Artificial Analysisでは、Controlled Voiceで1,192で1位、Provider Voiceで1,294で5位です（それぞれ1,783件と1,732件のサンプルに基づく）。この比較ではControlled Voiceボードが意味のある指標です。すべての参加モデルに対して同じ8つの参照音声をクローンするため、そこで高スコアを出すモデルは、一度も聞いたことのない音声を扱えるということです。まさにそれが、クローン音声ワークフローに求められることです。

Speechify の自社数値であり、社外の誰によっても再現されていない。Simba 3.2 に対する 63% のブラインド選好（95% 区間は 60%～67% と明記）、ストリーミングリクエストの 95 パーセンタイルにおける初回音声までの時間 72 ミリ秒、およびサービングインスタンスあたりのスループットは Simba 3.2 の 1.8 倍。これらは独立した測定値ではなくベンダーの主張としてアリーナの数値と並んでいるものであり、そのように読むべきだ。

Sesame Preview とは正確に何なのか

Sesame Previewは音声ファーストのエージェントアプリで、2026年5月からパブリックプレビューとして提供されています。名前付きのペルソナ、セッションをまたいで保持されるメモリ、そして検索・メモ・リマインダーといった実際の行動をこなす機能を備え、通話の最後には要約を出力します。iOSとAndroidで動作し、上記3つのプランはウェブではなくアプリストア経由で販売され、アプリの提供国以外のユーザー向けには無料のブラウザ版Research Previewが維持されており、Freeプランと同じ1日30分の上限が適用されます。

そのエンジニアリングはレンダリングではなくターンテイキングを中心に据えており、同社はそれに関する実際の研究成果を公開している。2026年8月28日にarXivの論文とともに公開されたTurnBenchは、30時間のデュアルチャンネル・スタジオ録音——154の対話、53組の106名の声優が別々の防音ブースで録音——における会話のタイミングを測定し、発話終了検出とバージインを2種類のニアミスに対して採点する。現在のリーダーボードには25のランキング済みシステムが載っている。それらはいずれも音声合成モデルではない。タスクが異なるからだ。

そして決定的なことに、Sesame のモデルエンドポイントは存在しません。ID も、料金表も、参照音声パラメータもありません。開発者は、電話をかけられないのと同様に、コードから Sesame Preview を呼び出すことはできません。読み込み可能な唯一の Sesame 成果物は CSM-1B であり、Sesame は CSM について「会話内のテキストと音声コンテンツのみをモデル化でき、会話そのものの構造はモデル化できない」と明言しています。

それを決定づける非対称性

Simba 3.5は、Sesameが行うことの限定的で部分的な版を実現できます。ストリーミングでき、ストリーミングと優れた音声認識モデルの組み合わせが、今日の非常に多くの実運用音声エージェントの構築方法です。できないのは、いつ話すのをやめるかを決めること、話しながら聞くこと、割り込みに対応することです。これらはそれを取り巻くオーケストレーションの性質であり、自分で構築することになるでしょう。

Sesameは、Simba 3.5が開発者向けに実現できることのいずれも、どの形であれ実現できません。文字単位のコストでその音声を製品のUIに組み込むことも、それでオーディオブックを制作することも、それでカタログをローカライズすることもできません。できるのは、あなたがそれと話すこと、そしてユーザーがそれと話すことだけであり、それが提供できる機能のすべてです。

つまり、判断は「何を出荷するか」という問題に帰着する。音声が自社で構築する何かの内部にあるなら、Simba 3.5が候補であり、Sesameはリストにない。欲しいのが完成した体験——会話を交わし用事を済ませるペルソナ——なら、あなたはSesameのアプリを買うのであり、音声品質の問いへの答えは、それを測定に開いていない企業から与えられることになる。

ローカリゼーションの場合、その隔たりは完全である。

Simba 3.5は48言語に対応しています。Sesame Previewは英語を扱い、その計画は言語に左右されません。製品が英語だからです。スクリプトが英語でないあらゆるワークロードでは、この比較は仕様書の最初の段落で終わります。

ただし、留めておく価値のあるニュアンスがあります。Speechifyの48言語には、ベンダーが率直に明言している注意点があります。音声は元の録音のアクセントを保つため、クローン化されたアメリカ英語の音声が日本語を話すと、アメリカ人が日本語を話しているように聞こえます。同社自身のガイダンスは、各ロケールにネイティブなスタッフ厳選（staff-pick）音声で生成することであり、そのため同社のvoicesエンドポイントは現在 staff_pick_rank を公開しています。クロスリンガルはサポートされていますが、アクセントのないクロスリンガルは同社の主張ではありません。

Sesame のアクセントに対する答えは性質が異なる。ペルソナには声があり、会話が単一言語で行われるため、その声は他の言語には持ち運べない。これは消費者向け製品にとっては制約ではないが、カタログにとっては致命的な障壁となる。

OrcaRouterが適する場面と、適さない場面

OrcaRouterはどちらの製品も取り扱っていません。Simba 3.5はSpeechify独自のAPIを通じて利用され、Sesame Previewはアプリストアを通じて利用されます。ここでの内容を、そうでないと主張するものとして解釈すべきではありません。

当社のrouteは、音声に関する判断をテストする際の対照として使える、より小規模な合成カタログです：openai/tts-1 は100万文字あたり$15.00、openai/tts-1-hd は$30.00、いずれもプロバイダーの定価のままで、マークアップは上乗せされていません。Simba 3.5 を何かと比較検討している場合——すでにお使いのOpenAIの音声と比較する場合も含めて——同じスクリプトを1つのキーで両方を通してレンダリングする方が、調達サイクルを回すよりも安上がりな実験になります。さらに自動フェイルオーバーがあるため、プロバイダー側の障害でレンダーキューが巻き添えになることはありません。

会話型のケースでは、ルーターとしての答えは存在せず、そうでないふりをするのは不誠実だろう。Sesame Preview はエンドポイントではない。構築中の製品でターンテイキングが必要なら、実際に比較すべきなのは、Simba 3.5 と自前のオーケストレーションを、それを販売しているベンダーのリアルタイム音声対音声APIと突き合わせることだ——そしてそれは別の記事になる。

じゃあ、どれ？

Simba 3.5 は、次のようなものを構築する場合に選んでください。エンドポイント、予測可能な文字単位の課金、数えられる言語リスト、48 ロケールまで維持されるクローン音声、そしてベンダーが選定していない参照音声で獲得した最上位の制御音声スコアが必要な場合です。また、一度変更された料金体系が適用されてから3週間が経過しており、モデルIDの移行——simba-multilingual と simba-english が Simba 3.5 で提供される——が11月21日に実施されるため、デフォルトに頼るのではなく、モデルIDを意図的に固定してください。

{{1}}Sesame Preview{{/1}}を選ぶのは、次のような場合です：記憶とタスク実行を備えた対話型エージェントを求めている、その音声が独立した審査機関によって測定されていないことを許容できる、1日10時間の通話時間に100ドルという価格を、それが行う仕事の価値に見合うものとして受け入れられる。それは原材料ではなく完成品であり、完成品にはそれに見合った価格が付けられるものです。

この比較が招く誤りは、どちらも人間のように聞こえるという理由で両者を競合とみなすことだ。それらは異なる単位で販売され、異なる方法で消費され、一方はコードからまったく呼び出せない。それは解消すべき引き分けではない——それは分かれ道であり、ほとんどのチームは自分がどちら側に立っているかをすでに知っている。