AssemblyAI-TTS-1 vs Sesame Preview: 이 중 하나에는 요금표가 없습니다

당신은 Sesame Preview를 살 수 없습니다. 그것은 무료 소비자 앱입니다 — iOS와 Android에서 상시 기억을 지닌 네 명의 동반자 Maya, Miles, Simone, Charlie, 30분 통화 제한, 그리고 2027년에 여러분에게 안경을 팔겠다는 공표되지 않은 계획 — 그리고 그 뒤에는 개발자 엔드포인트도, 모델 ID도, 가격표도 없습니다. AssemblyAI-TTS-1은 이와 달리 하나의 비용 항목입니다: 100만 자당 $15, 2026년 10월 27일부터 정식 제공되며, US-East 또는 EU-North에서 HTTP와 WebSocket을 통해 스트리밍됩니다. 따라서 흔히 말하는 그 대결 구도는 대결 구도가 아닙니다. 그것은 데모에 맞선 제품입니다.

가중치가 실제로 있는 Sesame을 대입하는 순간 그 비교는 유용해집니다: Sesame CSM 1B, 즉 Hugging Face에 있는 Apache-2.0 대화형 음성 체크포인트이며, 텍스트와 오디오 컨텍스트를 입력받아 영어 음성을 출력하는 약 10억 개 파라미터의 모델입니다. 이제 이는 실제 결정입니다 — 백만 자당 7달러의 1B 공개 체크포인트 대 15달러의 비공개 엔드포인트 — 그리고 흥미로운 점은 더 저렴한 쪽이 바로 에이전트를 중심으로 구축해야 하는 쪽이라는 것입니다.

Sesame Preview가 정확히 무엇인지, 그래서 비교가 어긋나지 않도록

Sesame Preview는 내부에 실제 모델이 탑재된 출시 제품이지만, 그 모델을 임대할 방법은 없습니다. 앱의 프로덕션 모델은 공개된 체크포인트가 아닙니다. Sesame은 특정 목소리에 파인튜닝되지 않은 기반 생성 모델인 CSM 1B를 공개하지만, 앱 안의 다듬어진 페르소나는 Sesame 자체의 것입니다. 앱은 300ms 미만의 지연 시간을 주장하지만, 제3자 측정에서 Maya 페르소나의 첫 바이트는 약 80–130ms입니다. 어느 수치도 여러분이 받게 될 CSM 1B를 설명하지 않습니다.

앱의 2026년 10월 업데이트 — 향상된 표현력과 발음, 에이전트 컴퓨터 접근, Gmail·Calendar·Drive 커넥터, MCP 지원, 이미지 생성기 — 는 로드맵상의 신호일 뿐, 상업적 신호가 아닙니다. Sesame은 개발자 툴링이 "올해 말"에 나올 것이라고 말하면서도 그것이 무엇인지, 가격이 얼마인지, 프로덕션 모델인지 체크포인트인지는 밝히지 않았습니다. 이 결정의 그 무엇도 그 문장에 근거해서는 안 됩니다.

동일한 단위로 환산된 두 청구서

CSM 1B는 이를 제공하는 호스팅 게이트웨이에서 백만 자당 $7.00로 책정되며, 토큰이 아닌 문자 단위로 과금됩니다. AssemblyAI-TTS-1은 백만 자당 $15.00이며, 해당 요율에는 4,000개 이상의 라이브러리에 있는 모든 음성, 출시된 6개 언어 전부, 즉시 복제, 단어 타임스탬프, 미국 또는 EU 처리, 무제한 동시 처리가 포함됩니다.

일반적인 발화 기준으로 분당 약 900자일 때, 시간당 비교는 CSM 1B가 약 $0.35, AssemblyAI-TTS-1이 약 $0.81입니다 — 공개 체크포인트는 문자당 두 배 조금 넘게 저렴하며 — CSM 수치는 가장 적은 정보를 알려주는데, 이는 모델의 가격만 책정하고 시스템의 가격은 책정하지 않기 때문입니다.

차원 목록은 두 대상이 완전히 비교 불가능해지는 지점이다:

• 가격 — 백만 자당 7달러로, 상위 요금제는 15달러이며 모든 음성과 복제 기능이 포함됩니다.

• 언어 — CSM 1B는 영어이며, 모델 카드는 비영어 능력은 어쩌다 덧붙은 것일 뿐이라고 노골적으로 밝히고 있습니다. 앱은 여러 언어를 "초기 지원"으로 표시하는데, 이는 다른 약속입니다. AssemblyAI-TTS-1은 6개 언어와 함께 출시되었습니다.

• 보이스 인벤토리 — CSM 1B는 7개의 보이스와 클로닝 대상이 되는 기본 모델을 제공하며, AssemblyAI-TTS-1은 4,000개 이상의 보이스와 24초 샘플로부터의 즉시 클로닝을 제공합니다.

• 클로닝 깊이 — 어느 쪽도 훈련된 전문가급 클론을 제공하지 않습니다. AssemblyAI의 즉시 경로에는 화자 허가 확인 단계가 필요합니다. CSM 1B는 제로샷으로 정체성을 전이하며, 그 과정에서 운율을 평탄화합니다.

• 제공해야 하는 것 — CSM 1B에는 코덱, 턴 감지, 컨텍스트 어셈블리, 에이전트 루프, 그리고 직접 관리해야 하는 4K 토큰 컨텍스트 예산이 필요합니다. AssemblyAI-TTS-1에는 HTTP 클라이언트, 스트림 핸들러, 취소 메시지가 필요합니다.

• 지연 시간 근거 — AssemblyAI-TTS-1에는 공급업체의 주장, 두 건의 독립적인 측정, 그리고 보드 순위가 있습니다. CSM 1B에는 두 개의 차수(약 100배)에 걸친 배포 보고서가 있습니다.

지연 시간: 표시상 90 ms, 측정 159 ms, 관측 9.9초

AssemblyAI-TTS-1의 지연 시간 관련 이야기는 문서화되어 있으면서도 논쟁의 여지가 있는데, 이를 정직하게 말하는 것은 어렵지 않습니다. 벤더는 프로덕션 환경에서 첫 오디오까지 90ms, 자사 랩에서 첫 바이트까지 중앙값 47ms를 주장합니다. 독립적으로 에이전트 형태의 테스트에서 측정한 Cekura는 스트리밍 시작 시간 중앙값 159ms, p90 296ms를 기록했으며, 측정한 19개 모델 중 8위로 평가했습니다. 이 격차는 방법론의 차이 — 요청에서 첫 바이트까지 대 마지막 단어 전송에서 첫 오디오까지 — 이지 거짓말이 아니며, 여러분의 통화자가 실제로 경험하는 것은 두 번째 측정치입니다.

CSM 1B의 지연 시간 이야기는 논쟁거리라기보다는 범위가 정해져 있지 않다. 최적화된 온디바이스 변환은 Apple Silicon에서 첫 오디오까지 약 120 ms, 실시간 계수 0.5~0.9를 보고한다. 최적화되지 않은 RTX 5070 Ti는 대략 실시간의 절반 속도로 동작한다고 알려져 있다. 한 호스팅 목록은 엔드투엔드 P50 약 9.9초, P95 약 39초를 공개한다. 이 모든 설명은 동일한 체크포인트를 가리킨다. 어떤 결과를 얻느냐는 서빙 엔지니어링을 얼마나 투입하느냐에 달려 있다.

그것이 이 전체 비교의 핵심이며, 품질 논거는 아니다. 클로즈드 엔드포인트는 이미 서빙 작업을 완료했고 그 비용을 가격에 반영했다: 시간당 $0.81, GPU 없음, 코덱 없음, 대기열 설계 없음. 오픈 1B 체크포인트는 시간당 $0.35로 모델을 제공하고, 구축하는 데 비쌌던 부분을 당신에게 되돌려준다. 이미 그 엔지니어링을 갖고 있다면, 체크포인트가 훨씬 더 나은 거래다. 그렇지 않다면, 절약하는 시간당 $0.46는 누군가의 첫 한 달 시간에 비하면 반올림 오차에 불과하다.

각각이 실제로 나쁜 부분

AssemblyAI-TTS-1의 약점은 모두 실제 텍스트의 꼬리 부분에 있습니다. Artificial Analysis는 전체 발음 견고성 점수를 81.7%로 매겨 16위에 올렸고, 약어 확장에서는 73.8%입니다. Cekura의 문맥 기반 발음 테스트에서는 70.8%로 27개 중 22위였지만, 전화번호와 코드 부문에서는 91.7%로 1위를 차지했습니다. 이 중 무엇도 해결할 발음 사전이나 SSML이 없으며, 이 모델이 지원하는 6개 언어는 출발점이 아니라 확고한 상한입니다. 공급업체가 자체 580개 항목 세트에서 보고한 개체 정확도 93.7%는 정반대를 시사하며, 어떤 측정이 여러분의 트래픽을 설명하는지는 오직 여러분의 코퍼스만이 판가름할 수 있습니다.

CSM 1B의 약점은 데이터 기반이라기보다 구조적입니다. 설계상 영어만 지원합니다. 베이스 모델이므로, 제공되는 음성은 누군가 튜닝한 음성이 아닙니다. 일부 생성에서는 마지막 단어를 잘라내고, 참조 생성기에는 워터마크가 포함되어 있으며, 일부 호스팅 래퍼는 컨텍스트, 언어, 최대 길이 매개변수를 조용히 누락시킵니다. 즉, CSM 1B를 제공한다고 표시하는 게이트웨이가 문서에 설명된 대로 모델을 실행하지 않을 수 있습니다. 컨텍스트는 4K 토큰이고 최대 출력은 약 3,686 토큰이므로, 긴 대화는 사용자가 직접 조립해야 합니다.

둘 중 어느 것도 아닌 한 가지가 있으며, 이는 소비자용 앱에서 넘어오는 사람이라면 누구에게나 중요합니다. 바로 대화형 파트너입니다. AssemblyAI-TTS-1은 텍스트를 음성으로 읽어낼 뿐 대화 상태라는 개념이 없습니다. CSM 1B는 둘 중 대화를 더 잘 인식하는 쪽으로, 오디오 맥락을 입력으로 받지만 자체 턴 감지 기능 없이 한 번에 한 턴씩 음성을 생성합니다. 앱의 겉보기 매끄러움은 제품이 만들어낸 것이며, 어느 모델도 이를 기본으로 제공하지 않습니다.

사람들이 실제로 묻는 세 가지 질문

CSM 1B는 Sesame 앱이 실행하는 모델과 동일한가요? 아니요. 앱은 Sesame의 프로덕션 모델을 실행합니다. 체크포인트는 Apache 2.0에 따라 공개된 기본 생성 모델이며, 두 모델 사이의 격차가 바로 앱이 Maya처럼 들리고 새로 배포한 CSM 1B는 그렇지 않은 이유입니다. 앱을 Sesame이 만들 수 있는 것의 데모로 여기세요. 받게 될 것의 미리보기로 여기지 마세요.

10만 건의 3분 통화에서는 어느 쪽이 더 저렴할까? 서류상으로는 CSM 1B가 2억 7천만 자로, 체크포인트 기준 약 $1,890이며 AssemblyAI-TTS-1의 약 $4,050과 대비됩니다. 그러나 실제로는 체크포인트 수치에 GPU 시간, 서빙 엔지니어, 그리고 에이전트급 스트림에 근접하려면 필요한 지연 시간 작업이 포함되어 있지 않습니다. 그런 규모에서는 정직한 비교가 $4,050 대 "구축하기 전까지는 알 수 없음"이며, 알 수 없음이 둘 중 더 비싼 쪽입니다.

AssemblyAI-TTS-1이 제 목소리를 복제할 수 있나요?예, 약 24초 분량의 녹음을 업로드하고 발화자의 동의를 확인하면 됩니다. 음성 ID는 몇 초 안에 반환되며, 라이브러리와 동일한 문자당 요금으로 청구됩니다. 전문적으로 훈련된 복제 모델은 없으므로 결과물은 관리되는 브랜드 자산이라기보다 사용 가능한 정체성이며, 출시 당시에는 파인튜닝된 복제 기능도 제공되지 않았습니다.

이것이 실제로 어떤 결정인지

앞에 있는 이름이 Sesame Preview라면 멈추세요. 통합할 것도 없고 비교할 가격도 없습니다. CSM 1B라면, 당신은 TTS 모델을 선택하는 것이 아니라 서빙 계층을 직접 소유할지 여부를 선택하는 것입니다. 그리고 “예”라고 결정할 수 있는 근거가 되는 세 가지 조건은 영어만 필요하다는 것, 그에 맞는 엔지니어와 함께 GPU 용량을 갖추고 있다는 것, 그리고 모델을 자체 경계 안에 두고 싶다는 것입니다. 그 밖의 모든 경우는 엔드포인트를 지지합니다.

비용 논리에서 흔히 결정적인 것은 문자당 요율이 전혀 아닙니다. 핵심은 통합입니다. 음성 에이전트는 TTS 업체, 음성-텍스트 업체, 언어 모델 업체를 하나씩 쌓아가며 각각 자체 계약과 자체 가격 변경 주기를 갖는 경향이 있습니다. OrcaRouter는 바로 그 마지막 계층을 평탄화하기 위해 존재합니다 — 공급사 정가에 0% 마크업으로 200개 이상 모델을 제공하는 단일 API, 그래서 업체의 가격 인하가 다음 갱신 때가 아니라 같은 날 청구서에 반영되며, 자동 장애 조치, 모델을 하나의 호출로 구성하기 위한 라우팅 DSL, 그리고 단일 답변으로 충분하지 않을 때의 모델 퓨전을 갖춥니다. AssemblyAI-TTS-1과 CSM 1B는 모두 현재 그 카탈로그 밖에 있습니다 — 우리의 음성 라우트는 OpenAI의 tts-1 제품군과 Google의 Gemini TTS 프리뷰입니다 — 따라서 이 논리는 여기서 할 수 있는 구매에 관한 것이 아니라 이미 지불하고 있는 청구서에 관한 것입니다.

Sesame의 앱은 이 분야에서 최고의 무료 데모이며, 머지않아 개발자용 제품도 출시할 것입니다. AssemblyAI-TTS-1은 이번 주에 계약할 수 있는 요금표입니다. 이 두 가지 사실 사이에서 방어 가능한 유일한 계획은 이미 존재하는 쪽을 기반으로 구축하고, Sesame이 브로셔 대신 모델을 출시하게 되면 다른 쪽을 위해 아키텍처에 슬롯을 남겨 두는 것입니다.