AssemblyAI-TTS-1 vs Sesame Preview: Jedna z nich nie ma cennika

Nie można kupić Sesame Preview. To darmowa aplikacja konsumencka — Maya, Miles, Simone i Charlie, czterech towarzyszy z pamięcią trwałą na iOS i Android, limit rozmowy wynoszący 30 minut i niezapowiedziany plan sprzedania ci okularów w 2027 roku — a za nią nie stoi żaden endpoint deweloperski, żaden identyfikator modelu ani cennik. AssemblyAI-TTS-1 z kolei to pozycja w cenniku: 15 USD za milion znaków, ogólnie dostępny od 27 października 2026 r., przesyłany strumieniowo przez HTTP i WebSocket w US-East lub EU-North. Zatem zwykle przedstawiane starcie nie jest starciem. To produkt w starciu z demo.

Porównanie staje się przydatne w momencie, gdy podstawisz Sesame, który rzeczywiście ma wagi: Sesame CSM 1B, konwersacyjny checkpoint mowy Apache-2.0 na Hugging Face, model o około miliardzie parametrów, który przyjmuje tekst wraz z kontekstem audio i generuje mowę angielską. Teraz to prawdziwa decyzja — otwarty checkpoint 1B za 7 USD za milion znaków w zestawieniu z zamkniętym endpointem za 15 USD — a ciekawe jest to, że to właśnie tańszy z nich jest tym, wokół którego trzeba zbudować agenta.

Czym dokładnie jest Sesame Preview, aby porównanie nie wymknęło się spod kontroli

Sesame Preview to wydany produkt, wewnątrz którego znajduje się prawdziwy model, i nie ma sposobu, aby ten model wypożyczyć. Model produkcyjny aplikacji nie jest udostępnionym checkpointem: Sesame publikuje CSM 1B, bazowy model generatywny, który nie został dostrojony do konkretnego głosu, podczas gdy dopracowane persony w aplikacji należą do Sesame. Aplikacja deklaruje opóźnienie poniżej 300 ms; pomiar dokonany przez stronę trzecią dla persony Maya wskazuje pierwszy bajt w granicach 80–130 ms. Żadna z tych liczb nie opisuje CSM 1B w postaci, w jakiej go otrzymasz.

Aktualizacja aplikacji z października 2026 r. — ulepszona ekspresyjność i wymowa, dostęp agenta do komputera, łączniki Gmail, Calendar i Drive, obsługa MCP, generator obrazów — jest sygnałem dotyczącym planu rozwoju, a nie sygnałem komercyjnym. Sesame poinformowało, że narzędzia dla programistów pojawią się „później w tym roku”, nie precyzując, czym będą, w jakiej cenie ani czy będzie to model produkcyjny, czy checkpoint. Żadna część tej decyzji nie powinna opierać się na tym zdaniu.

Dwa rachunki, przeliczone na tę samą jednostkę

CSM 1B jest wyceniany na $7.00 za milion znaków w hostowanych bramach, które go obsługują, z rozliczeniem za znak, a nie za token. AssemblyAI-TTS-1 kosztuje $15.00 za milion znaków, a ta stawka obejmuje każdy głos z biblioteki ponad 4000 głosów, każdy z sześciu języków premierowych, natychmiastowe klonowanie, znaczniki czasu słów, przetwarzanie w USA lub UE oraz nieograniczoną współbieżność.

Przy około 900 znakach na minutę zwykłej mowy porównanie kosztu w ujęciu godzinowym wynosi około 0,35 USD dla CSM 1B wobec około 0,81 USD dla AssemblyAI-TTS-1 — otwarty checkpoint jest nieco ponad dwukrotnie tańszy w przeliczeniu na znak — a wartość dla CSM mówi najmniej, ponieważ wycenia model, a nie system.

Lista wymiarów to punkt, w którym te dwa przestają być w ogóle porównywalne:

• Cena — 7 USD za milion znaków wobec 15 USD, przy czym droższa opcja obejmuje wszystkie głosy i klonowanie.

• Języki — CSM 1B obsługuje angielski, a karta modelu wprost stwierdza, że wszelkie umiejętności w językach innych niż angielski są przypadkowe; aplikacja wymienia kilka języków jako „wczesne wsparcie”, co jest inną obietnicą. AssemblyAI-TTS-1 zadebiutował z sześcioma.

• Katalog głosów — CSM 1B zawiera siedem głosów i model bazowy, z którego oczekuje się klonowania; AssemblyAI-TTS-1 zawiera ponad 4000 głosów oraz natychmiastowe klonowanie z 24-sekundowej próbki.

• Głębokość klonowania — żaden z nich nie oferuje wyszkolonego profesjonalnego klonu. Natychmiastowa ścieżka AssemblyAI wymaga etapu potwierdzenia zgody mówcy; CSM 1B przenosi tożsamość w trybie zero-shot, jednocześnie spłaszczając prozodię.

• Co musisz zapewnić — CSM 1B wymaga kodeka, wykrywania tur, składania kontekstu i pętli agenta, a także budżetu kontekstu 4K tokenów, którym zarządzasz samodzielnie. AssemblyAI-TTS-1 wymaga klienta HTTP, mechanizmu obsługi strumienia i komunikatu anulowania.

• Dowody dotyczące opóźnień — AssemblyAI-TTS-1 ma deklarację dostawcy, dwa niezależne pomiary i pozycję w rankingu. CSM 1B ma raporty wdrożeniowe obejmujące dwa rzędy wielkości.

Opóźnienie: deklarowane 90 ms, zmierzone 159 ms, zaobserwowano 9,9 sekundy

Historia opóźnień AssemblyAI-TTS-1 jest udokumentowana i podważana w sposób, który łatwo uczciwie przedstawić. Dostawca twierdzi, że w produkcji pierwszy dźwięk pojawia się po 90 ms, a mediana czasu do pierwszego bajtu w jego laboratorium wynosi 47 ms. Cekura, mierząc niezależnie w teście odwzorowującym agenta, uzyskała medianę 159 ms czasu rozpoczęcia strumieniowania, 296 ms przy p90, i sklasyfikowała go na ósmym miejscu spośród dziewiętnastu modeli, których czas zmierzyła. Ta różnica wynika z metodologii — od żądania do pierwszego bajtu versus od wysłania ostatniego słowa do pierwszego dźwięku — a nie z nieuczciwości, i to właśnie drugi pomiar jest tym, którego doświadcza dzwoniący.

Historia opóźnień CSM 1B nie tyle jest kwestionowana, ile nieograniczona. Zoptymalizowane konwersje na urządzeniu podają około 120 ms do pierwszego dźwięku, przy współczynniku czasu rzeczywistego między 0,5 a 0,9 na Apple Silicon; niezoptymalizowany RTX 5070 Ti według doniesień działa w tempie około połowy czasu rzeczywistego; jeden hostowany wpis podaje P50 około 9,9 sekundy i P95 około 39 sekund end-to-end. Wszystkie te wartości opisują ten sam checkpoint. To, którą wartość uzyskasz, jest funkcją tego, ile inżynierii serwowania wniesiesz.

W tym tkwi sedno całego porównania i nie jest to argument o jakości. Zamknięty endpoint wykonał już pracę serwowania i wliczył ją w cenę: $0.81 za godzinę, bez GPU, bez kodeka, bez projektowania kolejki. Otwarty checkpoint 1B daje ci model za $0.35 za godzinę i zwraca ci część, której zbudowanie było drogie. Jeśli sam już dysponujesz tą inżynierią, checkpoint jest znacznie lepszą ofertą. Jeśli nie, $0.46 za godzinę, które oszczędzasz, to błąd zaokrąglenia w porównaniu z pierwszym miesiącem czyjegoś czasu.

Gdzie każdy z nich jest faktycznie zły

Słabe punkty AssemblyAI-TTS-1 tkwią wyłącznie w końcowym fragmencie rzeczywistego tekstu. Artificial Analysis ocenia je na 81,7% pod względem ogólnej odporności wymowy, przyznając szesnaste miejsce, przy czym rozwinięcie skrótów wynosi 73,8%; test kontekstowej wymowy Cekura plasuje je na dwudziestym drugim miejscu spośród dwudziestu siedmiu z wynikiem 70,8%, mimo że zajmuje pierwsze miejsce pod względem numerów telefonów i kodów z wynikiem 91,7%. Nie ma słownika wymowy ani SSML, które mogłyby cokolwiek z tego poprawić, a jego sześć języków to twardy limit, a nie punkt wyjścia. Zgłaszana przez dostawcę dokładność encji wynosząca 93,7% na jego własnym zestawie 580 pozycji mówi coś przeciwnego, a tylko Twój korpus może rozstrzygnąć, który pomiar opisuje Twój ruch.

Słabe punkty CSM 1B mają charakter strukturalny, a nie wynikający z danych. Z założenia obsługuje wyłącznie język angielski. Jest modelem bazowym, więc głos, który otrzymujesz, nie został przez nikogo dostrojony. W niektórych generacjach obcina ostatnie słowo, zawiera znak wodny w swoim generatorze referencyjnym, a niektóre hostowane nakładki po cichu ignorują parametry kontekstu, języka i maksymalnej długości — co oznacza, że brama oferująca Ci CSM 1B może nie uruchamiać modelu zgodnie z dokumentacją. Jego kontekst to 4 tys. tokenów, a maksymalna długość wyjścia wynosi około 3686 tokenów, więc długie rozmowy musisz składać samodzielnie.

Jednym, czym żaden z nich nie jest — a ma to znaczenie dla każdego, kto przychodzi z aplikacji konsumenckiej — jest partner do rozmowy. AssemblyAI-TTS-1 czyta tekst i zamienia go na mowę, nie mając pojęcia stanu dialogu. CSM 1B jest bardziej świadomy dialogu z tej dwójki — przyjmuje kontekst audio jako dane wejściowe — ale generuje mowę jedną turę naraz, bez własnego mechanizmu wykrywania tur. Pozorna płynność aplikacji jest cechą produktu, której żaden z modeli nie dostarcza.

Trzy pytania, które ludzie naprawdę zadają

Czy CSM 1B to ten sam model, na którym działa aplikacja Sesame?Nie. Aplikacja działa na modelu produkcyjnym Sesame; checkpoint to bazowy model generatywny udostępniony na licencji Apache 2.0, a różnica między nimi jest dokładnie tym, dlaczego aplikacja brzmi jak Maya, a świeżo wdrożony CSM 1B już nie. Traktuj aplikację jako demo tego, co Sesame potrafi zbudować, a nie jako zapowiedź tego, co otrzymasz.

Co jest tańsze przy stu tysiącach trzy minutowych połączeń? Na papierze CSM 1B: 270 milionów znaków, około 1890 dolarów na checkpointcie w porównaniu z około 4050 dolarów na AssemblyAI-TTS-1. W praktyce kwota dla checkpointu nie obejmuje godzin GPU, inżyniera serwingu ani pracy nad opóźnieniami potrzebnej, by zbliżyć się do strumienia klasy agentowej. Przy takim wolumenie uczciwe porównanie to 4050 dolarów wobec „nie wiadomo, dopóki się tego nie zbuduje”, a niewiadoma jest z tych dwóch droższa.

Czy AssemblyAI-TTS-1 może sklonować mój własny głos? Tak, przez przesłanie nagrania trwającego około 24 sekund i potwierdzenie, że masz zgodę osoby mówiącej; identyfikator głosu jest zwracany w ciągu kilku sekund i rozliczany według tej samej stawki za znak co biblioteka. Nie ma wyszkolonego, profesjonalnego klona, więc wynikiem jest użyteczna tożsamość, a nie zarządzany zasób marki — a w momencie premiery nie było dostępne klonowanie z dostrajaniem.

Która to właściwie decyzja

Jeśli widniejąca przed tobą nazwa to Sesame Preview, zatrzymaj się: nie ma nic do zintegrowania i żadnej ceny do porównania. Jeśli to CSM 1B, to nie wybierasz modelu TTS, tylko decydujesz, czy posiadać warstwę obsługi — a trzy warunki, które czynią „tak” uzasadnionym, to: potrzebujesz tylko języka angielskiego, dysponujesz mocą GPU wraz z odpowiednim inżynierem oraz chcesz mieć model w obrębie własnej infrastruktury. Wszystko inne przemawia za endpointem.

Argument kosztowy, który zwykle rozstrzyga sprawę, wcale nie dotyczy stawki za znak. Chodzi o konsolidację: agent głosowy zwykle gromadzi dostawcę TTS, dostawcę zamiany mowy na tekst i dostawcę modelu językowego, każdy z własną umową i własnym cyklem zmian cen. OrcaRouter istnieje, aby spłaszczyć tę ostatnią warstwę — jedno API dla ponad 200 modeli w cenie katalogowej dostawcy z 0% marży, dzięki czemu obniżka ceny dostawcy trafia do Twojego rachunku tego samego dnia, a nie dopiero przy kolejnym odnowieniu, wraz z automatycznym przełączaniem awaryjnym, DSL routingu do składania modeli w jedno wywołanie i fuzją modeli, gdy jedna odpowiedź nie wystarcza. AssemblyAI-TTS-1 i CSM 1B są obecnie poza tym katalogiem — nasze ścieżki mowy to rodzina tts-1 OpenAI i wersje zapoznawcze Gemini TTS Google — więc argument dotyczy rachunku, który już opłacasz, a nie zakupu, którego możesz dokonać tutaj.

Aplikacja Sesame to najlepsza darmowa demonstracja w tej kategorii i prawdopodobnie doczeka się wkrótce produktu deweloperskiego. AssemblyAI-TTS-1 to cennik, który możesz podpisać w tym tygodniu. Wobec tych dwóch faktów jedynym planem, którego można bronić, jest budowanie na tym, który istnieje, i pozostawienie w architekturze miejsca na drugi, gdyby Sesame kiedykolwiek wydało model zamiast broszury.