Rime Prism vs Sesame Preview: Cennik w starciu z reputacją

Sesame Preview możesz dziś wieczorem usłyszeć za darmo. Nie da się go kupić. Rime Prism możesz kupić za 0,080 USD za minutę, a prawie nikt spoza Rime nie opublikował nagrania, które wolno mu było zmierzyć. Obie części tego zdania stanowią porównanie: jeden z nich to najlepiej oceniany głos w konsumenckiej AI, którego żaden deweloper nie może wywołać, a drugi to zupełnie nowy punkt końcowy dla przedsiębiorstw, który startup może w tym tygodniu wdrożyć w drzewku telefonicznym. Rime Prism zadebiutował 28 października 2026 r. jako pierwszy model zamiany mowy na mowę firmy Rime. Sesame Preview działa jako darmowa zapowiedź badawcza od początku 2025 r., a produkcyjny głos, który się za nim kryje, wciąż nie został udostępniony.

Porównuje się je, ponieważ oba twierdzą, że oferują realistyczną rozmowę, i ponieważ oba w momencie premiery są dostępne tylko po angielsku. Nie są one alternatywami. Jeden to aplikacja, z którą rozmawiasz, drugi to punkt końcowy, na którym budujesz, a decyzja między nimi jest w mniejszym stopniu wyborem głosu niż wyborem tego, czy kupujesz produkt, czy komponent.

Podział, który decyduje o niemal wszystkim

Zespół, który chce wdrożyć agenta, zadaje dwa pytania w tej kolejności: czy mogę go wywołać i ile kosztuje jedno wywołanie. Sesame Preview nie spełnia pierwszego warunku. Nie ma publicznego API dla modelu stojącego za aplikacją, identyfikatora modelu, punktu końcowego ani opublikowanej ceny. Sesame, z którym można rozmawiać, to produkt konsumencki z czterema nazwanymi asystentami, trwałą pamięcią i rosnącym zestawem narzędzi; model, który się pod nim kryje, nie jest czymś, do czego deweloper może się zwrócić.

Jedyną rzeczą od Sesame, którą ktokolwiek może wywołać, jest CSM-1B — checkpoint o otwartych wagach, który firma udostępniła w 2025 r. na licencji Apache 2.0: około 1 mld parametrów, kontekst 4K, monofoniczne audio 24 kHz. To nie jest głos z aplikacji i nie jest agentem — uwzględnia historię rozmowy, ale nie potrafi rozumować na jej temat tak jak model językowy. To komponent mowy, i tylko jeden.

• Dostępność — Rime Prism to odpłatne API z darmowym planem; Sesame Preview to darmowa aplikacja konsumencka bez API dla swojego produkcyjnego głosu.

• Cena — Prism 0,080 USD za minutę audio w połączeniu w planie Flex, 0,064 USD w planie Scale; Sesame nie publikuje ceny i nie pobiera żadnych opłat za aplikację.

• Ryzyko rozliczeń — Prism pobiera opłaty niezależnie od tego, czy rozmowa przebiegnie pomyślnie, czy nie; koszt Sesame to po prostu koszt aplikacji, czyli zero — i nie jest to model biznesowy, na którym można oprzeć planowanie.

• Podstawa opóźnienia — Prism 0,57 s czasu do pierwszego dźwięku, zmierzonego przez dostawcę na τ-Voice; aplikacja Sesame twierdzi poniżej 300 ms, a pomiar zewnętrzny persony Maya ustalił czas do pierwszego bajtu na 80–130 ms.

• Niezależny wynik — żaden z modeli nie występuje w Speech-to-Speech Index Artificial Analysis.

• Języki — na start oba tylko po angielsku; Sesame podaje francuski, włoski, niemiecki, hiszpański, chiński, japoński i koreański jako języki wczesnego wsparcia.

• Wdrożenie — Prism oferuje wersję chmurową, VPC i wersję lokalną z HIPAA BAA i SOC 2 Type II; Sesame oferuje aplikację.

Rime Prism, jako punkt końcowy

Prism jest sprzedawany tak, jak sprzedaje się oprogramowanie dla przedsiębiorstw: darmowy plan z 50 USD miesięcznego kredytu i bez podawania karty, Flex w cenie 0,080 USD/min bez zobowiązań, Scale za 100 USD miesięcznie ze 100 USD kredytu i 0,064 USD/min oraz Enterprise z cenami wolumenowymi i rocznym zobowiązaniem. Każdy poziom to ten sam model. Prism przesyła strumieniowo dane przez WebSockets i integruje się z LiveKit i Pipecat, co ma znaczenie, ponieważ właśnie tam już działa większość samodzielnie zbudowanych agentów głosowych.

Funkcje, które uzasadniają taką stawkę, to te, których aplikacja konsumencka nie ma powodu budować. Prism zapisuje swoją odpowiedź jako tekst, zanim ją wypowie, dzięki czemu aplikacja może odczytać dokładne zdanie, przeprowadzić wobec niego kontrolę zgodności z politykami lub filtr danych osobowych (PII) i przepuścić dźwięk tylko wtedy, gdy zdanie przejdzie tę kontrolę — a model cały czas nasłuchuje, więc sprawdzenie nie musi zamieniać się w słyszalną pauzę. Wywołania narzędzi odbywają się równolegle z mową. Dostrajanie modelu na własnych nagraniach rozmów i śladach wywołań narzędzi klienta to podstawowy przypadek biznesowy, przy czym samoobsługowe API do SFT i RL wciąż znajdują się w fazie beta.

Własne dane firmy podają czas do pierwszego dźwięku na poziomie 0,57 sekundy i wskaźnik ukończenia τ-Voice na poziomie 56,6%, a w podzbiorze telekomunikacyjnym benchmarku – 82,5%. W studium przypadku Revmo dotyczącym około dziesięciu godzin rzeczywistych rozmów zamówieniowych podaje się 100% potwierdzeń zamówień w porównaniu z 68% dla nieujawnionego modelu OpenAI. To zlecone badanie klienta, którego metodologia nie została opublikowana, i należy je odczytywać jako twierdzenie dostawcy, a nie wynik.

Sesame Preview jako produkt

Sesame stawia na to, że asystent głosowy powinien przypominać osobę, którą znasz. Cztery persony — Maya, błyskotliwa współpracowniczka, Miles, ten wyluzowany, Simone do głębokich analiz i Charlie jako swobodny partner do rozmowy — każda ma własną pamięć i własny sposób mówienia. Aplikacja przeszukuje internet, prowadzi długie researchy, przechowuje notatki i przypomnienia, podsumowuje rozmowy i obsługuje tryb incognito. 6 października 2026 Sesame udostępniło zaktualizowany CSM z lepszą ekspresyjnością i wymową, dało swoim agentom dostęp do własnego komputera oraz dodało konektory Gmail, Calendar i Drive, zewnętrzne serwery MCP przez OAuth, umiejętności tworzone przez użytkowników i generator obrazów w aplikacji.

Czego jednak nie ma, to sposobu na wejście. Aplikacja jest darmowa, nie wyświetla reklam i nie sprzedaje danych, co jest przyjemne dla użytkownika, a dla kupującego pozostaje nierozwiązaną kwestią. Wciąż nie ogłoszono, w jaki sposób Sesame zamierza zarabiać i czy deweloperzy kiedykolwiek otrzymają punkt końcowy. Premiera okularów została wyznaczona na 2027 r. w Japonii; narzędzia deweloperskie obiecano na „później w tym roku”, bez szczegółów.

Reputacja jest jednak prawdziwa. Głosy Sesame to te, których klipy ludzie wysyłają sobie nawzajem, a konsensus recenzentów jest wyjątkowo przychylny od dwóch lat z rzędu. Problem w tym, że reputacja to nie specyfikacja: dla modelu produkcyjnego nie opublikowano żadnej wartości opóźnienia, nie istnieje dla niego wynik testu odsłuchu w ciemno, a jedynym elementem, który można niezależnie uruchomić, jest checkpoint 1B, co jest czymś innym.

Jedyna możliwość wykluczona przez Sesame

Jeśli powodem, dla którego chcesz głos Sesame, jest to, że brzmi jak człowiek, to naprawdę musisz odtworzyć pętlę konwersacyjną, a nie barwę głosu. A pętla konwersacyjna dla biznesu ma wymagania, którym aplikacja konsumencka nigdy nie musi sprostać: ścieżkę audytu tego, co agent zamierzał powiedzieć, sposób, by powstrzymać go przed wypowiedzeniem tego, wywołanie narzędzia, które zostanie rozstrzygnięte, zanim dzwoniący to zauważy, oraz wdrożenie, które przejdzie przegląd zgodności.

Prism opiera się na tych wymaganiach i dlatego kosztuje. Sesame opiera się na czymś przeciwnym: zamkniętym, starannie dobranym, darmowym doświadczeniu, w którym firma kontroluje każdą zmienną. Oba są uzasadnionymi produktami. Tylko jeden z nich jest komponentem, który można wpiąć w proces obsługi roszczeń.

Oba są wyłącznie po angielsku — z przeciwnych powodów.

Prism zadebiutował wyłącznie w języku angielskim z ograniczonym zestawem głosów, ponieważ to pierwsze wydanie, a zapewnienie obsługi głosowej jest kosztowne. Sesame stawia najpierw na angielski, ponieważ jego produkt to zestaw angielskojęzycznych osobowości; francuski, włoski, niemiecki, hiszpański, chiński, japoński i koreański są oznaczone jako wczesne wsparcie, co jest inną obietnicą niż „wspierane”.

W przypadku wielojęzycznego centrum kontaktowego jest to sekcja, która kończy artykuł. Żaden z tych modeli nie obsługuje obecnie kolejki o mieszanych językach, a porównanie, które naprawdę ma znaczenie dla tego nabywcy, dotyczy warstwy TTS z szerokim pokryciem językowym oraz modelu tekstowego z routingiem, a nie któregokolwiek z tych dwóch.

Problem pomiaru

Żaden z tych modeli nie znajduje się w Speech-to-Speech Index firmy Artificial Analysis — jedynym niezależnym rankingu, który ocenia modele głosu konwersacyjnego pod kątem ukończenia zadań, preferencji w arenie i sukcesu w zadaniach. Ten brak nie jest zarzutem wobec któregokolwiek z produktów; właśnie dlatego ta strona musi opierać się na deklaracjach dostawców w przypadku obu.

Wynik 56,6% w τ-Voice dla Prism pochodzi z własnego przebiegu Rime. Przeczytaj tabelę, którą Rime publikuje obok niego, a GPT-Live-1 (Sol, low) pojawia się w niej z wynikiem 59,3% — wyższym niż Prism — podczas gdy materiał promocyjny twierdzi, że Prism wyprzedza każdy model czasu rzeczywistego OpenAI i Google. Posty premierowe powtarzają też „poniżej 300 ms” i „4× szybciej” — liczby, których nie ma w tabeli benchmarku, gdzie podano 0,57 s. Może to być pomiary różnych rzeczy; Rime nie mówi, o które chodzi.

Pozycja Sesame jest jeszcze trudniejsza, ponieważ nie ma modelu produkcyjnego, który można by zmierzyć. Na swoją korzyść zbudowała jednak narzędzie, które by go zmierzyło: TurnBench, wydany 28 sierpnia 2026 r., to otwartoźródłowy benchmark do oceny przejmowania głosu (turn-taking) w dialogu mówionym, opracowany we współpracy z Carnegie Mellon, Mundo AI i Oto, z publiczną tabelą wyników i samoobsługowym punktowaniem. Jest to benchmark samego Sesame, a nie neutralny, ale stanowi autentyczny wkład, a liczba, wokół której został zbudowany, jest najbardziej użyteczną wartością w całym tym porównaniu: typowa przerwa między ludzkimi wypowiedziami wynosi około 200 milisekund, podczas gdy zaplanowanie pojedynczego słowa zajmuje około 600. Dlatego właśnie przejmowanie głosu, a nie jakość głosu, zdradza maszynę.

Jedynym niezależnym dowodem dołączonym do katalogu Rime jest jego linia TTS, a w Text-to-Speech Arena Coda zajmuje 65. miejsce na 99 z wynikiem Elo 1054, a Mist V2 — 92. miejsce z 903. To nie mówi nic rozstrzygającego o Prism, którego głosy są nowe — ale oznacza, że „Rime nigdy nie miał głosu w czołówce niezależnego rankingu” to prawdziwe stwierdzenie, które kupujący powinien usłyszeć przed podpisaniem kontraktu z Scale.

Koszt linii telefonicznej w każdym kierunku

Wycena Prisma jest prosta. Dziesięć tysięcy minut połączeń przychodzących to $800 w Flex lub $640 w Scale, przed zastosowaniem jakiejkolwiek zniżki Enterprise. Pięciominutowe połączenie to $0.40. Jeśli agent musi jeszcze podsumować rozmowę po jej zakończeniu, dochodzi do tego koszt modelu tekstowego — niewielki w porównaniu z rachunkiem za połączenia głosowe.

Sesame nie da się wycenić, bo nie ma stawki, na podstawie której można by ją wycenić. Aplikacja nic nie kosztuje i nie można jej osadzić; otwarty checkpoint kosztuje 7 dolarów za milion znaków u swojego jedynego dostawcy hostingu, a self-hosting oznacza samodzielne zarządzanie stosem inferencji, kodekiem, detekcją tur i logiką agenta. Każdy, kto podaje koszt za minutę dla „Sesame”, podaje koszt braku rachunku za aplikację, a nie za usługę.

To jest praktyczna asymetria: Prism jest drogi i czytelny, Sesame jest darmowy i niedostępny. Na spotkaniu budżetowym można się spierać o $0.080 za minutę. Nie da się nic zrobić z „brakiem endpointu”.

Trzech kupujących, trzy różne odpowiedzi

Przedsiębiorstwo obsługujące przychodzące połączenia do wsparcia powinno przyjrzeć się Prism. Kontrola tekstu, HIPAA BAA, opcja on-premises oraz stawka za minutę są ukierunkowane dokładnie na to zadanie, a ryzyko związane z deklaracjami dostawcy jest akceptowalne, ponieważ warunki handlowe są standardowe. Przeprowadź pilotaż na jednym przepływie połączeń, samodzielnie zmierz wskaźnik containmentu i traktuj studium przypadku Rime 100% vs 68% jako hipotezę do sprawdzenia, a nie prognozę.

Deweloper, który chce mieć brzmienie Sesame we własnym produkcie, nie powinien czekać na API, którego nie ogłoszono. Realistyczna ścieżka to otwarty checkpoint TTS plus własna orkiestracja — a orkiestracja to ta część, którą można tanio wynająć. OrcaRouter udostępnia ponad 200 modeli tekstowych za jednym kluczem w cenie katalogowej dostawcy z 0% marży, dodaje automatyczne przełączanie awaryjne, dzięki czemu agent głosowy nie pada, gdy jeden dostawca ma słabą minutę, oraz udostępnia DSL do routingu, tak aby rutynowe tury trafiały do małego modelu, a eskalacje do dużego. Warstwa głosowa i warstwa rozumowania nie muszą pochodzić od tej samej firmy, a w przypadku większości twórców nie powinny.

Konsument lub ktokolwiek, kto buduje dla siebie osobistego asystenta, powinien po prostu używać Sesame. Jest darmowe, jest dobre, a brak API nie ma znaczenia dla kogoś, kto nie pisze kodu.

Co zmieniłoby odpowiedź

Trzy wydarzenia. Opublikowanie przez Sesame API i cennika (rate card) zmieniłoby to z dnia na dzień w prawdziwe porównanie i natychmiast postawiłoby pytanie, czy jego jakość głosu przetrwa sprzedaż jako komponent. Pojawienie się Prism w Speech-to-Speech Index dałoby mu pierwszy niezależny wynik w historii i rozstrzygnęłoby, czy stwierdzenie „przed OpenAI i Google” przetrwa zderzenie z neutralnym rankingiem. A wyjście API Prism do fine-tuningu z fazy beta oddzieliłoby przedsiębiorstwa, które już mogą to kupić, od wszystkich pozostałych.

Dopóki jedno z nich się nie wydarzy, porównanie dotyczy produktu, którego można doświadczyć, oraz produktu, który można wdrożyć, a jedyną złą odpowiedzią jest traktowanie ich jako dwóch wersji tego samego zakupu. Sesame to głos, który sprawił, że ludzie znów zaczęli interesować się konwersacyjną AI. Prism to pierwsza poważna próba sprzedania tego uczucia za minutę z dołączonym dziennikiem audytu. Żaden z nich nie jest zamiennikiem drugiego.