Simba 3.5 kontra Sesame Preview: jeden jest sprzedawany za znak, drugi za stanowisko.

Oto porównanie, które wygląda jak porównywanie jabłek z pomarańczami, dopóki nie spojrzysz na ceny — wtedy staje się zwykłą arytmetyką. SpeechifyAI Simba 3.5 to model zamiany tekstu na mowę, który kupujesz za miliony znaków i wywołujesz z własnego kodu. Sesame Preview to konsumencki agent głosowy, który kupujesz za miesiąc, na osobę, w aplikacji. Oba można kupić — Sesame opublikowało listę planów Free, Plus i Pro i przestało być darmowym demo — i oba generują syntetyczny ludzki głos. Jeden jest komponentem, a drugi produktem, i jedynym uczciwym sposobem wyboru między nimi jest ustalenie, której z tych dwóch rzeczy naprawdę potrzebuje twój problem.

Firma Sesame faktycznie publikuje model: CSM-1B, otwarte wagi na Hugging Face na licencji Apache 2.0. To nie jest głos, który słyszysz w aplikacji. Aplikacja działa na systemie produkcyjnym bez API, bez identyfikatora modelu i bez niezależnej oceny w rankingu Arena, a wydanie badawcze nie zmieniło się od 2025 roku. Ta luka to najważniejszy fakt w tym tekście i powód, dla którego te dwa produkty nie są substytutami.

Ile kosztuje każdy z nich po przeliczeniu na tę samą jednostkę

Niezgodność jednostek to miejsce, w którym zatrzymuje się większość opracowań, więc zacznij od tego. Simba 3.5 rozlicza za znak tekstu wejściowego. Sesame rozlicza za stanowisko miesięcznie, z limitem czasu rozmów. Żadnej z tych stawek nie da się czysto przeliczyć na drugą, ale obie można przeliczyć na „ile to kosztuje moją organizację w miesiącu”, a to porównanie nie jest bliskie.

• Simba 3.5, cennik od 22 listopada — $15.00 za milion znaków w planie Starter, $12.00 w planie Pro, $10.00 w planie Scale

• Simba 3.5, do 21 listopada — $10.00, $8.00 i $6.00 za milion znaków, stawki starszych modeli

Sesame Free — $0, 30 minut rozmów dziennie

• Sesame Plus — 20 USD miesięcznie, dwie godziny rozmów dziennie, czterokrotność tygodniowego przydziału kredytów Free

• Sesame Pro — 100 USD miesięcznie, dziesięć godzin rozmów dziennie, dwadzieścia razy więcej tygodniowych kredytów niż w planie Free

• Dodatki Sesame — 5 USD za jedną dodatkową godzinę rozmów, 20 USD za pięć; kredyty po 5 USD za tysiąc i 20 USD za pięć tysięcy, pakiety, które nie wygasają

Dziesięć milionów znaków Simba 3.5 w planie Scale kosztuje 100 USD i daje gdzieś w okolicach dwustu godzin gotowej mowy. Sesame Pro kosztuje 100 USD miesięcznie i zapewnia jednej osobie dziesięć godzin rozmów dziennie. To różne produkty z tą samą pozycją na fakturze i naprawdę trudno powiedzieć, że któryś z nich jest korzystniejszy, bo jeden tworzy zasób, a drugi prowadzi rozmowę.

Liczba Sesame, którą warto odnotować, to stawka za przekroczenie limitu, a nie sama subskrypcja. Dodatkowy czas rozmów za 5 dolarów za godzinę to około 0,083 dolara za minutę — dużo jak na rozmowę, a tanio jak na produkt, który zdecydowałeś się pokazać klientom. Pakiety nigdy nie wygasają i są zużywane po wyczerpaniu limitu z planu, więc to godzinę krańcową należy modelować, a nie stawkę z nagłówka oferty.

Czym dokładnie jest Simba 3.5

Simba 3.5 został uruchomiony 21 października 2026 r. jako model rekomendowany przez Speechify, zastępując Simba 3.2 jako przyszły wybór dla języka angielskiego i rozszerzając zakres z sześciu języków do 48 w ramach jednego identyfikatora modelu. Każdy głos z katalogu obsługuje wszystkie 48 języków, w tym sklonowany głos w planie płatnym, z tym samym identyfikatorem głosu. Estoński i kantoński są wyraźnie wykluczone. Identyfikatory głosów, formaty wyjściowe, znaczniki mowy i stosowany podzbiór SSML są przenoszone z wersji 3.2, więc migracja to jednolinijkowa zmiana pola modelu bez podnoszenia wersji API.

W Artificial Analysis zajmuje pierwsze miejsce w Controlled Voice z wynikiem 1 192 i piąte w Provider Voice z wynikiem 1 294, odpowiednio na podstawie 1 783 i 1 732 próbek. W tym porównaniu znaczenie ma tablica Controlled Voice: klonuje te same osiem głosów referencyjnych dla każdego uczestnika, więc model, który dobrze wypada w tej kategorii, radzi sobie z głosem, którego nigdy nie słyszał. Właśnie tego wymaga przepływ pracy oparty na klonowaniu głosu.

Własne liczby Speechify, których nie odtworzył nikt spoza firmy: 63% preferencji w teście ślepym względem Simba 3.2 przy podanym 95-procentowym przedziale od 60% do 67%, 72 milisekundy do pierwszego dźwięku na 95. percentylu żądań strumieniowych oraz 1,8-krotność przepustowości Simba 3.2 na instancję obsługującą. Towarzyszą one liczbom z areny jako deklaracje dostawcy, a nie niezależny pomiar, i tak należy je czytać.

Czym dokładnie jest Sesame Preview

Sesame Preview to aplikacja agentowa stawiająca głos na pierwszym miejscu, dostępna w publicznej wersji zapoznawczej od maja 2026 r., oferująca persony o własnych nazwach, pamięć zachowywaną między sesjami oraz możliwość wykonywania zadań — wyszukiwania, notatek, przypomnień — z podsumowaniem na koniec rozmowy. Działa na iOS i Androidzie, a trzy powyższe poziomy sprzedaje przez sklepy z aplikacjami, a nie przez stronę internetową, i utrzymuje bezpłatny Research Preview w przeglądarce dla użytkowników spoza krajów dostępności aplikacji, z tym samym dziennym limitem 30 minut co plan Free.

Jej inżynieria koncentruje się na turn-taking, a nie na renderowaniu, a firma opublikowała na ten temat konkretne prace badawcze. TurnBench, udostępniony 28 sierpnia 2026 r. wraz z artykułem na arXiv, mierzy synchronizację czasową rozmowy na trzydziestu godzinach dwukanałowych nagrań studyjnych — 154 dialogi, 106 aktorów głosowych w 53 parach, nagranych w osobnych dźwiękoszczelnych kabinach — oceniając wykrywanie końca tury i wtrącanie się względem dwóch rodzajów przypadków granicznych. Obecny ranking obejmuje 25 sklasyfikowanych systemów. Żaden z nich nie jest modelem zamiany tekstu na mowę, ponieważ zadanie jest inne.

I co krytyczne: nie ma punktu końcowego modelu Sesame. Żadnego identyfikatora, żadnej karty stawek, żadnego parametru głosu referencyjnego. Programista nie może wywołać Sesame Preview z kodu, podobnie jak nie może wywołać rozmowy telefonicznej. Jedynym ładowalnym artefaktem Sesame jest CSM-1B, a Sesame wyraźnie stwierdza, że CSM „może modelować wyłącznie treść tekstową i mową w rozmowie — nie strukturę samej rozmowy”.

Asymetria, która przesądza sprawę

Simba 3.5 potrafi zrobić wąską, częściową wersję tego, co robi Sesame. Można ją przesyłać strumieniowo, a streaming w połączeniu z dobrym modelem rozpoznawania mowy to sposób, w jaki dziś buduje się bardzo wiele produkcyjnych agentów głosowych. Nie potrafi natomiast decydować, kiedy przestać mówić, słuchać, gdy mówi, ani przyjmować przerwań — to właściwości otaczającej ją orkiestracji, które musiałbyś zbudować sam.

Sesame nie potrafi odtworzyć w żadnej formie tego, co Simba 3.5 robi dla dewelopera. Nie można umieścić jego głosu w interfejsie produktu przy koszcie za znak, wyrenderować nim audiobooka ani zlokalizować nim katalogu. Można z nim rozmawiać, twoi użytkownicy mogą z nim rozmawiać — i to cały zakres możliwości.

{{1}}Zatem decyzja sprowadza się do pytania o to, co dostarczasz.{{/1}} Jeśli głos jest częścią czegoś, co budujesz, {{2}}Simba 3.5{{/2}} jest kandydatem, a Sesame nie znajduje się na liście. Jeśli tym, czego chcesz, jest gotowe doświadczenie — persona, która prowadzi rozmowę i wykonuje polecenia — kupujesz aplikację Sesame, a kwestia jakości głosu jest rozstrzygana za Ciebie przez firmę, która nie udostępniła jej do pomiaru.

W przypadku lokalizacji luka jest całkowita.

Simba 3.5 obsługuje 48 języków. Sesame Preview obsługuje język angielski, a jego plany nie różnią się w zależności od języka, ponieważ produkt jest angielskojęzyczny. W przypadku każdego zadania, w którym skrypt nie jest w języku angielskim, to porównanie kończy się na pierwszym akapicie kart specyfikacji.

Jest jednak niuans, który warto zachować. 48 języków Speechify wiąże się z zastrzeżeniem, które dostawca podaje wprost: głos zachowuje akcent swojego nagrania źródłowego, więc sklonowany amerykański głos mówiący po japońsku brzmi jak Amerykanin mówiący po japońsku. Własne wytyczne firmy mówią, aby generować za pomocą głosu wybranego przez zespół, rodzimego dla danego obszaru językowego, dlatego jej endpoint voices udostępnia teraz staff_pick_rank. Obsługa międzyjęzykowa jest wspierana; międzyjęzykowość bez akcentu nie jest deklarowanym zapewnieniem.

Odpowiedź Sesame na problem akcentu jest zasadniczo inna: persona ma głos, a głos nie przenosi się, ponieważ rozmowa odbywa się w jednym języku. To nie jest ograniczenie dla produktu konsumenckiego, ale jest bezwzględną przeszkodą w przypadku katalogu.

Gdzie OrcaRouter pasuje, a gdzie nie

OrcaRouter nie oferuje żadnego z tych produktów. Simba 3.5 jest dostępny przez własne API Speechify; Sesame Preview jest dostępny przez sklep z aplikacjami. Niczego tutaj nie należy odczytywać jako twierdzenia przeciwnego.

Trasa „What we do” to mniejszy katalog syntezy, którego użyłbyś jako kontroli podczas testowania decyzji dotyczącej głosu: openai/tts-1 w cenie 15,00 USD za milion znaków oraz openai/tts-1-hd w cenie 30,00 USD, oba w cenie katalogowej dostawcy bez doliczonej marży. Jeśli porównujesz Simba 3.5 z czymkolwiek — w tym z głosem OpenAI, którego już używasz — wyrenderowanie tego samego skryptu przez oba modele na jednym kluczu jest tańszym eksperymentem niż cykl zakupowy, a automatyczne przełączanie awaryjne sprawia, że awaria dostawcy nie zabiera ze sobą Twojej kolejki renderowania.

W przypadku konwersacyjnym nie ma odpowiedzi routera i nieuczciwe byłoby udawać, że jest inaczej. Sesame Preview nie jest punktem końcowym. Jeśli w tworzonym produkcie potrzebujesz naprzemiennego mówienia, porównanie, którego tak naprawdę chcesz, to Simba 3.5 plus własna orkiestracja kontra API mowa-do-mowy w czasie rzeczywistym od dostawcy, który takie API sprzedaje — a to temat na inny artykuł.

Więc który?

Wybierz Simba 3.5, jeśli budujesz: potrzebujesz punktu końcowego, opłaty za znak, którą można prognozować, policzalnej listy języków, sklonowanych głosów, które przetrwają w 48 lokalizacjach, oraz najwyższego w rankingu wyniku w kategorii kontrolowanego głosu, uzyskanego na głosach referencyjnych niewybranych przez dostawcę. To również trzeci tydzień obowiązywania harmonogramu cenowego, który zmienił się już raz, a migracja identyfikatorów modeli — simba-multilingual i simba-english będą obsługiwane przez Simba 3.5 — nastąpi 21 listopada, więc świadomie przypnij identyfikator modelu, zamiast polegać na domyślnym.

Wybierz Sesame Preview, jeśli: chcesz agenta konwersacyjnego z pamięcią i możliwością wykonywania zadań, akceptujesz to, że jego głos nie został zmierzony przez żadne niezależne gremium, a dziesięć godzin rozmów dziennie za 100 dolarów to cena, którą potrafisz przypisać do wartości pracy, jaką wykonuje. To rzecz gotowa, a nie surowiec, a rzeczy gotowe są wyceniane odpowiednio.

Błąd, do którego skłania to porównanie, polega na traktowaniu ich jako konkurentów, ponieważ oba brzmią jak ludzie. Są sprzedawane w różnych jednostkach, konsumowane na różne sposoby, a jednego z nich nie da się w ogóle wywołać z kodu. To nie jest remis do rozstrzygnięcia — to rozwidlenie dróg, a większość zespołów już wie, po której jego stronie stoi.