AssemblyAI-TTS-1 vs Sesame Preview: Um deles não tem tabela de preços

Não é possível comprar o Sesame Preview. Trata-se de um aplicativo de consumo gratuito — Maya, Miles, Simone e Charlie, quatro companheiros com memória persistente no iOS e no Android, um limite de 30 minutos por ligação e um plano não anunciado de vender óculos para você em 2027 — e não há nenhum endpoint para desenvolvedores, nenhum ID de modelo e nenhuma tabela de preços por trás dele. AssemblyAI-TTS-1, por outro lado, é um item de linha: US$ 15 por milhão de caracteres, disponível em geral desde 27 de outubro de 2026, com streaming via HTTP e WebSocket em US-East ou EU-North. Portanto, a comparação como costuma ser apresentada não é uma comparação. É um produto contra uma demonstração.

A comparação torna-se útil no momento em que você substitui o Sesame que de fato tem pesos: Sesame CSM 1B, o checkpoint de fala conversacional sob Apache-2.0 no Hugging Face, um modelo de aproximadamente um bilhão de parâmetros que aceita texto mais contexto de áudio e emite fala em inglês. Agora é uma decisão real — um checkpoint aberto de 1B a US$ 7 por milhão de caracteres contra um endpoint fechado a US$ 15 — e a parte interessante é que o mais barato é aquele em torno do qual você precisa construir um agente.

O que é o Sesame Preview, precisamente, para que a comparação não se perca.

O Sesame Preview é um produto já lançado, com um modelo real dentro dele e sem nenhuma forma de alugar esse modelo. O modelo de produção do aplicativo não é o checkpoint publicado: a Sesame publica o CSM 1B, um modelo de geração base que não foi fine-tuned para uma voz específica, enquanto as personas refinadas no aplicativo são da própria Sesame. O aplicativo alega latência inferior a 300 ms; uma medição de terceiros da persona Maya coloca o primeiro byte em torno de 80–130 ms. Nenhum dos dois números descreve o CSM 1B como você o receberá.

A atualização do aplicativo de outubro de 2026 — expressividade e pronúncia aprimoradas, acesso de agentes ao computador, conectores do Gmail, Agenda e Drive, suporte a MCP, um gerador de imagens — é um sinal de roadmap, não um sinal comercial. A Sesame disse que as ferramentas para desenvolvedores chegarão "mais tarde neste ano", sem especificar o que serão, a que preço, ou se serão o modelo de produção ou o checkpoint. Nenhuma decisão deve se basear nessa frase.

As duas contas, convertidas para a mesma unidade

O CSM 1B está listado a US$ 7,00 por milhão de caracteres em gateways hospedados que o oferecem, com cobrança por caractere em vez de por token. O AssemblyAI-TTS-1 custa US$ 15,00 por milhão de caracteres, e essa tarifa inclui todas as vozes da biblioteca com mais de 4.000, cada um dos seus seis idiomas de lançamento, clonagem instantânea, carimbos de tempo por palavra, processamento nos EUA ou na UE e simultaneidade ilimitada.

A aproximadamente 900 caracteres por minuto de fala comum, a comparação por hora fica em cerca de US$ 0,35 para o CSM 1B contra cerca de US$ 0,81 para o AssemblyAI-TTS-1 — o checkpoint aberto é um pouco mais de duas vezes mais barato por caractere — e o valor do CSM é o que menos informa, porque precifica o modelo e não o sistema.

A lista de dimensões é o ponto em que os dois deixam completamente de ser comparáveis:

• Preço — US$ 7 por milhão de caracteres contra US$ 15, com todas as vozes e clonagem incluídas na opção mais cara.

• Idiomas — o CSM 1B é em inglês, e a ficha técnica do modelo é categórica ao afirmar que qualquer capacidade em outros idiomas é incidental; o app lista vários idiomas como "suporte inicial", o que é uma promessa diferente. O AssemblyAI-TTS-1 foi lançado com seis.

• Inventário de vozes — o CSM 1B traz sete vozes e um modelo base a partir do qual se espera que você faça o clone; o AssemblyAI-TTS-1 traz mais de 4.000 e clonagem instantânea a partir de uma amostra de 24 segundos.

• Profundidade de clonagem — nenhuma das duas oferece um clone profissional treinado. O caminho instantâneo da AssemblyAI exige uma etapa de confirmação de permissão do falante; o CSM 1B transfere a identidade em zero-shot e achata a prosódia ao fazê-lo.

• O que você deve fornecer — o {{1}}CSM 1B{{/1}} precisa de um codec, detecção de turno, montagem de contexto e o loop do agente, além de um orçamento de contexto de 4K tokens que você gerencia sozinho. O {{2}}AssemblyAI-TTS-1{{/2}} precisa de um cliente HTTP, um manipulador de stream e uma mensagem de cancelamento.

Evidências de latência — AssemblyAI-TTS-1 tem uma alegação do fornecedor, duas medições independentes e uma posição em ranking. CSM 1B tem relatos de implantação que abrangem duas ordens de magnitude.

Latência: 90 ms declarados, 159 ms medidos, 9,9 segundos observados

A história de latência do AssemblyAI-TTS-1 é documentada e contestada de uma forma fácil de expor com honestidade. O fornecedor afirma 90 ms até o primeiro áudio em produção e 47 ms de mediana até o primeiro byte em seu laboratório. A Cekura, medindo de forma independente em um teste com formato de agente, obteve 159 ms de mediana na inicialização do streaming, 296 ms no p90, e o classificou em oitavo lugar entre os dezenove modelos que cronometrou. Essa diferença é metodologia — da requisição ao primeiro byte versus da última palavra enviada ao primeiro áudio — e não desonestidade, e a segunda medição é a que o seu interlocutor experimenta.

A história de latência do CSM 1B não é tanto contestada quanto ilimitada. Conversões otimizadas no dispositivo relatam cerca de 120 ms até o primeiro áudio, com um fator de tempo real entre 0,5 e 0,9 em Apple Silicon; uma RTX 5070 Ti não otimizada supostamente opera a aproximadamente metade do tempo real; um anúncio hospedado publica um P50 de cerca de 9,9 segundos e um P95 de cerca de 39 segundos de ponta a ponta. Todos esses descrevem o mesmo checkpoint. Qual você obtém é função de quanta engenharia de serving você traz.

Esse é o cerne de toda a comparação, e não é um argumento de qualidade. Um endpoint fechado já fez o trabalho de servir e incluiu isso no preço: US$ 0,81 por hora, sem GPU, sem codec, sem design de fila. Um checkpoint aberto de 1B entrega um modelo por US$ 0,35 por hora e devolve a você a parte que era cara de construir. Se você já domina essa engenharia, o checkpoint é o melhor negócio por uma margem ampla. Se não domina, os US$ 0,46 por hora que você economiza são um erro de arredondamento diante do primeiro mês do tempo de alguém.

Onde cada um é realmente ruim

Os pontos fracos do AssemblyAI-TTS-1 estão todos na cauda do texto real. O Artificial Analysis pontua-o com 81,7% na robustez de pronúncia no geral, na décima sexta posição, com expansão de abreviaturas em 73,8%; o teste de pronúncia contextual da Cekura coloca-o em vigésimo segundo lugar entre vinte e sete, com 70,8%, embora o classifique em primeiro lugar em números de telefone e códigos, com 91,7%. Não há dicionário de pronúncia nem SSML para corrigir nada disso, e as suas seis línguas são um teto rígido, e não um ponto de partida. A precisão de entidades de 93,7% reportada pelo fornecedor no seu próprio conjunto de 580 itens diz o contrário, e só o seu corpus pode determinar qual medição descreve o seu tráfego.

Os pontos fracos do CSM 1B são estruturais, e não relacionados a dados. Ele é exclusivamente em inglês por concepção. É um modelo base, então a voz que você obtém não é uma voz ajustada por ninguém. Ele corta a palavra final em algumas gerações, carrega uma marca-d'água em seu gerador de referência, e alguns wrappers hospedados descartam silenciosamente os parâmetros de contexto, idioma e comprimento máximo — o que significa que um gateway que lhe oferece CSM 1B pode não estar executando o modelo conforme documentado. Seu contexto é de 4K tokens, com saída máxima em torno de 3.686, então conversas longas precisam ser montadas por você.

Uma coisa que nenhum dos dois é — e isso importa para qualquer pessoa que venha do aplicativo para consumidores: um parceiro conversacional. O AssemblyAI-TTS-1 converte texto em fala e não tem noção de estado de diálogo. O CSM 1B é o mais consciente de diálogo dos dois — ele recebe contexto de áudio como entrada — mas produz fala um turno por vez, sem detecção de turno própria. A aparente fluidez do aplicativo é fruto do produto, e nenhum dos modelos a entrega.

Três perguntas que as pessoas realmente fazem

O CSM 1B é o mesmo modelo que o aplicativo Sesame executa?Não. O aplicativo executa o modelo de produção da Sesame; o checkpoint é um modelo de geração base lançado sob Apache 2.0, e a lacuna entre eles é exatamente o motivo pelo qual o aplicativo soa como a Maya e uma nova implantação do CSM 1B não. Trate o aplicativo como uma demonstração do que a Sesame pode construir, não como uma prévia do que você receberá.

Qual sai mais barato em cem mil ligações de três minutos?No papel, o CSM 1B: 270 milhões de caracteres, cerca de US$ 1.890 no checkpoint contra cerca de US$ 4.050 no AssemblyAI-TTS-1. Na prática, o valor do checkpoint exclui horas de GPU, o engenheiro de serving e o trabalho de latência necessário para chegar a algo próximo de um stream de nível de agente. Nesse volume, a comparação honesta é US$ 4.050 contra "desconhecido até você construí-lo", e o desconhecido é o mais caro dos dois.

A AssemblyAI-TTS-1 consegue clonar minha própria voz? Sim, enviando uma gravação de cerca de 24 segundos e confirmando que você tem a permissão do falante; o ID da voz é retornado em segundos e é cobrado à mesma taxa por caractere que a biblioteca. Não há um clone profissional treinado, então o resultado é uma identidade utilizável, e não um ativo de marca governado — e não havia clonagem com ajuste fino disponível no lançamento.

Qual é, na verdade, esta decisão

Se o nome à sua frente for Sesame Preview, pare: não há nada para integrar e nenhum preço para comparar. Se for CSM 1B, então você não está escolhendo um modelo TTS, está escolhendo se quer ser dono da camada de serving — e as três condições que tornam o "sim" defensável são que você precisa apenas de inglês, que você tem capacidade de GPU com um engenheiro à altura, e que você quer o modelo dentro do seu próprio perímetro. Todo o resto argumenta em favor do endpoint.

O argumento de custo que normalmente decide isso não é, de forma alguma, a tarifa por caractere. É a consolidação: um agente de voz tende a acumular um fornecedor de TTS, um fornecedor de fala para texto e um fornecedor de modelo de linguagem, cada um com seu próprio contrato e seu próprio ciclo de mudança de preço. O OrcaRouter existe para achatar essa última camada — uma API para mais de 200 modelos pelo preço de tabela do provedor, com 0% de margem, de modo que um corte de preço de um fornecedor chega à sua fatura no mesmo dia, em vez de na próxima renovação, com failover automático, um DSL de roteamento para compor modelos em uma única chamada e fusão de modelos quando uma única resposta não basta. AssemblyAI-TTS-1 e CSM 1B estão ambos fora desse catálogo hoje — nossas rotas de fala são a família tts-1 da OpenAI e as prévias do Gemini TTS do Google —, então o argumento é sobre a fatura que você já está pagando, não sobre uma compra que você pode fazer aqui.

O app do Sesame é a melhor demonstração gratuita nesta categoria e provavelmente vai ganhar um produto para desenvolvedores eventualmente. O AssemblyAI-TTS-1 é uma tabela de preços que você pode assinar esta semana. Entre esses dois fatos, o único plano defensável é construir sobre o que já existe e deixar um espaço na sua arquitetura para o outro, caso o Sesame algum dia lance o modelo em vez do folheto.