Rime Prism vs Sesame Preview: Uma Tabela de Tarifas Contra uma Reputação

Pode ouvir o Sesame Preview esta noite de graça. Não é possível comprá-lo. Pode comprar o Rime Prism por $0,080 por minuto, e quase ninguém fora da Rime publicou um clipe que tivesse permissão para medir. As duas metades dessa frase são a comparação: uma delas é a voz mais bem conceituada na IA de consumo que nenhum desenvolvedor consegue chamar, e a outra é um endpoint empresarial novíssimo que uma startup pode colocar numa árvore telefônica esta semana. O Rime Prism foi lançado em 28 de outubro de 2026 como o primeiro modelo de fala para fala da Rime. O Sesame Preview está em execução como uma prévia de pesquisa gratuita desde o início de 2025, com a voz de produção por trás dele ainda não lançada.

Eles são comparados porque ambos fazem uma afirmação sobre realismo conversacional e porque ambos são apenas em inglês no lançamento. Não são alternativas. Um é um aplicativo com o qual você conversa, o outro é um endpoint sobre o qual você constrói, e a decisão entre eles é menos uma escolha de voz do que uma escolha sobre se você está comprando um produto ou um componente.

A divisão que decide quase tudo

Uma equipe que quer lançar um agente faz duas perguntas nesta ordem: posso chamá-lo e quanto custa por chamada. O Sesame Preview falha na primeira. Não há API pública para o modelo por trás do aplicativo, nem ID de modelo, nem endpoint e nem preço publicado. O Sesame com o qual você pode conversar é um produto de consumo com quatro assistentes nomeados, memória persistente e um conjunto crescente de ferramentas; o modelo por baixo dele não é algo que um desenvolvedor possa acessar.

A única coisa da Sesame que qualquer pessoa pode chamar é o CSM-1B, o checkpoint de pesos abertos que a empresa lançou em 2025 sob a Apache 2.0: cerca de 1 bilhão de parâmetros, contexto de 4K e áudio mono de 24 kHz. Essa não é a voz no aplicativo, e não é um agente — ele se condiciona ao histórico da conversa, mas não consegue raciocinar sobre ele como um modelo de linguagem. É um componente de fala, e apenas um.

Disponibilidade — Rime Prism é uma API paga com um nível gratuito; Sesame Preview é um aplicativo gratuito para consumidores, sem API para sua voz de produção.

• Preço — Prism US$ 0,080 por minuto de áudio de chamada no Flex, US$ 0,064 no Scale; a Sesame não publica preço e não cobra nada pelo aplicativo.

• Risco de cobrança — a Prism cobra quer a chamada corra bem ou não; o custo da Sesame é o que o aplicativo custar, que é zero — e não é um modelo de negócio com o qual se possa planejar.

• Base de latência — Prism 0,57 s de tempo até o primeiro áudio, medido pelo fornecedor no τ-Voice; o app da Sesame afirma menos de 300 ms, e medições de terceiros da persona Maya situaram o tempo até o primeiro byte em 80 a 130 ms.

• Pontuação independente — nenhum dos modelos aparece no Speech-to-Speech Index da Artificial Analysis.

• Idiomas — ambos apenas em inglês no lançamento; a Sesame lista francês, italiano, alemão, espanhol, chinês, japonês e coreano como suporte inicial.

• Implantação — A Prism oferece nuvem, VPC e instalação local (on-premises), com BAA de HIPAA e SOC 2 Type II; a Sesame oferece um aplicativo.

Rime Prism, como um endpoint

O Prism é vendido como o software empresarial é vendido: um nível gratuito com $50 de crédito mensal e sem cartão, Flex a $0.080/min sem compromisso, Scale a $100 por mês com $100 de crédito e $0.064/min, e Enterprise com tarifas por volume e compromisso anual. Todos os níveis usam o mesmo modelo. O Prism transmite por WebSockets e se integra ao LiveKit e ao Pipecat, o que importa porque é nesses dois que a maioria dos agentes de voz construídos internamente já reside.

Os recursos que justificam a tarifa são aqueles que um aplicativo para consumidores não tem motivo para criar. O Prism escreve sua resposta como texto antes de falar, para que uma aplicação possa ler a frase exata, executar uma verificação de política ou um filtro de PII sobre ela e deixar o áudio prosseguir apenas se ela passar — enquanto o modelo continua ouvindo, de modo que a verificação não precise se tornar uma pausa audível. As chamadas de ferramentas são executadas em paralelo com a fala. O ajuste fino com as próprias chamadas e os rastros de ferramentas de um cliente é o caso de negócios central, com APIs de SFT e RL de autoatendimento ainda em beta.

Os números da própria empresa indicam um tempo até o primeiro áudio de 0,57 segundos e uma taxa de conclusão do τ-Voice de 56,6%, com 82,5% no subconjunto de telecomunicações do benchmark. Um estudo de caso da Revmo sobre cerca de dez horas de chamadas reais de pedidos é citado com 100% de confirmações de pedidos, contra 68% de um modelo OpenAI não identificado. Trata-se de um estudo de cliente encomendado, sem metodologia publicada, e deve ser lido como uma alegação do fornecedor, e não como um resultado.

Sesame Preview, como produto

A proposta da Sesame é que um assistente de voz deve parecer uma pessoa que você conhece. As quatro personas — Maya, a colaboradora espirituosa; Miles, o descontraído; Simone, para mergulhos profundos; e Charlie, como um interlocutor casual — cada uma tem sua própria memória e seu próprio jeito de falar. O app pesquisa na web, realiza pesquisas longas, mantém notas e lembretes, resume chamadas e oferece suporte a um modo incógnito. Em 6 de outubro de 2026, a Sesame lançou um CSM atualizado com melhor expressividade e pronúncia, deu aos seus agentes acesso ao próprio computador e adicionou conectores para Gmail, Calendar e Drive, servidores MCP externos via OAuth, habilidades criadas pelos usuários e um gerador de imagens no app.

O que lhe falta é uma forma de entrada. O aplicativo é gratuito, não exibe anúncios e não vende dados, o que é agradável para um usuário e uma questão em aberto para um comprador. Como a Sesame pretende ganhar dinheiro, e se os desenvolvedores algum dia receberão um endpoint, ainda não foi anunciado. Os óculos estão previstos para 2027, no Japão; as ferramentas para desenvolvedores foram prometidas para "ainda este ano", sem detalhes.

A reputação é real, porém. As vozes da Sesame são aquelas cujos clipes as pessoas enviam umas às outras, e o consenso dos avaliadores tem sido excepcionalmente favorável por dois anos consecutivos. O problema é que uma reputação não é uma especificação: nenhum valor de latência foi publicado para o modelo de produção, não existe uma pontuação de escuta às cegas para ele, e a única peça executável de forma independente é o checkpoint de 1B, que é uma coisa diferente.

A única capacidade que a Sesame descartou

Se o motivo pelo qual você quer a voz do Sesame é que ela soa como uma pessoa, o que você realmente precisa replicar é um ciclo conversacional, não um timbre. E um ciclo conversacional para uma empresa tem requisitos que um aplicativo de consumo nunca precisa cumprir: uma trilha de auditoria do que o agente estava prestes a dizer, uma forma de impedi-lo de dizê-lo, uma chamada de ferramenta que se resolva antes que o interlocutor perceba e uma implantação que passe numa revisão de conformidade.

O Prism é construído em torno desses requisitos, e é por isso que custa dinheiro. O Sesame é construído em torno do oposto: uma experiência fechada, curada e gratuita, na qual a empresa controla todas as variáveis. Ambos são produtos defensáveis. Apenas um deles é um componente que você pode integrar a uma linha de sinistros.

Ambos são exclusivamente em inglês — por razões opostas.

O Prism foi lançado apenas em inglês, com um conjunto limitado de vozes, porque é um primeiro lançamento e a cobertura de vozes é cara de se oferecer. O Sesame é inglês em primeiro lugar porque seu produto é um conjunto de personalidades que falam inglês; francês, italiano, alemão, espanhol, chinês, japonês e coreano são rotulados como suporte inicial, o que é uma promessa diferente de "com suporte".

Para uma central de atendimento multilíngue, esta é a seção que encerra o artigo. Nenhum dos modelos cobre hoje uma fila com vários idiomas, e a comparação que realmente importa para esse comprador é com uma camada de TTS com ampla cobertura de idiomas mais um modelo de texto roteado, e não com nenhum dos dois.

O problema da medição

Nenhum dos modelos está no Speech-to-Speech Index da Artificial Analysis, o único painel independente que classifica modelos de voz conversacionais em conclusão de tarefas, preferência na arena e sucesso na tarefa. Essa ausência não é uma crítica a nenhum dos produtos; é a razão pela qual esta página tem de se apoiar nas alegações dos fornecedores para ambos.

A cifra de 56,6% do τ-Voice da Prism é a própria execução da Rime. Leia a tabela que a Rime publica ao lado dela e o GPT-Live-1 (Sol, low) aparece com 59,3% — mais alto que a Prism — enquanto o texto promocional afirma que a Prism está à frente de todos os modelos em tempo real da OpenAI e do Google. Os posts de lançamento também repetem “menos de 300 ms” e “4× mais rápido”, números que não aparecem na tabela de benchmark, que indica 0,57 s. Esses números podem ser medições de coisas diferentes; a Rime não diz quais.

A posição da Sesame é ainda mais difícil, porque não existe um modelo de produção para medir. É mérito dela ter construído a ferramenta que mediria um: o TurnBench, lançado em 28 de agosto de 2026, é um benchmark de código aberto para a alternância de turnos em diálogo falado, criado com a Carnegie Mellon, a Mundo AI e a Oto, com um placar público e pontuação autosserviço. É o próprio benchmark da Sesame, e não um neutro, mas é uma contribuição genuína, e o número em torno do qual ele foi construído é o dado mais útil de toda esta comparação: o intervalo típico entre turnos humanos é de cerca de 200 milissegundos, enquanto planejar uma única palavra leva cerca de 600. É por isso que a alternância de turnos, e não a qualidade da voz, é o que denuncia uma máquina.

A única evidência independente associada ao catálogo da Rime é a sua linha TTS, e no Text-to-Speech Arena a Coda ocupa o 65º lugar entre 99, com Elo 1.054, e a Mist V2 o 92º, com 903. Isso não diz nada definitivo sobre a Prism, cujas vozes são novas — mas significa que "a Rime nunca teve uma voz entre as mais bem colocadas em um ranking independente" é uma afirmação verdadeira que um comprador deveria ouvir antes de assinar um contrato com a Scale.

Quanto custa uma linha telefónica em cada sentido

O Prism tem um preço fácil de calcular. Dez mil minutos de chamadas recebidas custam $800 no Flex ou $640 no Scale, antes de qualquer desconto Enterprise. Uma chamada de cinco minutos custa $0.40. Se o agente também precisar resumir a chamada depois, isso é um custo de modelo de texto adicional e é pequeno em comparação com a conta de voz.

É impossível precificar o Sesame, porque não há uma tarifa para precificar. O aplicativo não custa nada e não pode ser incorporado; o checkpoint aberto custa US$ 7 por milhão de caracteres em seu único provedor hospedado, e hospedá-lo por conta própria significa assumir a pilha de inferência, o codec, a detecção de turno e a lógica do agente. Quem citar um custo por minuto para o "Sesame" está citando a ausência de fatura do aplicativo, não um serviço.

Essa é a assimetria prática: o Prism é caro e tem preço claro; o Sesame é gratuito e indisponível. Uma reunião de orçamento pode discutir com US$ 0,080 por minuto. Não pode fazer nada com “nenhum endpoint”.

Três compradores, três respostas diferentes.

Uma empresa que recebe chamadas de suporte de entrada deve considerar o Prism. O checkpoint de texto, o BAA de HIPAA, a opção on-premises e a tarifa por minuto apontam exatamente para essa função, e o risco de alegações do fornecedor é administrável porque os termos comerciais são comuns. Faça um piloto em um fluxo de chamadas, meça a taxa de contenção você mesmo e trate o estudo de caso da Rime de 100% versus 68% como uma hipótese a testar, não como uma previsão.

Um desenvolvedor que quer o som do Sesame dentro de um produto não deve esperar por uma API que ainda não foi anunciada. O caminho realista é um checkpoint TTS aberto mais a sua própria orquestração — e a orquestração é a parte que você pode alugar a baixo custo. O OrcaRouter coloca mais de 200 modelos de texto atrás de uma única chave pelo preço de tabela do provedor, com 0% de markup, adiciona failover automático para que um agente de voz não fique fora do ar quando um provedor tiver um momento ruim, e expõe uma DSL de roteamento para que turnos de rotina possam ir para um modelo pequeno e escalonamentos para um modelo grande. A camada de voz e a camada de raciocínio não precisam vir da mesma empresa, e, para a maioria dos desenvolvedores, não deveriam.

Um consumidor, ou qualquer pessoa que esteja construindo um assistente pessoal para si mesma, deveria simplesmente usar o Sesame. É gratuito, é bom, e a ausência de uma API é irrelevante para alguém que não está escrevendo código.

O que mudaria a resposta

Três eventos. O lançamento de uma API e de uma tabela de preços pela Sesame transformaria isso em uma comparação real da noite para o dia e levantaria imediatamente a questão de saber se sua qualidade de voz sobrevive ao ser vendida como componente. A entrada da Prism no Speech-to-Speech Index lhe daria o primeiro dado independente que ela já teve e resolveria se a frase "à frente da OpenAI e do Google" resiste ao contato com um painel neutro. E as APIs de ajuste fino da Prism saindo da versão beta separariam as empresas que já podem comprá-la de todas as demais.

Até que uma dessas coisas aconteça, a comparação é entre um produto que você pode experimentar e um produto que você pode implantar, e a única resposta errada é tratá-los como duas versões da mesma compra. Sesame é a voz que fez as pessoas voltarem a se importar com IA conversacional. Prism é a primeira tentativa séria de vender essa sensação por minuto com um registro de auditoria anexado. Nenhum dos dois é o substituto do outro.