Simba 3.5 vs. Sesame Preview: Um é vendido por personagem, o outro por assento

Aqui está uma comparação que parece alhos e bugalhos até você colocar preço nela; nesse momento, ela vira aritmética. SpeechifyAI Simba 3.5 é um modelo de conversão de texto em fala que você compra por milhão de caracteres e chama do seu próprio código. Sesame Preview é um agente de voz para consumidores que você compra por mês, por pessoa, em um aplicativo. Ambos podem ser comprados — a Sesame publicou uma lista de planos Free, Plus e Pro e deixou de ser uma demonstração gratuita — e ambos produzem uma voz humana sintética. Um é um componente e o outro é um produto, e a única maneira honesta de escolher entre eles é descobrir qual dessas duas coisas o seu problema realmente precisa.

A Sesame, a empresa, publica sim um modelo: o CSM-1B, com pesos abertos no Hugging Face sob a Apache 2.0. Não é a voz que você ouve no app. O app executa um sistema de produção sem API, sem model id e sem pontuação independente de arena, e o lançamento de pesquisa não mudou desde 2025. Essa lacuna é o fato mais importante deste texto e é o motivo pelo qual os dois produtos não são substitutos.

Quanto custa cada um, convertido para a mesma unidade

É no descompasso de unidades que a maioria das análises para, então comece por aí. O Simba 3.5 cobra por caractere de texto de entrada. O Sesame cobra por usuário por mês, com uma franquia de tempo de conversa. Nenhuma das tarifas se converte de forma limpa na outra, mas ambas se convertem em “quanto isso custa à minha organização por mês”, e essa comparação não é nem de perto equilibrada.

• Simba 3.5, preço de tabela a partir de 22 de novembro — $15.00 por milhão de caracteres no Starter, $12.00 no Pro, $10.00 no Scale

• Simba 3.5, até 21 de novembro — US$ 10,00, US$ 8,00 e US$ 6,00 por milhão de caracteres, as tarifas dos modelos mais antigos

• Sesame Free — US$ 0, 30 minutos de conversa por dia

• Sesame Plus — US$ 20 por mês, duas horas de conversa por dia, quatro vezes a cota semanal de créditos do Free

• Sesame Pro — $100 por mês, dez horas de tempo de conversa por dia, vinte vezes os créditos semanais do Free

• Complementos do Sesame — $5 por uma hora extra de conversa, $20 por cinco; créditos a $5 por mil e $20 por cinco mil, pacotes que não expiram

Dez milhões de caracteres do Simba 3.5 no plano Scale custam US$ 100 e geram algo em torno de duzentas horas de fala finalizada. O Sesame Pro custa US$ 100 por mês e compra dez horas de tempo de conversa por dia para uma pessoa. São produtos diferentes com a mesma linha na fatura, e é realmente difícil dizer que um tem melhor custo-benefício, porque um gera um ativo e o outro mantém uma conversa.

O número da Sesame que vale a pena destacar é a taxa de excedente, e não a assinatura. Tempo extra de conversa a $5 por hora equivale a aproximadamente $0.083 por minuto, o que é caro para uma conversa e barato para um produto que você decidiu colocar diante dos clientes. Os pacotes nunca expiram e são consumidos após a franquia do plano, então a hora marginal é o número a modelar, não o nível principal.

O que é exatamente o Simba 3.5

O Simba 3.5 foi lançado em 21 de outubro de 2026 como o modelo recomendado da Speechify, substituindo o Simba 3.2 como a escolha de inglês daqui em diante e ampliando a cobertura de seis idiomas para 48 sob um único id de modelo. Todas as vozes do catálogo falam todos os 48, inclusive uma voz clonada em um plano pago, com o mesmo id de voz. Estoniano e cantonês são explicitamente excluídos. Ids de voz, formatos de saída, marcas de fala e o subconjunto de SSML aplicado são herdados do 3.2, então migrar é uma alteração de uma linha no campo do modelo, sem aumento da versão da API.

Na Artificial Analysis, ele é o primeiro em Controlled Voice, com 1.192, e o quinto em Provider Voice, com 1.294, a partir de 1.783 e 1.732 amostras, respectivamente. O painel controlado é o relevante para esta comparação: ele clona as mesmas oito vozes de referência para cada participante, então um modelo que se sai bem ali lida com uma voz que nunca ouviu. É exatamente isso que um fluxo de trabalho com voz clonada exige.

Os números da própria Speechify, não reproduzidos por ninguém fora da empresa: 63% de preferência cega sobre o Simba 3.2, com um intervalo declarado de 95% de 60% a 67%, 72 milissegundos até o primeiro áudio no percentil 95 das solicitações de streaming, e 1,8 vez a vazão do Simba 3.2 por instância de serviço. Esses números figuram ao lado dos números da arena como alegações do fornecedor, e não como medição independente, e devem ser interpretados dessa forma.

O que é exatamente o Sesame Preview

Sesame Preview é um aplicativo de agente com voz em primeiro lugar, em prévia pública desde maio de 2026, com personas nomeadas, memória que persiste entre sessões e a capacidade de realizar tarefas — busca, notas, lembretes — com um resumo ao final de uma chamada. Ele roda em iOS e Android, vende os três níveis acima por meio das lojas de aplicativos em vez da web, e mantém uma Research Preview gratuita no navegador ativa para usuários fora dos países do aplicativo, com o mesmo limite diário de 30 minutos do plano Gratuito.

A engenharia dela está orientada em torno da alternância de turnos, e não da renderização, e a empresa publicou trabalho concreto sobre isso. O TurnBench, lançado em 28 de agosto de 2026 com um artigo no arXiv, mede a temporização da conversa em trinta horas de gravações de estúdio em dois canais — 154 diálogos, 106 atores de voz em 53 pares, gravados em cabines separadas com isolamento acústico — avaliando a detecção de fim de turno e a interrupção (barge-in) face a dois tipos de quase-acerto. O ranking atual conta com 25 sistemas classificados. Nenhum deles é um modelo de texto para fala, porque a tarefa é outra.

E, crucialmente: não existe endpoint do modelo Sesame. Nem id, nem tabela de preços, nem parâmetro de voz de referência. Um desenvolvedor não consegue chamar o Sesame Preview a partir do código mais do que consegue fazer uma ligação telefônica. O único artefato Sesame carregável é o CSM-1B, e a Sesame deixa explícito que o CSM "só consegue modelar o conteúdo de texto e fala em uma conversa — não a estrutura da conversa em si".

A assimetria que decide isso

O Simba 3.5 consegue fazer uma versão limitada e parcial do que o Sesame faz. Você pode usá-lo em streaming, e streaming combinado com um bom modelo de reconhecimento de fala é como muitos agentes de voz em produção são construídos hoje. O que ele não consegue fazer é decidir quando parar de falar, ouvir enquanto fala ou aceitar uma interrupção — essas são propriedades da orquestração ao redor dele, e seria você quem as construiria.

O Sesame não consegue fazer nenhuma versão do que o Simba 3.5 faz para um desenvolvedor. Você não pode colocar a voz dele na interface do seu produto a um custo por caractere, gerar um audiolivro com ele ou localizar um catálogo com ele. Você pode conversar com ele, e seus usuários podem conversar com ele, e essa é toda a superfície.

Então a decisão se reduz a uma pergunta sobre o que você está entregando. Se a voz faz parte de algo que você constrói, o Simba 3.5 é o candidato e o Sesame não está na lista. Se o que você quer é a experiência pronta — uma persona que mantém uma conversa e faz tarefas —, você está comprando o app da Sesame, e a questão da qualidade da voz está sendo respondida para você por uma empresa que não a abriu para medição.

Para o caso de localização, a lacuna é total.

O Simba 3.5 fala 48 idiomas. O Sesame Preview atende inglês, e seus planos são indiferentes ao idioma porque o produto é em inglês. Para qualquer carga de trabalho em que o script não esteja em inglês, esta comparação termina no primeiro parágrafo das fichas técnicas.

Há uma nuance que vale a pena manter, porém. As 48 línguas do Speechify vêm com uma ressalva que o fornecedor declara abertamente: uma voz mantém o sotaque da gravação de origem, então uma voz americana clonada falando japonês soa como um americano falando japonês. A orientação da própria empresa é gerar com uma voz selecionada pela equipe e nativa de cada localidade, e é por isso que seu endpoint de vozes agora expõe um staff_pick_rank. O suporte entre idiomas existe; o que não se afirma é que ele seja livre de sotaque.

A resposta da Sesame ao sotaque é de outra natureza: uma persona tem uma voz, e a voz não viaja porque a conversa acontece em um único idioma. Isso não é uma limitação para um produto de consumo e é uma barreira intransponível para um catálogo.

Onde o OrcaRouter se encaixa, e onde não

O OrcaRouter não oferece nenhum dos dois produtos. O Simba 3.5 é acessado por meio da própria API da Speechify; o Sesame Preview é acessado por meio de uma loja de aplicativos. Nada aqui deve ser interpretado como uma alegação em contrário.

A rota What we do é o catálogo de síntese menor que você usaria como controle ao testar uma decisão de voz: openai/tts-1 a US$ 15,00 por milhão de caracteres e openai/tts-1-hd a US$ 30,00, ambos pelo preço de tabela do provedor, sem nenhum acréscimo. Se você está comparando o Simba 3.5 com qualquer coisa — inclusive com a voz da OpenAI que você já usa — renderizar o mesmo roteiro nos dois com uma única chave é um experimento mais barato do que um ciclo de compras, e o failover automático significa que um incidente do provedor não leva sua fila de renderização junto.

No caso conversacional, não há resposta de roteador, e seria desonesto fingir o contrário. O Sesame Preview não é um endpoint. Se você precisa de alternância de turnos em um produto que está construindo, a comparação que você realmente quer é o Simba 3.5 mais sua própria orquestração contra uma API de fala para fala em tempo real de um fornecedor que venda uma — e isso é outro artigo.

Qual, então?

Escolha o Simba 3.5 se você estiver construindo: você precisa de um endpoint, uma cobrança por caractere que você consiga prever, uma lista de idiomas enumerável, vozes clonadas que se mantêm em 48 locales e uma pontuação de voz controlada no topo do ranking obtida em vozes de referência que o fornecedor não escolheu. Ele também está há três semanas em uma tabela de preços que já mudou uma vez, com uma migração de model-id — simba-multilingual e simba-english sendo atendidos pelo Simba 3.5 — prevista para 21 de novembro, então fixe seu model id de propósito em vez de depender do padrão.

Escolha o Sesame Preview se você estiver usando: você quer um agente conversacional com memória e execução de tarefas, você está confortável com o fato de que a voz dele não é avaliada por nenhum conselho independente, e dez horas de conversa por dia a US$ 100 é um preço que você consegue associar ao valor do trabalho que ele faz. É um produto acabado, e não uma matéria-prima, e produtos acabados têm preço condizente.

O erro que essa comparação convida a cometer é tratá-los como concorrentes porque ambos soam como pessoas. Eles são vendidos em unidades diferentes, consumidos de maneiras diferentes, e um deles não pode ser chamado a partir de código de forma alguma. Isso não é um empate a ser desfeito — é uma bifurcação na estrada, e a maioria das equipes já sabe de que lado dela está.