AssemblyAI-TTS-1 против Sesame Preview: у одного из них нет тарифной карты

Нельзя купитьSesame Preview. Это бесплатное потребительское приложение — Maya, Miles, Simone и Charlie, четыре компаньона с постоянной памятью на iOS и Android, ограничение длительности звонка в 30 минут и необъявленный план продать вам очки в 2027 году — и за ним нет ни эндпоинта для разработчиков, ни идентификатора модели, ни прайс-листа. AssemblyAI-TTS-1, напротив, представляет собой отдельную позицию в прайс-листе: $15 за миллион символов, общедоступен с 27 октября 2026 года, потоковая передача через HTTP и WebSocket в US-East или EU-North. Так что сравнение в том виде, как его обычно представляют, — это не сравнение. Это продукт против демо.

Сравнение становится полезным в тот момент, когда вы подставляете Sesame, у которой действительно есть веса: Sesame CSM 1B — Apache-2.0-чекпойнт разговорной речи на Hugging Face, модель примерно с одним миллиардом параметров, которая принимает текст плюс аудиоконтекст и выдаёт английскую речь. Теперь это реальное решение — открытый чекпойнт на 1B за $7 за миллион символов против закрытого эндпоинта за $15 — и интересная часть в том, что более дешёвый — это тот, вокруг которого вам придётся строить агента.

Что именно представляет собой Sesame Preview, чтобы сравнение не сбилось.

Sesame Preview — это выпущенный продукт, внутри которого работает реальная модель, и взять эту модель в аренду невозможно. Продакшен-модель приложения — это не выпущенный чекпойнт: Sesame публикует CSM 1B, базовую генеративную модель, не дообученную под конкретный голос, тогда как проработанные персоны в приложении — собственные персоны Sesame. Приложение заявляет задержку менее 300 мс; независимое измерение персоны Maya показывает время до первого байта около 80–130 мс. Ни одно из этих чисел не описывает CSM 1B в том виде, в каком вы его получите.

Обновление приложения в октябре 2026 года — улучшенная выразительность и произношение, доступ агента к компьютеру, коннекторы Gmail, Calendar и Drive, поддержка MCP, генератор изображений — это сигнал о дорожной карте, а не коммерческий. Sesame заявила, что инструменты для разработчиков появятся «позже в этом году», не уточнив, что это будет, по какой цене и будет ли это продакшен-моделью или чекпоинтом. Ничто в этом решении не должно опираться на эту фразу.

Два счёта, приведённые к одной и той же единице

CSM 1B указан по цене $7.00 за миллион символов на облачных шлюзах, которые его предоставляют, с оплатой за символ, а не за токен. AssemblyAI-TTS-1 стоит $15.00 за миллион символов, и этот тариф включает каждый голос из библиотеки, насчитывающей более 4000 голосов, все шесть языков, доступных на момент запуска, мгновенное клонирование, временные метки слов, обработку в США или ЕС и неограниченное количество одновременных запросов.

При примерно 900 символах в минуту обычной речи почасовое сравнение даёт около $0.35 для CSM 1B против около $0.81 для AssemblyAI-TTS-1 — открытый чекпойнт чуть более чем вдвое дешевле в расчёте на символ — а показатель CSM сообщает меньше всего, потому что он отражает цену модели, а не системы.

Список измерений — это место, где эти двое вообще перестают быть сопоставимыми:

• Цена — $7 за миллион символов против $15, причём в более дорогом варианте включены все голоса и клонирование.

• Языки — CSM 1B — это английский, и карточка модели прямо говорит, что любые неанглийские возможности являются побочным эффектом; в приложении несколько языков указаны как «ранняя поддержка», а это совсем иное обещание. AssemblyAI-TTS-1 вышел с шестью.

• Каталог голосов — CSM 1B поставляется с семью голосами и базовой моделью, из которой предполагается выполнять клонирование; AssemblyAI-TTS-1 предлагает более 4000 голосов и мгновенное клонирование по 24-секундному образцу.

• Глубина клонирования — ни один из них не предлагает обученный профессиональный клон. Мгновенный режим AssemblyAI требует этапа подтверждения разрешения диктора; CSM 1B переносит идентичность в режиме zero-shot и при этом уплощает просодию.

• Что необходимо предоставить — CSM 1B нуждается в кодеке, детекции реплик, сборке контекста и цикле агента, а также в бюджете контекста в 4K токенов, которым вы управляете самостоятельно. AssemblyAI-TTS-1 нуждается в HTTP-клиенте, обработчике потока и сообщении отмены.

• Свидетельства задержки — у AssemblyAI-TTS-1 есть заявление вендора, два независимых измерения и место в рейтинге. У CSM 1B есть отчёты о развёртывании, различающиеся на два порядка.

Задержка: заявленная — 90 мс, измеренная — 159 мс, наблюдаемая — 9,9 секунды

История с задержкой AssemblyAI-TTS-1 документирована и оспаривается так, что об этом легко сказать честно. Производитель заявляет 90 мс до первого аудио в продакшене и 47 мс медианного времени до первого байта в своей лаборатории. Cekura, измеряя независимо в тесте, имитирующем агента, получила 159 мс медианного старта стриминга, 296 мс при p90 и поставила модель на восьмое место среди девятнадцати моделей, которые тестировала по времени. Этот разрыв — методология: время от запроса до первого байта против времени от отправки последнего слова до первого аудио, а не нечестность, и именно второе измерение отражает то, что ощущает ваш звонящий.

История с задержкой у CSM 1B не столько оспаривается, сколько не имеет границ. Оптимизированные преобразования на устройстве сообщают около 120 мс до первого аудиосигнала при коэффициенте реального времени от 0,5 до 0,9 на Apple Silicon; неоптимизированная RTX 5070 Ti, по сообщениям, работает примерно с коэффициентом реального времени 0,5; один облачный листинг публикует P50 около 9,9 секунды и P95 около 39 секунд сквозной задержки. Все они описывают один и тот же чекпойнт. Какой из них вы получите, зависит от того, сколько инженерной работы по обслуживанию вы вложите.

В этом и заключается суть всего сравнения, и это не аргумент о качестве. Закрытый эндпоинт уже выполнил работу по обслуживанию и включил её в цену: $0,81 в час, без GPU, без кодека, без проектирования очередей. Открытый чекпоинт на 1B даёт вам модель за $0,35 в час и возвращает вам ту часть, которую было дорого строить. Если у вас уже есть эта инженерия, чекпоинт — гораздо более выгодная сделка. Если нет, то $0,46 в час, которые вы экономите, — это погрешность округления по сравнению с первым месяцем чьего-то времени.

Где каждый из них на самом деле плох

Слабые места AssemblyAI-TTS-1 сосредоточены в хвостовой части реального текста. Artificial Analysis оценивает общую устойчивость произношения в 81,7% — шестнадцатое место, а раскрытие сокращений — в 73,8%; контекстный тест произношения Cekura ставит его на двадцать второе место из двадцати семи с 70,8%, при этом по телефонным номерам и кодам он занимает первое место с 91,7%. Нет ни словаря произношения, ни SSML, чтобы это исправить, а его шесть языков — жёсткий потолок, а не отправная точка. Заявленная поставщиком точность распознавания сущностей 93,7% на его собственном наборе из 580 пунктов говорит об обратном, и только ваш корпус может решить, какое измерение описывает ваш трафик.

Слабые места CSM 1B носят структурный, а не связанный с данными характер. Он по дизайну поддерживает только английский. Это базовая модель, поэтому получаемый голос — не тот, который кто-либо настраивал. В некоторых генерациях он обрезает последнее слово, несёт водяной знак в своём эталонном генераторе, а некоторые hosted-обёртки молча отбрасывают параметры context, language и max-length — это значит, что шлюз, предлагающий вам CSM 1B, может работать не с моделью в документально описанном виде. Его контекст — 4K токенов при максимальном выводе около 3 686, поэтому длинные диалоги приходится собирать вам самому.

Одно качество, которого нет ни у одной из них и которое важно для всех, кто приходит из потребительского приложения, — это способность быть собеседником. AssemblyAI-TTS-1 озвучивает текст и не имеет представления о состоянии диалога. CSM 1B из этих двух лучше осведомлена о диалоге — она принимает аудиоконтекст на вход, — но порождает речь по одной реплике за раз, без собственного определения реплик. Кажущаяся бесшовность приложения — это продукт, и ни одна из моделей его не обеспечивает.

Три вопроса, которые люди действительно задают

CSM 1B — это та же модель, на которой работает приложение Sesame? Нет. Приложение работает на продакшен-модели Sesame; чекпойнт — это базовая генеративная модель, выпущенная под лицензией Apache 2.0, и разрыв между ними — именно поэтому приложение звучит как Maya, а свежее развёртывание CSM 1B — нет. Относитесь к приложению как к демонстрации того, что Sesame может создать, а не как к предварительному просмотру того, что вы получите.

Что дешевле при ста тысячах трёхминутных звонков? На бумаге — CSM 1B: 270 миллионов символов, около $1 890 на чекпойнте против около $4 050 на AssemblyAI-TTS-1. На практике в цифре для чекпойнта не учтены часы GPU, инженер по эксплуатации и работа над задержкой, необходимая, чтобы приблизиться к потоку агентного уровня. При таком объёме честное сравнение — это $4 050 против «неизвестно, пока вы это не построите», и неизвестность — более дорогая из двух.

Может ли AssemblyAI-TTS-1 клонировать мой собственный голос? Да, загрузив запись длительностью около 24 секунд и подтвердив, что у вас есть разрешение говорящего; идентификатор голоса возвращается в течение нескольких секунд, а оплата взимается по той же ставке за символ, что и в библиотеке. Обученного профессионального клона нет, поэтому результат — это пригодная к использованию идентичность, а не управляемый брендовый актив; кроме того, на момент запуска тонкая настройка клонирования была недоступна.

Что это на самом деле за решение

Если перед вами Sesame Preview, остановитесь: здесь нечего интегрировать и не с чем сравнивать цену. Если это CSM 1B, то вы выбираете не TTS-модель, а то, владеть ли вам слоем обслуживания, — и три условия, которые делают «да» обоснованным, таковы: вам нужен только английский, у вас есть GPU-мощности и инженер, способный с ними работать, и вы хотите держать модель внутри собственного периметра. Всё остальное говорит в пользу эндпоинта.

Аргумент о стоимости, который обычно решает дело, вовсе не в цене за символ. Дело в консолидации: голосовой агент, как правило, накапливает поставщика TTS, поставщика распознавания речи и поставщика языковых моделей, у каждого свои договор и свой цикл изменения цен. OrcaRouter существует, чтобы устранить этот последний слой — единый API для более 200 моделей по каталожной цене провайдера с наценкой 0%, так что снижение цены поставщиком отражается в вашем счёте в тот же день, а не при следующем продлении, с автоматическим переключением при сбое, DSL маршрутизации для объединения моделей в один вызов и слиянием моделей, когда одного ответа недостаточно. AssemblyAI-TTS-1 и CSM 1B сегодня оба отсутствуют в этом каталоге — наши речевые маршруты — это семейство OpenAI tts-1 и предварительные версии Gemini TTS от Google — поэтому аргумент касается счёта, который вы уже оплачиваете, а не покупки, которую можно совершить здесь.

Приложение Sesame — лучшая бесплатная демонстрация в этой категории, и, вероятно, со временем у него появится продукт для разработчиков. AssemblyAI-TTS-1 — это тарифная карта, которую можно подписать уже на этой неделе. Исходя из этих двух фактов, единственный обоснованный план — строить на том, что уже существует, и оставить в своей архитектуре место для другого на случай, если Sesame когда-нибудь выпустит модель, а не брошюру.