Rime Prism против Sesame Preview: прайс-лист против репутации

Вы можете услышать Sesame Preview сегодня вечером бесплатно. Вы не можете её купить. Вы можете купить Rime Prism за $0,080 в минуту, и почти никто за пределами Rime не публиковал клип, который ему разрешили измерить. Обе половины этого предложения и составляют сравнение: одно из них — самый уважаемый голос в потребительском ИИ, который ни один разработчик не может вызвать, а другое — совершенно новый корпоративный эндпоинт, который стартап может поставить в телефонное дерево уже на этой неделе. Rime Prism был запущен 28 октября 2026 года как первая модель речь-в-речь от Rime. Sesame Preview работает как бесплатное исследовательское превью с начала 2025 года, а производственный голос, стоящий за ним, всё ещё не выпущен.

Их сравнивают, потому что оба претендуют на реалистичность разговора и потому что оба на старте работают только на английском. Это не альтернативы. Одно — приложение, с которым вы разговариваете, другое — эндпоинт, на основе которого вы строите, и выбор между ними — это не столько выбор голоса, сколько выбор того, покупаете ли вы продукт или компонент.

Разделение, которое решает почти всё

Команда, которая хочет запустить агента, задаёт два вопроса в таком порядке: могу ли я его вызвать и сколько стоит один вызов. Sesame Preview не проходит первый. Нет публичного API для модели, стоящей за приложением, нет идентификатора модели, нет эндпоинта и нет опубликованной цены. Sesame, с которым можно разговаривать, — это потребительский продукт с четырьмя именованными ассистентами, постоянной памятью и растущим набором инструментов; модель под ним — не то, к чему разработчик может обратиться.

Единственное, что из продуктов Sesame кто угодно может вызвать, — это CSM-1B: чекпоинт с открытыми весами, выпущенный компанией в 2025 году под лицензией Apache 2.0 — примерно 1 млрд параметров, контекст 4K, монофонический аудио 24 кГц. Это не тот голос, что в приложении, и это не агент — он опирается на историю разговора, но не способен рассуждать о ней так, как это делает языковая модель. Это речевой компонент, и притом всего один.

• Доступность — Rime Prism — это платный API с бесплатным тарифом; Sesame Preview — бесплатное потребительское приложение без API для голоса, используемого в продакшене.

• Цена — Prism $0.080 за минуту аудиозвонка на Flex, $0.064 на Scale; Sesame не публикует цену и не берёт плату за приложение.

• Риск биллинга — {{1}}Prism взимает плату независимо от того, прошёл ли звонок успешно{{/1}}; {{2}}затраты Sesame равны стоимости приложения, которая составляет ноль, и это не бизнес-модель, на которую можно рассчитывать.{{/2}}

• Основа расчёта задержки — Prism: 0,57 с до первого аудио, по измерению поставщика на τ-Voice; приложение Sesame утверждает, что задержка менее 300 мс, а стороннее измерение персоны Maya оценило время до первого байта в 80–130 мс.

• Независимая оценка — ни одна из моделей не представлена в индексе Speech-to-Speech от Artificial Analysis.

• Языки — на старте оба поддерживают только английский; Sesame указывает французский, итальянский, немецкий, испанский, китайский, японский и корейский как языки ранней поддержки.

• Развертывание — Prism предлагает облако, VPC и локальное развертывание с HIPAA BAA и SOC 2 Type II; Sesame предлагает приложение.

Rime Prism, как эндпоинт

Prism продаётся так же, как продаётся корпоративное ПО: бесплатный тариф с $50 ежемесячного кредита и без карты, Flex за $0.080/мин без обязательств, Scale за $100 в месяц с $100 кредита и $0.064/мин, а также Enterprise с объёмными тарифами и годовым обязательством. Каждый тариф — одна и та же модель. Prism передаёт поток по WebSockets и подключается к LiveKit и Pipecat, что важно, потому что именно там уже работает большинство самодельных голосовых агентов.

Функции, оправдывающие такую цену, — это те, которые потребительскому приложению нет смысла создавать. Prism записывает свой ответ в виде текста до того, как начинает говорить, поэтому приложение может прочитать точное предложение, проверить его на соответствие политике или пропустить через фильтр персональных данных и разрешить воспроизведение аудио, только если проверка пройдена, — при этом модель продолжает слушать, так что проверка не должна превращаться в слышимую паузу. Вызовы инструментов выполняются параллельно с речью. Дообучение на собственных звонках и трассировках инструментов клиента — это основной бизнес-сценарий, а API для самостоятельного SFT и RL пока находятся в бета-версии.

Собственные цифры компании указывают на время до первого аудио в 0,57 секунды и на завершаемость τ-Voice в 56,6%, при этом на телеком-подмножестве бенчмарка — 82,5%. В кейс-стади Revmo, основанном примерно на десяти часах реальных звонков с заказами, приводится 100% подтверждений заказа против 68% у неназванной модели OpenAI. Это заказное исследование на примере клиента без опубликованной методологии, и его следует воспринимать как заявление вендора, а не как результат.

Sesame Preview как продукт

Идея Sesame в том, что голосовой помощник должен ощущаться как знакомый человек. Четыре персонажа — остроумный соратник Майя, расслабленный Майлз, Симона для глубокого погружения и Чарли в роли непринуждённого собеседника для обсуждения идей — каждый обладает собственной памятью и собственной манерой общения. Приложение ищет в интернете, проводит длительные исследования, ведёт заметки и напоминания, суммирует звонки и поддерживает режим инкогнито. 6 октября 2026 года Sesame выпустила обновлённый CSM с улучшенной выразительностью и произношением, предоставила своим агентам доступ к собственному компьютеру и добавила коннекторы Gmail, Calendar и Drive, внешние MCP-серверы через OAuth, навыки, создаваемые пользователями, и встроенный генератор изображений.

Чего ему недостаёт — так это способа входа. Приложение бесплатное, не показывает рекламу и не продаёт данные — приятно для пользователя и нерешённый вопрос для покупателя. Как Sesame собирается зарабатывать и получат ли разработчики когда-нибудь эндпоинт, до сих пор не объявлено. Сроки выпуска очков — 2027 год и Япония; инструменты для разработчиков обещаны «позже в этом году» без конкретики.

Однако репутация реальна. Именно голоса Sesame люди пересылают друг другу в виде клипов, и консенсус рецензентов остаётся необычно единодушным уже два года подряд. Проблема в том, что репутация — это не спецификация: для продакшн-модели не опубликовано ни одного показателя задержки, для неё не существует оценки по результатам слепого прослушивания, а единственный независимо запускаемый компонент — это чекпоинт 1B, но это уже совсем другое.

Единственная возможность, которую Sesame исключила

Если вы хотите голос Sesame потому, что он звучит как человек, то на самом деле вам нужно воспроизвести не тембр, а разговорный цикл. А разговорный цикл для бизнеса имеет требования, которые потребительскому приложению никогда не приходится выполнять: журнал аудита того, что агент собирался сказать, способ остановить его, прежде чем он это скажет, вызов инструмента, который завершается раньше, чем звонящий это заметит, и развёртывание, проходящее проверку на соответствие требованиям.

Prism построен вокруг этих требований, и именно поэтому он стоит денег. Sesame построен вокруг противоположного: закрытый, тщательно курируемый, бесплатный опыт, в котором компания контролирует каждую переменную. Оба продукта имеют право на существование. Только один из них — компонент, который можно встроить в линию обработки требований.

Оба доступны только на английском — по противоположным причинам.

Prism выпущен только на английском с ограниченным набором голосов, потому что это первый релиз, а обеспечение голосового покрытия дорого обходится при выпуске. Sesame ориентирован в первую очередь на английский, потому что его продукт — набор англоязычных персонажей; французский, итальянский, немецкий, испанский, китайский, японский и корейский обозначены как ранняя поддержка, а это не то же обещание, что «поддерживается».

Для многоязычного контакт-центра это тот раздел, которым завершается статья. Ни одна из моделей на сегодня не охватывает очередь со смешанными языками, а сравнение, которое действительно важно для такого покупателя, — это сравнение со слоем TTS с широким языковым покрытием плюс маршрутизируемой текстовой моделью, а не с одной из этих моделей.

Проблема измерения

Ни одна из моделей не включена в Speech-to-Speech Index от Artificial Analysis — единственный независимый рейтинг, который оценивает разговорные голосовые модели по завершению задач, предпочтениям на арене и успешности выполнения задач. Это отсутствие не является упрёком в адрес любого из продуктов; именно поэтому на этой странице для обеих моделей приходится опираться на заявления производителей.

Показатель Prism в 56,6% τ-Voice — это собственный прогон Rime. Посмотрите на таблицу, которую Rime публикует рядом с ним, и GPT-Live-1 (Sol, low) оказывается на 59,3% — выше, чем Prism, — при этом в тексте утверждается, что Prism опережает все модели OpenAI и Google для реального времени. В постах о запуске также повторяются «менее 300 мс» и «в 4 раза быстрее» — цифры, которых нет в таблице бенчмарка, где указано 0,57 с. Возможно, это измерения разных вещей; Rime не говорит, каких именно.

Положение Sesame ещё труднее, потому что нет production-модели, которую можно было бы измерить. К её чести, она создала инструмент, который позволил бы это сделать: TurnBench, выпущенный 28 августа 2026 года, — это открытый бенчмарк для перехода хода в разговорной речи, созданный совместно с Carnegie Mellon, Mundo AI и Oto, с публичным лидербордом и самостоятельной оценкой. Это собственный бенчмарк Sesame, а не нейтральный, но это настоящий вклад, и число, вокруг которого он построен, — самый полезный показатель во всём этом сравнении: типичный интервал между репликами людей составляет около 200 миллисекунд, тогда как на планирование одного слова уходит около 600. Вот почему именно переход хода, а не качество голоса, выдаёт машину.

Единственное независимое свидетельство, связанное с каталогом Rime, — это его линейка TTS, и в Text-to-Speech Arena Coda занимает 65-е место из 99 с Elo 1 054, а Mist V2 — 92-е с 903. Это ничего не говорит с определённостью о Prism, у которого новые голоса, — но это означает, что «у Rime никогда не было голоса, входящего в топ независимого рейтинга» — верное утверждение, которое покупателю стоит услышать перед подписанием контракта со Scale.

Сколько стоит телефонная линия в каждую сторону

Стоимость Prism легко рассчитать. Десять тысяч минут входящих звонков — это $800 в Flex или $640 в Scale, без скидки Enterprise. Пятиминутный звонок стоит $0.40. Если агенту также нужно после звонка составить его краткое резюме, это дополнительная стоимость текстовой модели, и она невелика по сравнению со счётом за голосовую связь.

Sesame невозможно оценить, потому что нет тарифа, по которому можно было бы рассчитать цену. Приложение ничего не стоит, и его нельзя встроить; открытый чекпоинт стоит 7 долларов за миллион символов у единственного провайдера, предоставляющего хостинг, а самостоятельный хостинг означает, что вам самому придётся держать стек инференса, кодек, определение реплик и логику агента. Любой, кто называет цену за минуту для «Sesame», указывает не услугу, а отсутствие счёта за приложение.

Вот в чём практическая асимметрия: Prism дорогой и понятный, Sesame бесплатный и недоступный. На совещании по бюджету можно спорить о $0.080 за минуту. Но с «нет эндпоинта» оно ничего поделать не может.

Три покупателя, три разных ответа

Предприятию, которое обрабатывает входящие звонки в поддержку, стоит присмотреться к Prism. Текстовый чекпойнт, BAA по HIPAA, вариант локального развёртывания и поминутная ставка — всё это нацелено именно на такую задачу, а риск заявлений вендора пережить можно, поскольку коммерческие условия обычные. Проведите пилот на одном сценарии звонка, измерьте показатель containment rate сами и рассматривайте кейс Rime «100% против 68%» как гипотезу для проверки, а не как прогноз.

Разработчику, который хочет получить звучание Sesame внутри продукта, не стоит ждать API, который ещё не анонсирован. Реалистичный путь — открытый TTS-чекпоинт плюс собственная оркестровка, и именно оркестровку можно недорого арендовать.OrcaRouter объединяет более 200 текстовых моделей под одним ключом по прайс-листовой цене провайдера с наценкой 0%, добавляет автоматическое переключение при сбоях, чтобы голосовой агент не умирал, когда у одного из провайдеров выдалась плохая минута, и предоставляет DSL маршрутизации, чтобы рутинные ходы можно было направлять в маленькую модель, а эскалации — в большую. Голосовой слой и слой рассуждений не обязаны происходить от одной компании, и для большинства разработчиков так и должно быть.

Потребитель — или любой человек, создающий личного ассистента для себя, — должен просто использовать Sesame. Он бесплатный, он хороший, а отсутствие API не имеет значения для того, кто не пишет код.

Что изменило бы ответ?

Три события. Публикация Sesame API и тарифной сетки превратила бы это в настоящее сравнение за одну ночь и сразу подняла бы вопрос о том, выживает ли качество её голоса при продаже в качестве компонента. Появление Prism в Speech-to-Speech Index дало бы ей первую независимую цифру за всю её историю и решило бы, выдержит ли тезис «впереди OpenAI и Google» столкновение с нейтральным лидербордом. А выход API тонкой настройки Prism из беты отделил бы предприятия, которые уже могут его купить, от всех остальных.

Пока не случится одно из этих событий, сравнение идёт между продуктом, который можно испытать, и продуктом, который можно развернуть, и единственный неправильный ответ — считать их двумя версиями одной и той же покупки. Sesame — это голос, который вернул людям интерес к разговорному ИИ. Prism — первая серьёзная попытка продавать это ощущение поминутно, с журналом аудита в комплекте. Ни один из них не заменяет другой.