Simba 3.5 vs Sesame Preview: один продаётся по символам, другой — по местам

Это сравнение выглядит как сравнение яблок с апельсинами, пока не посмотришь на цену — и тогда оно превращается в арифметику. SpeechifyAI Simba 3.5 — это модель синтеза речи, которую покупают миллионами символов и вызывают из собственного кода. Sesame Preview — это потребительский голосовой агент, который покупают по месячной подписке, за каждого человека, в приложении. Оба продукта можно купить — Sesame опубликовала тарифную линейку Free, Plus и Pro и перестала быть бесплатной демоверсией — и оба создают синтетический человеческий голос. Один — компонент, другой — продукт, и единственный честный способ выбрать между ними — понять, какая именно из этих двух вещей нужна для вашей задачи.

Компания Sesame действительно публикует модель: CSM-1B, открытые веса на Hugging Face под лицензией Apache 2.0. Это не тот голос, который вы слышите в приложении. В приложении работает production-система без API, без model id и без независимой оценки на арене, а исследовательский релиз не обновлялся с 2025 года. Этот разрыв — самый важный факт в этом материале, и именно поэтому эти два продукта не взаимозаменяемы.

Сколько стоит каждый из них в пересчёте на одну и ту же единицу

Несовпадение единиц измерения — вот где большинство обзоров останавливается, поэтому начните с этого. Simba 3.5 тарифицирует каждый символ входного текста. Sesame взимает плату за место в месяц с включённым лимитом времени на разговоры. Ни один из тарифов не пересчитывается чисто в другой, но оба сводятся к вопросу «сколько это будет стоить моей организации в месяц», и это сравнение оказывается далеко не близким.

• Simba 3.5, прайс-лист с 22 ноября — $15.00 за миллион символов на Starter, $12.00 на Pro, $10.00 на Scale

• Simba 3.5, до 21 ноября — $10.00, $8.00 и $6.00 за миллион символов, тарифы более старых моделей

• Sesame Free — $0, 30 минут разговора в день

• Sesame Plus — $20 в месяц, два часа разговоров в день, в четыре раза больше недельного лимита кредитов Free

• Sesame Pro — $100 в месяц, десять часов разговоров в день, в двадцать раз больше недельных кредитов Free

• Дополнения Sesame — $5 за один дополнительный час разговоров, $20 за пять; кредиты по $5 за тысячу и $20 за пять тысяч; пакеты без срока действия

Десять миллионов символов Simba 3.5 на тарифе Scale стоят $100 и позволяют получить примерно двести часов готовой речи. Sesame Pro стоит $100 в месяц и дает десять часов разговорного времени в день на одного человека. Это разные продукты с одной и той же строкой в счете, и по-настоящему трудно сказать, что один из них выгоднее, потому что один создает актив, а другой ведет разговор.

Показатель Sesame, который стоит выделить, — это плата за превышение лимита, а не абонентская плата. Дополнительное время разговоров по $5 в час — это примерно $0,083 в минуту: дорого для разговора и дёшево для продукта, который вы решили предложить клиентам. Пакеты минут не сгорают и расходуются после исчерпания лимита по тарифу, поэтому моделировать нужно стоимость дополнительного часа, а не заявленный тарифный уровень.

Что именно представляет собой Simba 3.5

Simba 3.5 выпущена 21 октября 2026 года как рекомендованная модель Speechify, заменив Simba 3.2 в качестве основного выбора для английского языка и расширив покрытие с шести языков до 48 в рамках одного идентификатора модели. Каждый голос из каталога поддерживает все 48 языков, включая клонированный голос на платном тарифе, с тем же идентификатором голоса. Эстонский и кантонский языки явно исключены. Идентификаторы голосов, форматы вывода, речевые маркеры и применяемое подмножество SSML переносятся из 3.2, поэтому миграция представляет собой изменение одной строки в поле модели без повышения версии API.

В Artificial Analysis он занимает первое место в Controlled Voice с показателем 1 192 и пятое место в Provider Voice с показателем 1 294 — на основе 1 783 и 1 732 образцов соответственно. Для этого сравнения значима именно контрольная таблица: она клонирует одни и те же восемь эталонных голосов для каждого участника, поэтому модель, показывающая там хороший результат, справляется с голосом, который никогда не слышала. Именно этого и требует рабочий процесс с клонированием голоса.

Собственные цифры Speechify, которые никто за пределами компании не воспроизвёл: 63% слепого предпочтения по сравнению с Simba 3.2 при заявленном 95%-м интервале от 60% до 67%, 72 миллисекунды до первого аудио на 95-м процентиле потоковых запросов и в 1,8 раза большая пропускная способность, чем у Simba 3.2, на один обслуживающий экземпляр. Эти данные соседствуют с показателями арены как заявления производителя, а не как независимые измерения, и именно так их и следует читать.

Что именно представляет собой Sesame Preview

Sesame Preview — это voice-first агентское приложение, находящееся в публичном предпросмотре с мая 2026 года, с именованными персонами, памятью, сохраняющейся между сессиями, и способностью выполнять задачи — поиск, заметки, напоминания — с итоговой сводкой в конце звонка. Оно работает на iOS и Android, продаёт три вышеуказанных тарифа через магазины приложений, а не через веб, и поддерживает бесплатный браузерный Research Preview для пользователей из стран, где приложение недоступно, с тем же суточным лимитом в 30 минут, что и у бесплатного плана.

Её инженерные решения ориентированы на смену реплик, а не на рендеринг, и компания опубликовала реальную работу по этой теме. TurnBench, выпущенный 28 августа 2026 года вместе со статьёй на arXiv, измеряет тайминг разговора на тридцати часах двухканальных студийных записей — 154 диалога, 106 актёров озвучивания в 53 парах, записанных в отдельных звукоизолированных кабинах, — оценивая обнаружение конца реплики и перебивание на фоне двух видов почти-промахов. В текущем рейтинге представлены 25 ранжированных систем. Ни одна из них не является моделью преобразования текста в речь, потому что задача другая.

И что критически важно: конечной точки модели Sesame не существует. Нет идентификатора, нет тарифного плана, нет параметра эталонного голоса. Разработчик не может вызвать Sesame Preview из кода — ровно так же, как не может вызвать телефонный звонок. Единственный загружаемый артефакт Sesame — это CSM-1B, и Sesame прямо указывает, что CSM «может моделировать только текстовое и речевое содержимое разговора — но не структуру самого разговора».

Асимметрия, которая решает исход

Simba 3.5 умеет делать лишь узкую, частичную версию того, что делает Sesame. Его можно использовать в потоковом режиме, а потоковая передача плюс хорошая модель распознавания речи — именно так сегодня строится огромное множество голосовых агентов, работающих в продакшене. Чего он не умеет — это решать, когда замолчать, слушать, пока говорит, или принимать прерывание; это свойства оркестрации вокруг него, и вам пришлось бы создавать их самостоятельно.

Sesame не может делать ни одну из версий того, что Simba 3.5 делает для разработчика. Вы не можете использовать её голос в интерфейсе вашего продукта по цене за символ, озвучить с её помощью аудиокнигу или локализовать с её помощью каталог. С ней можно разговаривать, и ваши пользователи могут с ней разговаривать, — и это вся поверхность.

Итак, решение сводится к вопросу о том, {{1}}что именно вы выпускаете{{/1}}. Если голос находится внутри чего-то, что вы создаёте, то кандидат — {{2}}Simba 3.5{{/2}}, а Sesame в список не входит. Если же вам нужен готовый опыт — персона, которая ведёт разговор и выполняет поручения, — вы покупаете {{3}}приложение Sesame{{/3}}, и вопрос качества голоса за вас решает компания, которая не открыла его для измерения.

Для случая локализации разрыв является полным.

Simba 3.5 поддерживает 48 языков. Sesame Preview работает с английским, а его тарифные планы не зависят от языка, поскольку продукт англоязычный. Для любой задачи, где текст написан не на английском, это сравнение заканчивается на первом абзаце спецификаций.

Однако есть нюанс, который стоит сохранить. 48 языков Speechify сопровождаются оговоркой, которую поставщик прямо указывает: голос сохраняет акцент исходной записи, поэтому клонированный американский голос, говорящий по-японски, звучит как американец, говорящий по-японски. Собственная рекомендация компании — генерировать с помощью голоса из подборки сотрудников, являющегося носителем каждого локаля, поэтому её эндпоинт voices теперь предоставляет staff_pick_rank. Кросс-языковая генерация поддерживается; утверждения об отсутствии акцента при кросс-языковой генерации нет.

Ответ Sesame на проблему акцента принципиально иной: у персоны есть голос, и этот голос не переносится, потому что разговор происходит на одном языке. Для потребительского продукта это не ограничение, а для каталога — непреодолимый барьер.

Где OrcaRouter подходит, а где нет

OrcaRouter не предоставляет ни тот, ни другой продукт. Доступ к Simba 3.5 осуществляется через собственный API Speechify; доступ к Sesame Preview — через магазин приложений. Ничто здесь не следует понимать как утверждение об обратном.

Маршрут, который мы предлагаем, — это уменьшенный каталог синтеза, который вы использовали бы в качестве контроля при проверке решения о голосе: openai/tts-1 по цене $15,00 за миллион символов и openai/tts-1-hd по $30,00, оба по прайс-листовой цене провайдера без какой-либо наценки. Если вы сравниваете Simba 3.5 с чем угодно — в том числе с голосом OpenAI, который уже используете, — прогнать один и тот же сценарий через оба на одном ключе будет более дешёвым экспериментом, чем цикл закупки, а автоматическое переключение при сбое означает, что инцидент у провайдера не утянет за собой вашу очередь рендеринга.

Для разговорного сценария ответа от роутера нет, и было бы нечестно делать вид, что это не так. Sesame Preview — не эндпоинт. Если вам нужна смена реплик в продукте, который вы разрабатываете, на самом деле вам нужно сравнить Simba 3.5 плюс вашу собственную оркестрацию с API речевого общения в реальном времени от поставщика, который его продаёт, — и это уже другая статья.

Так какой же?

Выбирайте Simba 3.5, если вы создаёте продукт и вам нужны эндпоинт, прогнозируемый счёт за символ, исчислимый список языков, клонированные голоса, которые сохраняются в 48 локалях, и высшая в рейтинге оценка контролируемого голоса, полученная на эталонных голосах, выбранных не поставщиком. Кроме того, прошло три недели с момента запуска ценового графика, который уже один раз менялся; 21 ноября состоится миграция model-id — simba-multilingual и simba-english будут обслуживаться в Simba 3.5, — поэтому явно фиксируйте идентификатор модели, а не полагайтесь на значение по умолчанию.

Выбирайте Sesame Preview, если вы используете его так: вам нужен разговорный агент с памятью и выполнением задач, вас устраивает, что его голос не оценивался никакой независимой комиссией, и десять часов разговора в день за $100 — это цена, которую вы можете соотнести с ценностью выполняемой им работы. Это законченный продукт, а не сырьё, и на законченные вещи цена назначается соответствующая.

Ошибка, к которой подталкивает это сравнение, — считать их конкурентами только потому, что оба звучат как люди. Они продаются в разных единицах, потребляются по-разному, а один из них вообще нельзя вызвать из кода. Это не ничья, которую нужно разорвать, — это развилка на дороге, и большинство команд уже знают, по какую её сторону они стоят.