AssemblyAI-TTS-1 vs Sesame Preview: En av dessa har ingen prislista

Du kan inte köpa Sesame Preview. Det är en gratis konsumentapp – Maya, Miles, Simone och Charlie, fyra kompanjoner med beständigt minne på iOS och Android, en gräns på 30 minuter per samtal och en icke tillkännagiven plan att sälja glasögon till dig 2027 – och det finns ingen utvecklarändpunkt, inget modell-ID och ingen prislista bakom den. AssemblyAI-TTS-1 är däremot en rad i prislistan: 15 dollar per miljon tecken, allmänt tillgänglig sedan den 27 oktober 2026, strömmande via HTTP och WebSocket i US-East eller EU-North. Så jämförelsen som den vanligtvis framställs är ingen jämförelse. Det är en produkt mot en demo.

Jämförelsen blir användbar i samma stund som du byter ut den Sesame som faktiskt har vikter: Sesame CSM 1B, Apache-2.0-checkpointen för konversationellt tal på Hugging Face, en modell med ungefär en miljard parametrar som tar emot text plus ljudkontext och genererar engelskt tal. Nu är det ett riktigt beslut — en öppen 1B-checkpoint för 7 USD per miljon tecken mot en sluten endpoint för 15 USD — och det intressanta är att den billigare är den som du måste bygga en agent runt.

Vad Sesame Preview är, exakt, så att jämförelsen inte glider

Sesame Preview är en lanserad produkt med en riktig modell inuti och inget sätt att hyra den modellen. Appens produktionsmodell är inte den släppta checkpointen: Sesame publicerar CSM 1B, en basgenereringsmodell som inte har finjusterats för en specifik röst, medan de polerade personorna i appen är Sesames egna. Appen uppger en latens under 300 ms; tredjepartsmätning av Maya-personan uppskattar tiden till första byte till cirka 80–130 ms. Ingen av siffrorna beskriver CSM 1B så som du kommer att få den.

Uppdateringen av appen i oktober 2026 – förbättrad uttrycksfullhet och uttal, datoråtkomst för agenter, Gmail-, Calendar- och Drive-kopplingar, MCP-stöd, en bildgenerator – är en signal om vägkartan, inte en kommersiell sådan. Sesame har sagt att utvecklarverktyg kommer "senare i år" utan att specificera vad det blir, till vilket pris, eller om det blir produktionsmodellen eller checkpointen. Ingenting i detta beslut bör grundas på den meningen.

De två räkningarna, omräknade till samma enhet

CSM 1B listas till $7.00 per miljon tecken på hostade gatewayer som erbjuder den, fakturerat per tecken snarare än per token. AssemblyAI-TTS-1 kostar $15.00 per miljon tecken, och den taxan inkluderar varje röst i biblioteket med över 4 000 röster, vart och ett av dess sex lanseringsspråk, omedelbar kloning, ordtidsstämplar, bearbetning i USA eller EU samt obegränsad samtidighet.

Vid ungefär 900 tecken per minut av vanligt tal är jämförelsen per timme omkring $0,35 för CSM 1B mot omkring $0,81 för AssemblyAI-TTS-1 — den öppna checkpointen är drygt dubbelt så billig per tecken — och CSM-siffran är den som säger minst, eftersom den prissätter modellen och inte systemet.

Dimensionslistan är där de två inte längre går att jämföra alls:

• Pris — 7 USD per miljon tecken mot 15 USD, med alla röster och kloning inkluderade i det dyrare alternativet.

Språk — CSM 1B är på engelska, och modellkortet är rakt på sak med att eventuell förmåga på andra språk än engelska är en biprodukt; appen listar flera språk som ”tidigt stöd”, vilket är ett annat löfte. AssemblyAI-TTS-1 lanserades med sex språk.

• Röstutbud — CSM 1B levereras med sju röster och en basmodell som du förväntas klona från; AssemblyAI-TTS-1 levereras med över 4 000 röster och omedelbar kloning från ett 24-sekundersprov.

• Kloningsdjup — ingen av dem erbjuder en tränad professionell klon. AssemblyAI:s snabbväg kräver ett steg för att bekräfta talarens tillstånd; CSM 1B överför identitet i zero-shot och plattar ut prosodin när den gör det.

• Vad du måste tillhandahålla — CSM 1B behöver en codec, turdetektering, kontextsammansättning och agentloopen, samt en kontextbudget på 4K tokens som du hanterar själv. AssemblyAI-TTS-1 behöver en HTTP-klient, en strömhanterare och ett avbrottsmeddelande.

• Latensevidens — AssemblyAI-TTS-1 har ett leverantörspåstående, två oberoende mätningar och en placering i en resultattabell. CSM 1B har driftsättningsrapporter som spänner över två storleksordningar.

Latens: 90 ms enligt uppgift, 159 ms uppmätt, 9,9 sekunder observerat

AssemblyAI-TTS-1:s latensbild är dokumenterad och omtvistad på ett sätt som det är lätt att redogöra för sanningsenligt. Leverantören uppger 90 ms till första ljud i produktion och 47 ms som median för tid till första byte i sitt labb. Cekura, som mätte oberoende i ett agentutformat test, fick 159 ms som median för strömningsstart, 296 ms vid p90 och placerade den som åttonde av de nitton modeller den mätte. Det gapet är metodik – tid från förfrågan till första byte kontra tid från sista ordet sänt till första ljudet – inte ohederlighet, och det är den andra mätningen som din uppringare upplever.

Latensbilden för CSM 1B är inte så mycket omtvistad som obegränsad. Optimerade konverteringar på enheten rapporterar cirka 120 ms till första ljud med en realtidsfaktor mellan 0,5 och 0,9 på Apple Silicon; en icke-optimerad RTX 5070 Ti uppges köra på ungefär halva realtiden; en värdbaserad lista publicerar ett P50 på cirka 9,9 sekunder och ett P95 på cirka 39 sekunder från början till slut. Alla dessa beskriver samma checkpoint. Vilket resultat du får beror på hur mycket modellserveringsarbete du lägger ned.

Det är kärnan i hela jämförelsen, och det handlar inte om en kvalitetsfråga. En sluten endpoint har redan gjort serveringsarbetet och räknat in det i priset: 0,81 dollar i timmen, ingen GPU, ingen codec, ingen ködesign. En öppen 1B-checkpoint ger dig en modell för 0,35 dollar i timmen och ger dig tillbaka den del som var dyr att bygga. Om du redan har den ingenjörskonsten är checkpointen en klart bättre affär. Om du inte har det är de 0,46 dollar i timmen du sparar ett avrundningsfel jämfört med den första månaden av någons tid.

Där var och en faktiskt är dålig

AssemblyAI-TTS-1:s svaga punkter ligger alla i slutet av verklig text. Artificial Analysis ger det 81,7 % i uttalsrobusthet totalt, på sextonde plats, med expansion av förkortningar på 73,8 %; Cekuras kontextuella uttalstest placerar det på tjugoandra plats av tjugosju med 70,8 %, trots att det rankas etta för telefonnummer och koder på 91,7 %. Det finns ingen uttalsordbok och ingen SSML för att åtgärda något av det, och dess sex språk är ett hårt tak snarare än en startpunkt. Leverantörsrapporterad entitetsnoggrannhet på 93,7 % på dess egen uppsättning med 580 poster säger motsatsen, och endast din korpus kan avgöra vilken mätning som beskriver din trafik.

CSM 1B:s svagheter är strukturella snarare än datadrivna. Den är engelskspråkig enligt design. Den är en basmodell, så rösten du får är inte en röst som någon har finjusterat. Den klipper sista ordet i vissa genereringar, bär en vattenstämpel i sin referensgenerator, och vissa värdbaserade wrappers utelämnar tyst parametrarna för kontext, språk och maxlängd – vilket innebär att en gateway som erbjuder dig CSM 1B kanske inte kör modellen som dokumenterat. Dess kontext är 4K tokens med en maximal utdata på cirka 3 686, så långa konversationer måste sammanställas av dig.

En sak som ingen av dem är – och det har betydelse för alla som kommer från konsumentappen – är en samtalspartner. AssemblyAI-TTS-1 läser text till tal och har inget begrepp om dialogtillstånd. CSM 1B är den mer dialogmedvetna av de två – den tar ljudkontext som indata – men den producerar tal en tur i taget utan egen turdetektering. Appens skenbara sömlöshet är en produkt, och ingen av modellerna levererar den.

Tre frågor som folk faktiskt ställer

Är CSM 1B samma modell som Sesame-appen kör?Nej. Appen kör Sesames produktionsmodell; checkpointen är en basgenereringsmodell som har släppts under Apache 2.0, och klyftan mellan dem är precis varför appen låter som Maya medan en helt ny driftsättning av CSM 1B inte gör det. Betrakta appen som en demo av vad Sesame kan bygga, inte som en förhandsvisning av vad du kommer att få.

Vilket är billigare vid hundratusen samtal på tre minuter? På papperet: CSM 1B: 270 miljoner tecken, cirka 1 890 USD på checkpoint jämfört med cirka 4 050 USD på AssemblyAI-TTS-1. I praktiken utesluter checkpoint-siffran GPU-timmar, serving-ingenjören och det latensarbete som krävs för att något ens ska komma i närheten av en agentklassad ström. Vid den volymen är den ärliga jämförelsen 4 050 USD mot "okänt tills du har byggt det", och okänt är det dyrare av de två.

Kan AssemblyAI-TTS-1 klona min egen röst?Ja, genom att ladda upp en inspelning på cirka 24 sekunder och bekräfta att du har talarens tillstånd; röst-ID:t returneras inom några sekunder och faktureras till samma pris per tecken som för biblioteket. Det finns ingen tränad professionell klon, så resultatet är en användbar identitet snarare än en förvaltad varumärkestillgång – och någon finjusterad kloning fanns inte tillgänglig vid lanseringen.

Vilket beslut detta faktiskt är

Om namnet framför dig är Sesame Preview, stoppa: det finns inget att integrera och inget pris att jämföra. Om det är CSM 1B, då väljer du inte en TTS-modell, du väljer om du ska äga serveringslagret – och de tre villkoren som gör ett "ja" försvarbart är att du bara behöver engelska, att du har GPU-kapacitet med en ingenjör som matchar, och att du vill ha modellen innanför din egen perimeter. Allt annat talar för slutpunkten.

Det kostnadsargument som vanligtvis avgör saken är inte alls priset per tecken. Det handlar om konsolidering: en röstagent tenderar att samla på sig en TTS-leverantör, en tal-till-text-leverantör och en språkmodellsleverantör, var och en med sitt eget avtal och sin egen prisändringscykel. OrcaRouter finns för att platta till det där sista lagret – ett API för över 200 modeller till leverantörens listpris med 0 % påslag, så att en leverantörs prissänkning når din faktura samma dag i stället för vid nästa förnyelse, med automatisk failover, ett routing-DSL för att kombinera modeller i ett enda anrop och modellfusion när ett enda svar inte räcker. AssemblyAI-TTS-1 och CSM 1B ligger båda utanför den katalogen i dag – våra talrutter är OpenAI:s tts-1-familj och Google:s Gemini TTS-förhandsversioner – så argumentet handlar om fakturan du redan betalar, inte om ett köp du kan göra här.

Sesame-appen är den bästa kostnadsfria demonstrationen i den här kategorin och kommer förmodligen till slut att få en utvecklarprodukt. AssemblyAI-TTS-1 är en prislista du kan signera den här veckan. Utifrån dessa två fakta är den enda försvarbara planen att bygga på den som redan finns och att lämna en plats i din arkitektur för den andra om Sesame någonsin levererar modellen i stället för broschyren.