Rime Prism vs Sesame Preview: Ett prisblad mot ett rykte

Du kan lyssna på Sesame Preview gratis ikväll. Du kan inte köpa den. Rime Prism kan du köpa för 0,080 dollar per minut, och nästan ingen utanför Rime har publicerat ett ljudklipp som de har fått mäta. Båda halvorna av den meningen är jämförelsen: den ena är den mest ansedda rösten inom konsument-AI som ingen utvecklare kan anropa, och den andra är en helt ny företagsendpoint som en startup kan lägga in i en telefonmeny den här veckan. Rime Prism lanserades den 28 oktober 2026 som Rimes första tal-till-tal-modell. Sesame Preview har kört som en gratis forskningsförhandsvisning sedan början av 2025, och produktionsrösten bakom den är fortfarande inte släppt.

De jämförs eftersom båda gör anspråk på samtalsrealism och eftersom båda endast är på engelska vid lansering. De är inte alternativ. Det ena är ett program du talar med, det andra är en slutpunkt du bygger på, och beslutet mellan dem är mindre ett val av röst än ett val av huruvida du köper en produkt eller en komponent.

Klyftan som avgör nästan allt

Ett team som vill lansera en agent ställer två frågor i den här ordningen: kan jag anropa den, och vad kostar det per anrop. Sesame Preview klarar inte den första. Det finns inget offentligt API för modellen bakom appen, inget modell-ID, ingen ändpunkt och inget publicerat pris. Den Sesame som du kan prata med är en konsumentprodukt med fyra namngivna assistenter, beständigt minne och en växande uppsättning verktyg; modellen bakom den är inte något som en utvecklare kan adressera.

Det enda från Sesame som någon kan anropa är CSM-1B, den checkpoint med öppna vikter som företaget släppte 2025 under Apache 2.0: ungefär 1 miljard parametrar, 4K kontext, 24 kHz monoljud. Det är inte rösten i appen, och det är inte en agent – den betingas av konversationshistorik men kan inte resonera om den på samma sätt som en språkmodell. Det är en talkomponent, och en enda sådan.

• Tillgänglighet — Rime Prism är ett prissatt API med en gratisnivå; Sesame Preview är en gratis konsumentapp utan API för sin produktionsröst.

• Pris — Prism $0,080 per samtalsminut i Flex, $0,064 i Scale; Sesame publicerar inget pris och tar inget betalt för appen.

• Faktureringsrisk — Prism fakturerar oavsett om samtalet går bra eller inte; Sesames kostnad är vad appen kostar, vilket är noll och inte en affärsmodell man kan planera kring.

• Latensunderlag — Prism 0,57 s tid till första ljud, leverantörsmätt på τ-Voice; Sesames app hävdar under 300 ms, och tredjepartsmätning av Maya-personan har satt tid till första byte till 80–130 ms.

• Oberoende poäng – ingen av modellerna förekommer i Artificial Analysis Speech-to-Speech Index.

• Språk — båda endast på engelska vid lansering; Sesame listar franska, italienska, tyska, spanska, kinesiska, japanska och koreanska som tidigt stöd.

• Driftsättning – Prism erbjuder moln, VPC och lokalt med ett HIPAA BAA och SOC 2 Type II; Sesame erbjuder en app.

Rime Prism, som en slutpunkt

Prism säljs på samma sätt som företagsprogramvara säljs: en gratisnivå med 50 dollar i månadskredit och inget kort, Flex för 0,080 USD/min utan åtagande, Scale för 100 dollar i månaden med 100 dollar i kredit och 0,064 USD/min, och Enterprise med volympriser och årligt åtagande. Alla nivåer använder samma modell. Prism strömmar via WebSockets och ansluter till LiveKit och Pipecat, vilket är viktigt eftersom det är där de flesta egenbyggda röstagenter redan finns.

De funktioner som motiverar priset är de som en konsumentapp inte har någon anledning att bygga. Prism skriver sitt svar som text innan det talar, så en applikation kan läsa den exakta meningen, köra en policykontroll eller ett PII-filter mot den och låta ljudet fortsätta endast om det passerar – medan modellen fortsätter lyssna, så kontrollen behöver inte bli en hörbar paus. Verktygsanrop körs parallellt med tal. Finjustering på kundens egna samtal och verktygsspår är det centrala affärscaset, med självbetjänade SFT- och RL-API:er fortfarande i beta.

Företagets egna siffror anger tiden till första ljudet till 0,57 sekunder och τ-Voice-slutförandegraden till 56,6 %, med 82,5 % i benchmarkens telekomdelmängd. En Revmo-fallstudie på cirka tio timmar av verkliga beställningssamtal anges ha 100 % orderbekräftelser mot 68 % för en namnlös OpenAI-modell. Det är en beställd kundstudie utan publicerad metodik, och den bör läsas som ett leverantörspåstående snarare än ett resultat.

Sesame Preview, som produkt

Sesames idé är att en röstassistent ska kännas som en person du känner. De fyra personorna – Maya, den kvicka samarbetspartnern, Miles, den avslappnade, Simone för djupdykningar och Charlie som en avslappnad samtalspartner – har var och en sitt eget minne och sitt eget sätt att prata. Appen söker på webben, utför långa researchuppdrag, sparar anteckningar och påminnelser, sammanfattar samtal och stöder ett inkognitoläge. Den 6 oktober 2026 släppte Sesame en uppdaterad CSM med bättre uttrycksfullhet och uttal, gav sina agenter åtkomst till en egen dator och lade till Gmail-, Calendar- och Drive-kopplingar, externa MCP-servrar via OAuth, användarskapade skills och en inbyggd bildgenerator.

Det den saknar är en väg in. Appen är gratis, visar inga annonser och säljer inte data, vilket är trevligt för en användare och en ouppklarad sak för en köpare. Det har ännu inte meddelats hur Sesame avser att tjänna pengar och om utvecklare någonsin kommer att få en slutpunkt. Glasögonen är planerade för 2027 och Japan; utvecklarverktyg har utlovats till "senare i år" utan närmare detaljer.

Ryktet är dock verkligt. Sesames röster är de som folk skickar klipp av till varandra, och recensenternas samstämmighet har varit ovanligt positiv två år i rad. Problemet är att ett rykte inte är en specifikation: ingen latenssiffra har publicerats för produktionsmodellen, det finns inget blindlyssningsresultat för den, och den enda del som går att köra oberoende är 1B-checkpointen, som är något annat.

Den enda förmågan som Sesame har uteslutit

Om ditt skäl till att du vill ha Sesames röst är att den låter som en människa, är det du faktiskt behöver replikera en samtalsloop, inte en klang. Och en samtalsloop för ett företag har krav som en konsumentapp aldrig behöver uppfylla: ett revisionsspår över vad agenten var på väg att säga, ett sätt att hindra den från att säga det, ett verktygsanrop som slutförs innan den som ringer märker det, och en driftsättning som klarar en regelefterlevnadsgranskning.

Prism är byggt kring dessa krav, och det är därför det kostar pengar. Sesame är byggt kring det motsatta: en sluten, kurerad, kostnadsfri upplevelse där företaget kontrollerar varje variabel. Båda är försvarbara produkter. Endast en av dem är en komponent som du kan koppla in i en skadehanteringslinje.

Båda är endast på engelska – av motsatta skäl.

Prism lanserades endast på engelska med ett begränsat röstutbud eftersom det är en första utgåva och rösttäckning är kostsam att leverera. Sesame satsar först och främst på engelska eftersom produkten är en uppsättning engelsktalande personligheter; franska, italienska, tyska, spanska, kinesiska, japanska och koreanska är märkta som tidigt stöd, vilket är ett annat löfte än "stöds".

För ett flerspråkigt kontaktcenter är detta det avsnitt som avslutar artikeln. Ingen av modellerna hanterar en kö med blandade språk i dag, och den jämförelse som faktiskt är relevant för den köparen är mot ett TTS-lager med bred språktäckning plus en routad textmodell, inte mot någon av dessa.

Mätproblemet

Ingen av modellerna finns med i Speech-to-Speech-indexet från Artificial Analysis, det enda oberoende index som rangordnar konversationella röstmodeller efter uppgiftsfullföljande, arena-preferens och uppgiftsframgång. Att de saknas där är inte en anmärkning mot någon av produkterna; det är orsaken till att den här sidan måste stödja sig på leverantörernas påståenden för båda.

Prisms 56,6 % τ-Voice-siffra är Rimes egen körning. Läs tabellen som Rime publicerar bredvid den, och GPT-Live-1 (Sol, low) visas på 59,3 % – högre än Prism – medan texten hävdar att Prism ligger före alla OpenAI- och Google-realtidsmodeller. Lanseringsinläggen upprepar också ”under 300 ms” och ”4× snabbare”, siffror som inte förekommer i benchmarktabellen, där det står 0,57 s. Det kan vara mätningar av olika saker; Rime säger inte vilka.

Sesames position är ännu svårare, eftersom det inte finns någon produktionsmodell att mäta. Till sin fördel har Sesame byggt det verktyg som skulle kunna mäta en sådan: TurnBench, som släpptes den 28 augusti 2026, är en öppen källkodsbenchmark för turtagning i talad dialog, utvecklad tillsammans med Carnegie Mellon, Mundo AI och Oto, med en offentlig topplista och självbetjäningspoängsättning. Det är Sesames egen benchmark snarare än en neutral sådan, men det är ett genuint bidrag, och siffran som den bygger kring är den mest användbara siffran i hela jämförelsen: det typiska gapet mellan mänskliga turer är cirka 200 millisekunder, medan planeringen av ett enda ord tar cirka 600. Det är därför turtagning, inte röstkvalitet, är det som avslöjar en maskin.

Det enda oberoende beviset som är kopplat till Rimes katalog är dess TTS-linje, och på Text-to-Speech Arena ligger Coda på 65:e plats av 99 med Elo 1 054 och Mist V2 på 92:a plats med 903. Det säger inget definitivt om Prism, vars röster är nya – men det betyder att "Rime har aldrig haft en topprankad röst på en oberoende rankinglista" är ett sant uttalande som en köpare bör höra innan den undertecknar ett Scale-avtal.

Vad en telefonlinje kostar per riktning

Prism är enkelt att prissätta. Tiotusen minuter inkommande samtal kostar 800 USD på Flex eller 640 USD på Scale, före eventuell Enterprise-rabatt. Ett femminuterssamtal kostar 0,40 USD. Om agenten även behöver sammanfatta samtalet efteråt är det en kostnad för textmodell ovanpå det, och den är liten jämfört med röstnotan.

Sesame går inte att prissätta, eftersom det inte finns någon taxa att prissätta. Appen kostar ingenting och kan inte bäddas in; den öppna checkpointen kostar $7 per miljon tecken från dess enda leverantör som hostar den, och att självhosta den innebär att du själv äger inferensstacken, codec, turdetekteringen och agentlogiken. Den som anger ett minutpris för "Sesame" anger appens frånvaro av en faktura, inte en tjänst.

Det är den praktiska asymmetrin: Prism är dyrt och tydligt, Sesame är gratis och otillgängligt. Ett budgetmöte kan argumentera mot $0,080 per minut. Det kan inte göra något med "ingen endpoint".

Tre köpare, tre olika svar

Ett företag som hanterar inkommande supporttelefoner bör titta på Prism. Textkontrollen, HIPAA BAA, on-premises-alternativet och minutpriset är alla inriktade på just den uppgiften, och risken för leverantörspåståenden är hanterbar eftersom de kommersiella villkoren är ordinära. Pilotera på ett samtalsflöde, mät containment-graden själv och behandla Rimes fallstudie med 100 % mot 68 % som en hypotes att testa snarare än en prognos.

En utvecklare som vill ha Sesames ljud i en produkt bör inte vänta på ett API som inte har tillkännagivits. Den realistiska vägen är en öppen TTS-checkpoint plus din egen orkestrering – och orkestreringen är den del du kan hyra billigt. OrcaRouter lägger över 200 textmodeller bakom en enda nyckel till leverantörens listpris med 0 % påslag, lägger till automatisk failover så att en röstagent inte dör när en leverantör har en dålig minut, och exponerar ett routing-DSL så att rutinturer kan gå till en liten modell och eskaleringar till en stor. Röstlagret och resonemangslagret behöver inte komma från samma företag, och för de flesta utvecklare bör de inte det.

{{1}}En konsument, eller någon som bygger en personlig assistent åt sig själv,{{/1}} bör helt enkelt använda Sesame. Det är gratis, det är bra, och frånvaron av ett API är irrelevant för någon som inte skriver kod.

Vad skulle ändra svaret

Tre händelser. Om Sesame publicerade ett API och en prislista skulle det över en natt förvandla detta till en riktig jämförelse, och omedelbart väcka frågan om dess röstkvalitet överlever att säljas som en komponent. Om Prism dök upp i Speech-to-Speech Index skulle det ge den sitt första oberoende mätvärde någonsin, och avgöra om raden "före OpenAI och Google" överlever kontakten med en neutral resultattavla. Och om Prisms finjusterings-API:er lämnade betaversionen skulle det skilja de företag som redan kan köpa det från alla andra.

Tills något av det inträffar är jämförelsen mellan en produkt du kan uppleva och en produkt du kan driftsätta, och det enda felaktiga svaret är att behandla dem som två versioner av samma köp. Sesame är rösten som fick människor att återigen intressera sig för konversations-AI. Prism är det första seriösa försöket att sälja den känslan per minut med en revisionslogg bifogad. Ingen av dem är den andras ersättning.