Simba 3.5 vs Sesame Preview: Den ena säljs per tecken, den andra per säte.

Här är en jämförelse som ser ut som äpplen och päron tills du prissätter den, och då blir det ren aritmetik. SpeechifyAI Simba 3.5 är en text-till-tal-modell som du köper per miljon tecken och anropar från din egen kod. Sesame Preview är en röstagent för konsumenter som du köper per månad, per person, i en app. Båda går att köpa – Sesame publicerade en nivåindelning med Free, Plus och Pro och är inte längre en gratis demo – och båda producerar en syntetisk mänsklig röst. Den ena är en komponent och den andra är en produkt, och det enda ärliga sättet att välja mellan dem är att reda ut vilken av dessa två saker ditt problem faktiskt behöver.

Företaget Sesame publicerar visserligen en modell: CSM-1B, öppna vikter på Hugging Face under Apache 2.0. Det är inte rösten du hör i appen. Appen kör ett produktionssystem utan API, utan modell-id och utan oberoende arenapoäng, och forskningssläppet har inte ändrats sedan 2025. Den klyftan är det enskilt viktigaste faktumet i den här artikeln och det är anledningen till att de två produkterna inte är utbytbara.

Vad var och en kostar, omräknat till samma enhet

Det är vid enhetsdiskrepansen som de flesta genomgångar stannar, så börja där. Simba 3.5 debiterar per tecken i indatatexten. Sesame debiterar per användarplats och månad med en inkluderad samtalstid. Ingen av taxorna låter sig enkelt räknas om till den andra, men båda kan räknas om till ”vad kostar detta min organisation under en månad”, och den jämförelsen är inte i närheten.

• Simba 3.5, listpris från 22 november — $15.00 per miljon tecken på Starter, $12.00 på Pro, $10.00 på Scale

Simba 3.5, till och med 21 november — 10,00 $, 8,00 $ och 6,00 $ per miljon tecken, de äldre modellernas priser

• Sesame Free — 0 $, 30 minuters samtalstid per dag

• Sesame Plus — 20 USD i månaden, två timmars samtalstid per dag, fyra gånger Free:s veckovisa kreditutrymme

• Sesame Pro — $100 i månaden, tio timmars samtalstid per dag, tjugo gånger Free:s veckokrediter

• Sesame-tillägg – 5 USD för en extra timme samtalstid, 20 USD för fem; krediter för 5 USD per tusen och 20 USD för fem tusen, paket som inte löper ut

Tio miljoner tecken med Simba 3.5 på Scale-planen kostar 100 dollar och genererar någonstans i storleksordningen tvåhundra timmar färdigt tal. Sesame Pro kostar 100 dollar i månaden och ger tio timmars samtalstid om dagen för en person. Det är olika produkter på samma fakturarad, och det är verkligen svårt att säga vilken av dem som är mer prisvärd, eftersom den ena genererar en tillgång och den andra för en konversation.

Den Sesame-siffra som är värd att flagga är överanvändningstaxan snarare än prenumerationen. Extra samtalstid för $5 i timmen är ungefär $0,083 per minut, vilket är dyrt för ett samtal och billigt för en produkt som du har bestämt dig för att sätta framför kunder. Paketen löper aldrig ut och förbrukas när abonnemangets ingående minutmängd är slut, så den marginella timmen är siffran att räkna på, inte den annonserade nivån.

Vad Simba 3.5 exakt är

Simba 3.5 lanserades den 21 oktober 2026 som Speechifys rekommenderade modell, ersatte Simba 3.2 som det fortsatta valet för engelska och utökade täckningen från sex språk till 48 under ett enda modell-id. Varje röst i katalogen talar alla 48, inklusive en klonad röst i en betald plan, med samma röst-id. Estniska och kantonesiska är uttryckligen uteslutna. Röst-id:n, utdataformat, talmarkeringar och den tillämpade SSML-delmängden finns kvar från 3.2, så migrering är en enradig ändring av modellfältet utan att API-versionen höjs.

På Artificial Analysis är den etta i Controlled Voice med 1 192 och femma i Provider Voice med 1 294, utifrån 1 783 respektive 1 732 prover. Den kontrollerade listan är den relevanta för den här jämförelsen: den klonar samma åtta referensröster för varje deltagare, så en modell som får bra resultat där hanterar en röst som den aldrig har hört. Det är precis vad ett arbetsflöde med klonade röster kräver.

Speechifys egna siffror, som inte har reproducerats av någon utanför företaget: 63 % blind preferens framför Simba 3.2 med ett angivet 95 %-intervall på 60 % till 67 %, 72 millisekunder till första ljud vid 95:e percentilen av streamingförfrågningar och 1,8 gånger Simba 3.2:s genomströmning per serving-instans. Dessa står vid sidan av arena-siffrorna som leverantörspåståenden snarare än som oberoende mätningar, och de bör läsas på det sättet.

Vad Sesame Preview är, exakt

Sesame Preview är en röstbaserad agentapp i offentlig förhandsversion sedan maj 2026, med namngivna personligheter, minne som består mellan sessioner och förmågan att agera och utföra saker – sökning, anteckningar, påminnelser – med en sammanfattning i slutet av ett samtal. Den körs på iOS och Android, säljer de tre nivåerna ovan via appbutikerna i stället för webben och håller en gratis Research Preview i webbläsaren vid liv för användare utanför appens länder med samma dagliga tak på 30 minuter som Free-planen.

Dess ingenjörskonst är inriktad på turtagning snarare än rendering, och företaget har publicerat verkligt arbete om det. TurnBench, som släpptes den 28 augusti 2026 med ett papper på arXiv, mäter samtalets timing på trettio timmar tvåkanaliga studiinspelningar – 154 dialoger, 106 röstskådespelare i 53 par, inspelade i separata ljudisolerade bås – och bedömer detektering av tursslut och barge-in mot två typer av nästan-träffar. Den nuvarande resultattavlan omfattar 25 rankade system. Inget av dem är en text-till-tal-modell, eftersom uppgiften är en annan.

Och avgörande: det finns ingen Sesame-modellendpoint. Inget id, ingen prislista, ingen parameter för referensröst. En utvecklare kan inte anropa Sesame Preview från kod, lika lite som de kan anropa ett telefonsamtal. Den enda laddningsbara Sesame-artefakten är CSM-1B, och Sesame säger uttryckligen att CSM "endast kan modellera text- och talinnehållet i en konversation – inte själva strukturen i konversationen."

Asymmetrin som avgör det

Simba 3.5 kan göra en snäv, partiell version av det Sesame gör. Du kan streama den, och streaming plus en bra taligenkänningsmodell är hur en stor mängd produktionsröstagenter byggs idag. Det den inte kan göra är att avgöra när den ska sluta tala, lyssna medan den talar eller hantera ett avbrott – det är egenskaper hos orkestreringen runt den, och dem skulle du behöva bygga.

Sesame kan inte göra någon variant av det som Simba 3.5 gör för en utvecklare. Du kan inte placera dess röst i produktens användargränssnitt till en kostnad per tecken, producera en ljudbok med den eller lokalisera en katalog med den. Du kan prata med den, och dina användare kan prata med den, och det är hela gränsytan.

Så beslutet reduceras till en fråga om vad du levererar. Om rösten finns inuti något du bygger är Simba 3.5 kandidaten och Sesame finns inte på listan. Om det du vill ha är den färdiga upplevelsen – en persona som för en konversation och utför ärenden – köper du Sesames app och frågan om röstkvalitet besvaras åt dig av ett företag som inte har öppnat den för mätning.

För lokaliseringsfallet är gapet totalt

Simba 3.5 talar 48 språk. Sesame Preview hanterar engelska, och dess planer är likgiltiga för språk eftersom produkten är engelsk. För alla arbetsbelastningar där skriften inte är engelska slutar denna jämförelse vid första stycket i specifikationsbladen.

Det finns dock en nyans värd att behålla. Speechifys 48 språk kommer med en varning som leverantören uttrycker rakt ut: en röst behåller accenten från sin källinspelning, så en klonad amerikansk röst som talar japanska låter som en amerikan som talar japanska. Företagets egen vägledning är att generera med en av personalen utvald röst som är infödd i varje språkområde, vilket är anledningen till att dess voices-endpoint nu exponerar staff_pick_rank. Tvärspråkligt stöd finns; accentfri tvärspråklighet är inte vad som utlovas.

Sesames svar på accent är av ett annat slag: en persona har en röst, och rösten följer inte med eftersom samtalet sker på ett enda språk. Det är inte en begränsning för en konsumentprodukt, och det är ett tvärstopp för en katalog.

Var OrcaRouter passar in, och var det inte passar

OrcaRouter tillhandahåller ingen av produkterna. Simba 3.5 nås via Speechifys eget API; Sesame Preview nås via en appbutik. Ingenting här bör uppfattas som ett påstående om motsatsen.

Det vi erbjuder via route är den mindre synteskatalogen som du skulle använda som kontroll när du testar ett röstbeslut: openai/tts-1 till $15.00 per miljon tecken och openai/tts-1-hd till $30.00, båda till leverantörens listpris utan påslag. Om du väger Simba 3.5 mot något — även mot den OpenAI-röst du redan använder — är det ett billigare experiment än en upphandlingscykel att rendera samma manus genom båda med en och samma nyckel, och automatisk failover innebär att en leverantörsincident inte tar med sig din renderingskö.

För det konversationella fallet finns det inget routersvar, och det vore oärligt att låtsas något annat. Sesame Preview är inte en endpoint. Om du behöver turtagning i en produkt som du bygger är jämförelsen du faktiskt vill göra Simba 3.5 plus din egen orkestrering mot ett realtids-API för tal-till-tal från en leverantör som säljer ett sådant – och det är en annan artikel.

Vilken då?

Välj Simba 3.5 om du bygger: du behöver en endpoint, en förutsebar kostnad per tecken, en räknebar språklista, klonade röster som överlever in i 48 språkvarianter och ett toppoäng för kontrollerad röst som uppnåtts på referensröster som leverantören inte valde. Det är också tre veckor in i ett prisschema som har ändrats en gång, med en migrering av modell-id – simba-multilingual och simba-english serveras av Simba 3.5 – som sker den 21 november, så lås din modell-id medvetet i stället för att förlita dig på standardvärdet.

Välj Sesame Preview om du använder: du vill ha en samtalsagent med minne och uppgiftsutförande, du är bekväm med att dess röst inte mäts av någon oberoende nämnd, och tio timmars samtalstid per dag för $100 är ett pris du kan koppla till värdet av det arbete den utför. Det är en färdig sak snarare än en råvara, och färdiga saker prissätts därefter.

Misstaget som den här jämförelsen bjuder in till är att behandla dem som konkurrenter eftersom båda låter som människor. De säljs i olika enheter, konsumeras på olika sätt, och en av dem kan inte anropas från kod alls. Det är inte ett oavgjort läge som ska avgöras – det är ett vägskäl, och de flesta team vet redan vilken sida av det de står på.