AssemblyAI-TTS-1 vs Sesame Preview: หนึ่งในนี้ไม่มีตารางราคา

คุณไม่สามารถซื้อ Sesame Preview ได้ นี่คือแอปฟรีสำหรับผู้บริโภค — Maya, Miles, Simone และ Charlie คู่หูที่มีความจำถาวรสี่ตัวบน iOS และ Android จำกัดการโทรไว้ที่ 30 นาที และมีแผนที่ยังไม่ประกาศว่าจะขายแว่นตาให้คุณในปี 2027 — และไม่มีเอนด์พอยต์สำหรับนักพัฒนา ไม่มี ID ของโมเดล และไม่มีรายการราคาอยู่เบื้องหลัง AssemblyAI-TTS-1เมื่อเทียบกันแล้ว เป็นรายการคิดเงิน: 15 ดอลลาร์ต่อล้านตัวอักษร พร้อมให้ใช้งานทั่วไปตั้งแต่ 27 ตุลาคม 2026 สตรีมผ่าน HTTP และ WebSocket ใน US-East หรือ EU-North ดังนั้นการเปรียบเทียบที่มักกล่าวกันจึงไม่ใช่การเปรียบเทียบ แต่เป็นการนำผลิตภัณฑ์มาเทียบกับเดโม

การเปรียบเทียบจะเริ่มมีประโยชน์ทันทีที่คุณเปลี่ยนมาใช้ Sesame รุ่นที่มีน้ำหนักจริง: Sesame CSM 1B ซึ่งเป็นเช็กพอยต์เสียงสนทนาภายใต้ Apache-2.0 บน Hugging Face เป็นโมเดลขนาดประมาณหนึ่งพันล้านพารามิเตอร์ที่รับข้อความพร้อมบริบทเสียงและส่งออกเสียงพูดภาษาอังกฤษ ตอนนี้มันเป็นการตัดสินใจจริง ๆ — เช็กพอยต์เปิดขนาด 1B ในราคา 7 ดอลลาร์ต่อหนึ่งล้านอักขระ เทียบกับเอนด์พอยต์แบบปิดที่ 15 ดอลลาร์ — และส่วนที่น่าสนใจคือ ตัวที่ถูกกว่าคือตัวที่คุณต้องสร้างเอเจนต์โดยมีมันเป็นศูนย์กลาง

Sesame Preview คืออะไรกันแน่ เพื่อให้การเปรียบเทียบไม่คลาดเคลื่อน

Sesame Preview เป็นผลิตภัณฑ์ที่วางจำหน่ายแล้วซึ่งมีโมเดลจริงอยู่ภายใน แต่ไม่มีวิธีเช่าโมเดลนั้น โมเดลที่ใช้ในการผลิตของแอปไม่ใช่เช็กพอยต์ที่เผยแพร่: Sesame เผยแพร่ CSM 1B ซึ่งเป็นโมเดลสร้างพื้นฐานที่ยังไม่ได้ปรับแต่งให้เข้ากับเสียงเฉพาะ ในขณะที่เพอร์โซนาที่ขัดเกลาแล้วในแอปเป็นของ Sesame เอง แอปอ้างว่ามีความหน่วงต่ำกว่า 300 มิลลิวินาที การวัดโดยบุคคลที่สามของเพอร์โซนา Maya ให้ค่าไบต์แรกอยู่ที่ประมาณ 80–130 มิลลิวินาที ไม่มีตัวเลขใดอธิบาย CSM 1B ตามที่คุณจะได้รับ

การอัปเดตแอปประจำเดือนตุลาคม 2026 — ความสามารถในการแสดงออกและการออกเสียงที่ดีขึ้น การให้เอเจนต์เข้าถึงคอมพิวเตอร์ ตัวเชื่อมต่อ Gmail, Calendar และ Drive การรองรับ MCP และเครื่องมือสร้างภาพ — เป็นสัญญาณจากโรดแมป ไม่ใช่สัญญาณเชิงพาณิชย์ Sesame กล่าวว่าเครื่องมือสำหรับนักพัฒนาจะมา "ภายในปีนี้" โดยไม่ได้ระบุว่าจะเป็นอะไร ราคาเท่าไร หรือจะเป็นโมเดลสำหรับการใช้งานจริงหรือเช็กพอยต์ ไม่ควรอิงการตัดสินใจใดๆ ในเรื่องนี้กับประโยคนั้น

บิลทั้งสองใบ เมื่อแปลงเป็นหน่วยเดียวกัน

CSM 1B มีราคา $7.00 ต่อล้านตัวอักษรบนเกตเวย์แบบโฮสต์ที่ให้บริการ โดยคิดค่าบริการตามตัวอักษรแทนที่จะคิดตามโทเค็น ส่วน AssemblyAI-TTS-1 ราคา $15.00 ต่อล้านตัวอักษร และอัตรานั้นรวมทุกเสียงในไลบรารีกว่า 4,000 เสียง ทั้งภาษาที่เปิดตัวทั้งหกภาษา การโคลนเสียงทันที การประทับเวลาแบบคำ การประมวลผลในสหรัฐฯ หรือสหภาพยุโรป และการทำงานพร้อมกันแบบไม่จำกัด

ที่ความเร็วประมาณ 900 ตัวอักษรต่อนาทีของการพูดทั่วไป เมื่อเทียบรายชั่วโมงแล้ว CSM 1B อยู่ที่ประมาณ $0.35 เทียบกับประมาณ $0.81 สำหรับ AssemblyAI-TTS-1 — เช็กพอยต์แบบเปิดนั้นถูกกว่าต่อตัวอักษรเกินสองเท่าเล็กน้อย — และตัวเลขของ CSM คือตัวเลขที่บอกคุณได้น้อยที่สุด เพราะมันคิดราคาเฉพาะโมเดล ไม่ใช่ระบบโดยรวม

รายการมิติคือจุดที่ทั้งสองสิ่งนี้ไม่สามารถนำมาเปรียบเทียบกันได้อีกต่อไป:

• ราคา — 7 ดอลลาร์ต่อล้านอักขระ เทียบกับ 15 ดอลลาร์ โดยแพ็กเกจราคาสูงกว่ารวมเสียงทั้งหมดและการโคลนไว้ด้วย

• ภาษา — CSM 1B เป็นภาษาอังกฤษ และการ์ดโมเดลระบุตรง ๆ ว่าความสามารถด้านภาษาที่ไม่ใช่ภาษาอังกฤษเป็นเพียงผลพลอยได้; แอประบุหลายภาษาเป็น "early support" ซึ่งเป็นคำมั่นที่แตกต่างออกไป AssemblyAI-TTS-1 เปิดตัวพร้อมรองรับหกภาษา

คลังเสียง — CSM 1B มาพร้อมเสียงพูด 7 เสียงและโมเดลฐานที่คุณต้องนำมาโคลนเสียงเอง ส่วน AssemblyAI-TTS-1 มาพร้อมเสียงกว่า 4,000 เสียงและการโคลนเสียงแบบทันทีจากตัวอย่างเสียงยาว 24 วินาที

• ความลึกในการโคลนเสียง — ทั้งสองระบบไม่ได้มีบริการโคลนระดับมืออาชีพที่ผ่านการฝึกฝนมาให้ เส้นทางแบบทันทีของ AssemblyAI จำเป็นต้องมีขั้นตอนยืนยันการอนุญาตจากผู้พูด ส่วน CSM 1B ถ่ายทอดอัตลักษณ์แบบ zero-shot และทำให้ท่วงทำนองเสียงแบนราบลงเมื่อทำเช่นนั้น

• สิ่งที่คุณต้องจัดหา — CSM 1B ต้องมีโคเดก (codec) การตรวจจับการผลัดกันพูด (turn detection) การประกอบบริบท (context assembly) และลูปของเอเจนต์ (agent loop) พร้อมด้วยงบประมาณบริบท 4K โทเค็นที่คุณจัดการเอง ส่วน AssemblyAI-TTS-1 ต้องมี HTTP client ตัวจัดการสตรีม และข้อความยกเลิก

• หลักฐานด้านเวลาแฝง — AssemblyAI-TTS-1 มีคำกล่าวอ้างจากผู้จำหน่าย การวัดอิสระสองครั้ง และอันดับบนกระดานจัดอันดับ ส่วน CSM 1B มีรายงานการติดตั้งใช้งานที่ครอบคลุมช่วงถึงสองลำดับขนาด

ความหน่วง: 90 ms ตามที่อ้าง, 159 ms ตามที่วัดได้, 9.9 วินาทีตามที่สังเกตได้

เรื่องราวความหน่วงของ AssemblyAI-TTS-1 ได้รับการบันทึกไว้และเป็นที่โต้แย้งกันในลักษณะที่สามารถกล่าวอย่างตรงไปตรงมาได้ง่าย ผู้จำหน่ายอ้างว่าใช้เวลา 90 มิลลิวินาทีถึงเสียงแรกในการใช้งานจริง และ 47 มิลลิวินาทีเป็นค่ามัธยฐานของเวลาถึงไบต์แรกในห้องแล็บของตน Cekura ซึ่งวัดอย่างอิสระในการทดสอบที่จำลองรูปแบบเอเจนต์ ได้ค่าเริ่มต้นการสตรีมแบบมัธยฐานที่ 159 มิลลิวินาที, 296 มิลลิวินาทีที่ p90 และจัดอันดับให้เป็นที่แปดจากสิบเก้าโมเดลที่ตนวัดเวลา ช่องว่างนั้นเป็นเรื่องระเบียบวิธีวิจัย — การวัดจากคำขอถึงไบต์แรกเทียบกับการวัดจากคำสุดท้ายที่ส่งถึงเสียงแรก — ไม่ใช่ความไม่ซื่อสัตย์ และการวัดแบบที่สองคือสิ่งที่ผู้โทรของคุณประสบ

เรื่องราวความหน่วงของ CSM 1B ไม่ใช่ประเด็นที่มีการโต้เถียงกันมากนัก แต่เป็นเรื่องที่ไม่มีขอบเขตจำกัด การแปลงบนอุปกรณ์ที่ผ่านการปรับแต่งแล้วรายงานว่าใช้เวลาประมาณ 120 มิลลิวินาทีจนถึงเสียงแรก โดยมีค่า real-time factor อยู่ระหว่าง 0.5 ถึง 0.9 บน Apple Silicon ส่วน RTX 5070 Ti ที่ไม่ได้ปรับแต่งนั้นมีรายงานว่าทำงานที่ความเร็วประมาณครึ่งหนึ่งของเวลาจริง ขณะที่ประกาศโฮสติ้งรายหนึ่งเผยแพร่ค่า P50 ที่ประมาณ 9.9 วินาที และ P95 ที่ประมาณ 39 วินาทีแบบครอบคลุมทั้งกระบวนการ ทั้งหมดนี้ล้วนอธิบาย checkpoint เดียวกันทั้งสิ้น สิ่งที่คุณจะได้รับจึงขึ้นอยู่กับว่าคุณทุ่มเทงานด้าน serving engineering มากเพียงใด

นั่นคือหัวใจของการเปรียบเทียบทั้งหมด และมันไม่ใช่ข้อโต้แย้งเรื่องคุณภาพ endpoint แบบปิดได้ทำงานด้าน serving และคิดราคารวมไว้แล้ว: $0.81 ต่อชั่วโมง ไม่ต้องใช้ GPU ไม่ต้องใช้ codec ไม่ต้องออกแบบคิว checkpoint แบบเปิดขนาด 1B ให้โมเดลแก่คุณในราคา $0.35 ต่อชั่วโมง และคืนส่วนที่เคยมีต้นทุนสูงในการสร้างให้คุณ หากคุณมีงานวิศวกรรมนั้นอยู่แล้ว checkpoint คือข้อตกลงที่ดีกว่าอย่างชัดเจน หากคุณไม่มี เงิน $0.46 ต่อชั่วโมงที่คุณประหยัดได้ก็เป็นเพียงเศษเสี้ยวเล็กน้อยเมื่อเทียบกับเวลาหนึ่งเดือนแรกของใครสักคน

จุดที่แต่ละอันแย่จริง ๆ

จุดอ่อนของ AssemblyAI-TTS-1 ล้วนอยู่ที่ส่วนท้ายของข้อความจริง Artificial Analysis ให้คะแนนความทนทานในการออกเสียงโดยรวม 81.7% อยู่ในอันดับที่ 16 โดยการขยายคำย่อได้ 73.8% ส่วนการทดสอบการออกเสียงตามบริบทของ Cekura จัดให้อยู่อันดับที่ 22 จาก 27 ด้วยคะแนน 70.8% แม้จะจัดให้เป็นอันดับหนึ่งด้านหมายเลขโทรศัพท์และรหัสที่ 91.7% ก็ตาม ไม่มีพจนานุกรมการออกเสียงและไม่มี SSML ให้แก้ไขสิ่งเหล่านั้นได้ และหกภาษาของมันเป็นเพดานแบบตายตัวมากกว่าจะเป็นจุดเริ่มต้น ความแม่นยำของเอนทิตีที่ผู้ขายรายงานไว้ 93.7% บนชุดข้อมูล 580 รายการของตัวเองกลับบอกตรงกันข้าม และมีเพียงคอร์ปัสของคุณเท่านั้นที่ชี้ขาดได้ว่าการวัดแบบใดอธิบายทราฟฟิกของคุณ

จุดอ่อนของ CSM 1B เป็นเรื่องเชิงโครงสร้างมากกว่าที่มาจากข้อมูล โดยถูกออกแบบให้รองรับเฉพาะภาษาอังกฤษเท่านั้น มันเป็นโมเดลฐาน เสียงที่คุณได้จึงไม่ใช่เสียงที่มีใครปรับแต่งมา มันตัดคำสุดท้ายในบางครั้งที่สร้างผลลัพธ์ มีลายน้ำในตัวสร้างอ้างอิงของมัน และ wrapper ที่โฮสต์บางตัวจะตัดพารามิเตอร์ context, language และ max-length ทิ้งไปอย่างเงียบ ๆ ซึ่งหมายความว่าเกตเวย์ที่เสนอ CSM 1B ให้คุณอาจไม่ได้รันโมเดลตามที่เอกสารระบุ คอนเท็กซ์ของมันมี 4K โทเค็น โดยมีเอาต์พุตสูงสุดประมาณ 3,686 ดังนั้นบทสนทนายาว ๆ จะต้องให้คุณประกอบเอง

สิ่งหนึ่งที่ทั้งสองไม่ได้เป็น และเรื่องนี้สำคัญสำหรับใครก็ตามที่มาจากแอปฝั่งผู้บริโภค นั่นคือ คู่สนทนา AssemblyAI-TTS-1 อ่านข้อความเป็นเสียงพูดและไม่มีความเข้าใจเรื่องสถานะของบทสนทนา CSM 1B ตระหนักถึงบทสนทนามากกว่าของทั้งสอง — มันรับบริบทเสียงเป็นอินพุต — แต่ผลิตเสียงพูดทีละเทิร์นโดยไม่มีการตรวจจับเทิร์นของตัวเอง ความไร้รอยต่อที่ดูเหมือนมีในแอปนั้นเป็นคุณสมบัติของผลิตภัณฑ์ และไม่มีโมเดลใดส่งมอบสิ่งนี้มาให้

สามคำถามที่ผู้คนถามกันจริง ๆ

CSM 1B เป็นโมเดลเดียวกับที่แอป Sesame ใช้งานหรือไม่ ไม่ใช่ แอปใช้งานโมเดลโปรดักชันของ Sesame ส่วนเช็กพอยต์นี้เป็นโมเดลฐานสำหรับการสร้างภาษา ซึ่งเผยแพร่ภายใต้สัญญาอนุญาต Apache 2.0 และช่องว่างระหว่างทั้งสองก็คือเหตุผลที่แอปฟังดูเหมือน Maya ขณะที่การติดตั้ง CSM 1B ใหม่ ๆ ไม่เป็นเช่นนั้น มองแอปนี้เป็นเดโมของสิ่งที่ Sesame สร้างได้ ไม่ใช่ตัวอย่างล่วงหน้าของสิ่งที่คุณจะได้รับ

แบบไหนถูกกว่ากันที่หนึ่งแสนสาย สายละสามนาที? ในทางทฤษฎี CSM 1B: 270 ล้านตัวอักษร ประมาณ $1,890 บน checkpoint เทียบกับประมาณ $4,050 บน AssemblyAI-TTS-1 แต่ในทางปฏิบัติ ตัวเลข checkpoint นั้นไม่รวมชั่วโมง GPU วิศวกรฝ่ายเซิร์ฟเวอร์ และงานด้าน latency ที่ต้องทำเพื่อให้ได้สตรีมระดับเอเจนต์ ที่ปริมาณขนาดนั้น การเปรียบเทียบที่ตรงไปตรงมาคือ $4,050 กับ "ไม่รู้จนกว่าจะสร้างเสร็จ" และคำว่าไม่รู้นั่นแหละคือสิ่งที่แพงกว่าของสองอย่าง

AssemblyAI-TTS-1 สามารถโคลนเสียงของฉันเองได้ไหม ได้ โดยการอัปโหลดไฟล์บันทึกเสียงความยาวประมาณ 24 วินาทีและยืนยันว่าคุณได้รับอนุญาตจากเจ้าของเสียงแล้ว ระบบจะส่งรหัสเสียง (voice ID) กลับมาให้ภายในไม่กี่วินาที และคิดค่าบริการในอัตราต่ออักขระเดียวกันกับคลังเสียง แต่ไม่มีการโคลนแบบมืออาชีพที่ผ่านการฝึกสอน ดังนั้นผลลัพธ์จึงเป็นอัตลักษณ์เสียงที่ใช้งานได้จริงมากกว่าทรัพย์สินแบรนด์ที่มีการกำกับดูแล และในตอนเปิดตัวยังไม่มีฟีเจอร์การโคลนแบบปรับแต่งเฉพาะ

นี่คือการตัดสินใจอะไรกันแน่

ถ้าชื่อที่อยู่ตรงหน้าคุณคือ Sesame Preview ให้หยุด: ไม่มีอะไรต้องผสานรวม และไม่มีราคาให้เปรียบเทียบ ถ้าเป็น CSM 1B แสดงว่าคุณไม่ได้กำลังเลือกโมเดล TTS แต่กำลังเลือกว่าจะเป็นเจ้าของชั้นให้บริการหรือไม่ — และเงื่อนไขสามข้อที่ทำให้การตอบ "ใช่" มีเหตุผลรองรับคือ คุณต้องการใช้ภาษาอังกฤษเท่านั้น คุณมีกำลัง GPU พร้อมวิศวกรที่รับมือได้ และคุณต้องการให้โมเดลอยู่ภายในขอบเขตของคุณเอง สิ่งอื่นทั้งหมดล้วนสนับสนุนให้ใช้ endpoint

ข้อโต้แย้งด้านต้นทุนที่มักเป็นตัวตัดสินใจไม่ใช่ราคาต่อตัวอักษรเลย แต่คือการรวมศูนย์: voice agent มักสะสมผู้ให้บริการ TTS ผู้ให้บริการ speech-to-text และผู้ให้บริการ language model โดยแต่ละรายมีสัญญาและรอบการเปลี่ยนราคาของตัวเอง OrcaRouter มีอยู่เพื่อลดชั้นสุดท้ายนั้นให้แบนราบ — API เดียวสำหรับโมเดลมากกว่า 200 โมเดลในราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% ดังนั้นการลดราคาของผู้ให้บริการจะส่งถึงบิลของคุณในวันเดียวกันแทนที่จะเป็นตอนต่อสัญญาครั้งถัดไป พร้อมกับ ระบบ failover อัตโนมัติ routing DSL สำหรับประกอบโมเดลให้รวมเป็นการเรียกครั้งเดียว และ model fusion เมื่อคำตอบเดียวไม่เพียงพอ AssemblyAI-TTS-1 และ CSM 1B ต่างอยู่นอกแคตตาล็อกนั้นในปัจจุบัน — เส้นทางเสียงของเราคือตระกูล tts-1 ของ OpenAI และตัวอย่าง TTS ของ Google Gemini — ดังนั้นข้อโต้แย้งนี้เกี่ยวกับบิลที่คุณจ่ายอยู่แล้ว ไม่ใช่เกี่ยวกับการซื้อที่คุณสามารถทำได้ที่นี่

แอปของ Sesame คือตัวอย่างฟรีที่ดีที่สุดในหมวดนี้ และน่าจะกลายเป็นผลิตภัณฑ์สำหรับนักพัฒนาในสักวันหนึ่ง ส่วน AssemblyAI-TTS-1 คือตารางราคาที่คุณเซ็นสัญญาได้ภายในสัปดาห์นี้ เมื่อพิจารณาจากข้อเท็จจริงสองข้อนี้ แผนเดียวที่สมเหตุสมผลคือสร้างบนสิ่งที่ลงมือใช้ได้จริง และเผื่อช่องไว้ในสถาปัตยกรรมของคุณสำหรับอีกสิ่งหนึ่ง หากวันหนึ่ง Sesame เปิดตัวโมเดลจริงออกมาแทนที่จะเป็นแค่โบรชัวร์