Simba 3.5 กับ Sesame Preview: ตัวหนึ่งขายตามจำนวนตัวอักษร อีกตัวขายตามจำนวนที่นั่ง
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 226 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 98 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0717 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 83 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 177 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 52 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 131 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 64 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 96 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 185 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 186 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 122 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 312 tok/s
นี่คือการเปรียบเทียบที่ดูเหมือนเอาแอปเปิลมาเทียบกับส้ม จนกว่าคุณจะคิดราคา ซึ่งเมื่อถึงตอนนั้นมันก็กลายเป็นเรื่องเลขคณิต SpeechifyAI Simba 3.5 คือโมเดลแปลงข้อความเป็นเสียงพูดที่คุณซื้อเป็นรายล้านตัวอักษรและเรียกใช้จากโค้ดของคุณเอง Sesame Preview คือเอเจนต์เสียงสำหรับผู้บริโภคที่คุณซื้อแบบรายเดือน ต่อคน ในแอป ทั้งสองแบบซื้อได้ — Sesame เผยแพร่รายการแพ็กเกจ Free, Plus และ Pro และเลิกเป็นเดโมฟรี — และทั้งคู่สร้างเสียงมนุษย์สังเคราะห์ ตัวหนึ่งเป็นคอมโพเนนต์ อีกตัวเป็นผลิตภัณฑ์ และวิธีเดียวที่ซื่อตรงในการเลือกระหว่างสองสิ่งนี้คือการพิจารณาว่าปัญหาของคุณต้องการสิ่งใดในสองอย่างนี้จริง ๆ
บริษัท Sesame เผยแพร่โมเดลจริง คือ CSM-1B ซึ่งเป็นโมเดลแบบ open weights บน Hugging Face ภายใต้สัญญาอนุญาต Apache 2.0 แต่โมเดลนี้ไม่ใช่เสียงที่คุณได้ยินในแอป แอปทำงานบนระบบโปรดักชันที่ไม่มี API ไม่มี model id และไม่มีคะแนน Arena ที่เป็นอิสระ ขณะที่รุ่นที่เผยแพร่เพื่อการวิจัยไม่มีการขยับเขยื้อนตั้งแต่ปี 2025 ช่องว่างนี้เป็นข้อเท็จจริงที่สำคัญที่สุดเพียงข้อเดียวในบทความนี้ และเป็นเหตุผลที่ผลิตภัณฑ์ทั้งสองไม่ใช่สิ่งทดแทนกัน
ค่าใช้จ่ายของแต่ละรายการ เมื่อแปลงเป็นหน่วยเดียวกัน
ความไม่ตรงกันของหน่วยคือจุดที่บทความส่วนใหญ่หยุดไว้ ดังนั้นเริ่มจากตรงนั้น Simba 3.5 คิดเงินตามจำนวนตัวอักษรของข้อความอินพุต Sesame คิดเงินรายที่นั่งต่อเดือนพร้อมโควต้าเวลาพูด อัตราทั้งสองแปลงไปหากันได้ไม่ลงตัว แต่ทั้งคู่แปลงเป็นคำถามว่าสิ่งนี้ทำให้องค์กรของฉันเสียค่าใช้จ่ายเท่าไรต่อเดือน และการเปรียบเทียบนั้นต่างกันมาก
• Simba 3.5 ราคาตามรายการตั้งแต่ 22 พฤศจิกายน — $15.00 ต่อล้านตัวอักษรสำหรับ Starter, $12.00 สำหรับ Pro, $10.00 สำหรับ Scale
• Simba 3.5 ถึงวันที่ 21 พฤศจิกายน — 10.00 ดอลลาร์, 8.00 ดอลลาร์ และ 6.00 ดอลลาร์ต่อล้านตัวอักษร ซึ่งเป็นอัตราของโมเดลรุ่นเก่า
• Sesame Free — $0 เวลาโทร 30 นาทีต่อวัน
• Sesame Plus — 20 ดอลลาร์ต่อเดือน เวลาสนทนา 2 ชั่วโมงต่อวัน โควต้าเครดิตประจำสัปดาห์เป็น 4 เท่าของ Free
Sesame Pro — เดือนละ $100 เวลาพูดคุยวันละ 10 ชั่วโมง เครดิตมากเป็น 20 เท่าของเครดิตรายสัปดาห์ของ Free
• ส่วนเสริม Sesame — $5 สำหรับเวลาพูดคุยเพิ่มเติมหนึ่งชั่วโมง, $20 สำหรับห้าชั่วโมง; เครดิตในราคา $5 ต่อหนึ่งพันและ $20 ต่อห้าพัน แพ็กที่ไม่หมดอายุ
Simba 3.5 จำนวนสิบล้านตัวอักษรในแผน Scale ราคา 100 ดอลลาร์ และสร้างเสียงพูดที่เสร็จสมบูรณ์ได้ราวสองร้อยชั่วโมง Sesame Pro ราคา 100 ดอลลาร์ต่อเดือน และให้เวลาพูดคุยสิบชั่วโมงต่อวันสำหรับหนึ่งคน สิ่งเหล่านี้เป็นผลิตภัณฑ์ที่แตกต่างกันแต่มีบรรทัดในใบแจ้งหนี้เดียวกัน และเป็นเรื่องยากจริง ๆ ที่จะบอกว่าอันไหนคุ้มค่ากว่า เพราะอันหนึ่งสร้างสินทรัพย์ ส่วนอีกอันดำเนินบทสนทนา
ตัวเลขของ Sesame ที่ควรให้ความสนใจคืออัตราค่าใช้จ่ายเกินโควตา ไม่ใช่ค่าสมัครสมาชิก เวลาพูดเพิ่มเติมในราคา $5 ต่อชั่วโมงคิดเป็นประมาณ $0.083 ต่อนาที ซึ่งแพงสำหรับการสนทนา แต่ถูกสำหรับผลิตภัณฑ์ที่คุณตัดสินใจจะนำไปเสนอให้ลูกค้า แพ็กไม่มีวันหมดอายุและจะถูกใช้หลังจากโควตาตามแพ็กเกจหมด ดังนั้นชั่วโมงส่วนเพิ่มคือตัวเลขที่ต้องนำไปจำลอง ไม่ใช่ระดับราคาที่โฆษณาไว้
Simba 3.5 คืออะไรกันแน่
Simba 3.5 เปิดตัวเมื่อวันที่ 21 ตุลาคม 2026 ในฐานะโมเดลที่ Speechify แนะนำ แทนที่ Simba 3.2 ในฐานะตัวเลือกภาษาอังกฤษที่ใช้ต่อไป และขยายความครอบคลุมจากหกภาษาเป็น 48 ภาษาภายใต้ model id เดียว ทุกเสียงในแคตตาล็อกพูดได้ทั้ง 48 ภาษา รวมถึงเสียงโคลนบนแพ็กเกจแบบชำระเงิน ด้วย voice id เดียวกัน เอสโตเนียและกวางตุ้งถูกยกเว้นอย่างชัดเจน voice id รูปแบบเอาต์พุต speech marks และชุดย่อย SSML ที่ใช้งานยังคงต่อเนื่องมาจาก 3.2 ดังนั้นการย้ายจึงเป็นการแก้ไขฟิลด์ model เพียงบรรทัดเดียวโดยไม่ต้องเพิ่มเวอร์ชัน API
บน Artificial Analysis โมเดลนี้อยู่อันดับหนึ่งใน Controlled Voice ด้วยคะแนน {{1}}1,192{{/1}} และอันดับห้าใน Provider Voice ด้วยคะแนน {{2}}1,294{{/2}} โดยมาจากจำนวนตัวอย่าง {{3}}1,783{{/3}} และ {{4}}1,732{{/4}} รายการตามลำดับ บอร์ด Controlled Voice คือบอร์ดที่มีความหมายสำหรับการเปรียบเทียบนี้ เพราะมันโคลนเสียงอ้างอิงแปดเสียงชุดเดียวกันสำหรับผู้เข้าแข่งขันทุกราย ดังนั้นโมเดลที่ทำคะแนนได้ดีบนบอร์ดนี้ย่อมจัดการกับเสียงที่มันไม่เคยได้ยินมาก่อนได้ และนั่นคือสิ่งที่เวิร์กโฟลว์แบบโคลนเสียงต้องการอย่างแท้จริง
ตัวเลขของ Speechify เอง ซึ่งไม่มีใครภายนอกบริษัททำซ้ำได้ ได้แก่ ความชอบแบบ blind ที่ 63% เหนือกว่า Simba 3.2 โดยระบุช่วงความเชื่อมั่น 95% ที่ 60% ถึง 67%, เวลาถึงเสียงแรก 72 มิลลิวินาทีที่เปอร์เซ็นไทล์ที่ 95 ของคำขอสตรีมมิ่ง และ吞吐量ต่ออินสแตนซ์การให้บริการเป็น 1.8 เท่าของ Simba 3.2 ตัวเลขเหล่านี้อยู่เคียงข้างตัวเลขจาก arena ในฐานะคำกล่าวอ้างของผู้ขายมากกว่าการวัดผลอิสระ และควรอ่านในลักษณะนั้น
Sesame Preview คืออะไรกันแน่
Sesame Preview เป็นแอปเอเจนต์ที่เน้นเสียงเป็นหลัก อยู่ในช่วงพรีวิวสาธารณะตั้งแต่พฤษภาคม 2026 มีเพอร์โซนาที่ตั้งชื่อได้ มีความจำที่คงอยู่ข้ามเซสชัน และสามารถลงมือทำสิ่งต่างๆ ได้ — ค้นหา จดโน้ต ตั้งการแจ้งเตือน — พร้อมสรุปตอนท้ายการสนทนา ใช้งานได้บน iOS และ Android ขายสามระดับข้างต้นผ่านแอปสโตร์แทนเว็บ และยังคงให้ Research Preview ผ่านเบราว์เซอร์แบบฟรีสำหรับผู้ใช้นอกประเทศที่แอปให้บริการ โดยมีเพดาน 30 นาทีต่อวันเท่ากับแผนฟรี
งานวิศวกรรมของบริษัทมุ่งเน้นไปที่การผลัดกันพูดมากกว่าการสังเคราะห์เสียง และบริษัทได้เผยแพร่งานวิจัยจริงในเรื่องนี้ TurnBench ซึ่งเปิดตัวเมื่อวันที่ 28 สิงหาคม 2026 พร้อมบทความบน arXiv วัดจังหวะของการสนทนาจากการบันทึกเสียงสตูดิโอแบบสองช่องสัญญาณความยาว 30 ชั่วโมง — บทสนทนา 154 รายการ นักพากย์เสียง 106 คนใน 53 คู่ ซึ่งบันทึกในห้องเก็บเสียงที่แยกจากกัน — โดยให้คะแนนการตรวจจับจุดสิ้นสุดการพูดและการพูดแทรก เทียบกับกรณีเกือบพลาดสองประเภท ลีดเดอร์บอร์ดปัจจุบันมีระบบที่ได้รับการจัดอันดับ 25 ระบบ ไม่มีระบบใดเป็นโมเดลข้อความเป็นเสียง เพราะงานนี้เป็นงานคนละแบบ
และที่สำคัญที่สุด: ไม่มีเอนด์พอยต์ของโมเดล Sesame ไม่มี id ไม่มีเรตการ์ด ไม่มีพารามิเตอร์เสียงอ้างอิง นักพัฒนาไม่สามารถเรียก Sesame Preview จากโค้ดได้ พอๆ กับที่ไม่สามารถเรียกสายโทรศัพท์ได้ อาร์ติแฟกต์ Sesame ชนิดเดียวที่โหลดได้คือ CSM-1B และ Sesame ระบุชัดเจนว่า CSM "สามารถจำลองได้เฉพาะเนื้อหาข้อความและเสียงในการสนทนา — ไม่ใช่โครงสร้างของการสนทนาเอง"
ความไม่สมมาตรที่เป็นตัวชี้ขาด
Simba 3.5 ทำได้เพียงเวอร์ชันแคบและบางส่วนของสิ่งที่ Sesame ทำได้ คุณสามารถสตรีมมันได้ และการสตรีมพร้อมกับโมเดลรู้จำเสียงพูดที่ดีคือวิธีที่ voice agent สำหรับใช้งานจริงจำนวนมากถูกสร้างขึ้นในปัจจุบัน สิ่งที่มันทำไม่ได้คือตัดสินใจว่าจะหยุดพูดเมื่อใด ฟังในขณะที่มันพูด หรือรับการขัดจังหวะ — สิ่งเหล่านี้เป็นคุณสมบัติของการประสานงานรอบ ๆ ตัวมัน และคุณจะเป็นคนสร้างสิ่งเหล่านั้นเอง
Sesame ไม่สามารถทำอะไรได้แม้แต่เพียงบางส่วนของสิ่งที่ Simba 3.5 ทำเพื่อนักพัฒนาได้ คุณไม่สามารถนำเสียงของมันไปใส่ใน UI ของผลิตภัณฑ์ของคุณโดยคิดต้นทุนต่อตัวอักษร สร้างหนังสือเสียงด้วยมัน หรือแปลแคตตาล็อกด้วยมันได้ คุณคุยกับมันได้ และผู้ใช้ของคุณก็คุยกับมันได้ และนั่นคือขอบเขตทั้งหมดที่มี
ดังนั้นการตัดสินใจจึงเหลือเป็นคำถามเดียวว่าคุณกำลังส่งมอบอะไร หากเสียงนั้นอยู่ภายในสิ่งที่คุณสร้างขึ้น Simba 3.5 คือตัวเลือก และ Sesame ไม่อยู่ในรายการ หากสิ่งที่คุณต้องการคือประสบการณ์ที่เสร็จสมบูรณ์ — บุคลิกที่สนทนาและทำธุระต่าง ๆ ได้ — คุณกำลังซื้อแอปของ Sesame และคำถามเรื่องคุณภาพเสียงก็ได้รับการตอบให้คุณแล้วโดยบริษัทที่ไม่ได้เปิดให้ตรวจวัด
สำหรับกรณีการแปลภาษาท้องถิ่น ช่องว่างนั้นมีอยู่โดยสิ้นเชิง
Simba 3.5 รองรับ 48 ภาษา Sesame Preview รองรับเฉพาะภาษาอังกฤษ และแผนต่าง ๆ ของผลิตภัณฑ์นี้ไม่คำนึงถึงภาษาเนื่องจากผลิตภัณฑ์เป็นภาษาอังกฤษ สำหรับงานใดก็ตามที่ใช้ตัวอักษรที่ไม่ใช่ภาษาอังกฤษ การเปรียบเทียบนี้จะจบลงตั้งแต่ย่อหน้าแรกของเอกสารข้อมูลจำเพาะ
ยังมีรายละเอียดปลีกย่อยที่ควรเก็บไว้ ภาษา 48 ภาษาของ Speechify มาพร้อมข้อแม้ที่ผู้ขายระบุไว้ตรง ๆ ว่า เสียงหนึ่งจะคงสำเนียงของการบันทึกต้นฉบับไว้ ดังนั้นเสียงอเมริกันที่โคลนแล้วซึ่งพูดภาษาญี่ปุ่นจะฟังเหมือนชาวอเมริกันพูดภาษาญี่ปุ่น คำแนะนำของบริษัทเองคือให้สร้างด้วยเสียงที่ทีมงานคัดเลือกซึ่งเป็นเจ้าของภาษาของแต่ละท้องถิ่น ซึ่งเป็นเหตุผลว่าทำไม voices endpoint ของบริษัทจึงเปิดเผย staff_pick_rank ในตอนนี้ รองรับการข้ามภาษา แต่ไม่ได้อ้างว่าการข้ามภาษาจะไม่มีสำเนียง
คำตอบของ Sesame ต่อเรื่องสำเนียงแตกต่างกันโดยพื้นฐาน: เพอร์โซนามีเสียงเป็นของตัวเอง และเสียงนั้นไม่สามารถเดินทางข้ามภาษาได้ เพราะบทสนทนาเกิดขึ้นในภาษาเดียว นั่นไม่ใช่ข้อจำกัดสำหรับผลิตภัณฑ์สำหรับผู้บริโภค แต่เป็นข้อจำกัดที่หยุดยั้งอย่างสิ้นเชิงสำหรับแคตตาล็อก
OrcaRouter เหมาะกับตรงไหน และไม่เหมาะกับตรงไหน
OrcaRouter ไม่มีผลิตภัณฑ์ทั้งสองนี้ Simba 3.5 เข้าถึงได้ผ่าน API ของ Speechify เอง ส่วน Sesame Preview เข้าถึงได้ผ่านร้านแอป ไม่ควรตีความสิ่งใดที่นี่ว่าเป็นการกล่าวอ้างเป็นอย่างอื่น
เส้นทางที่เราให้บริการคือแคตตาล็อกการสังเคราะห์เสียงขนาดเล็กที่คุณจะใช้เป็นกลุ่มควบคุมเมื่อทดสอบการตัดสินใจเลือกเสียง: openai/tts-1 ในราคา $15.00 ต่อล้านอักขระ และ openai/tts-1-hd ในราคา $30.00, ทั้งคู่ในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกกำไรเพิ่ม หากคุณกำลังเปรียบเทียบ Simba 3.5 กับสิ่งใดก็ตาม — รวมถึงกับเสียง OpenAI ที่คุณใช้อยู่แล้ว — การเรนเดอร์สคริปต์เดียวกันผ่านทั้งสองแบบด้วยคีย์เดียวเป็นการทดลองที่ถูกกว่าวงจรการจัดซื้อจัดจ้าง และการสลับใช้งานสำรองอัตโนมัติหมายความว่าเหตุการณ์ขัดข้องของผู้ให้บริการจะไม่พาคิวการเรนเดอร์ของคุณไปด้วย.
สำหรับกรณีการสนทนา ไม่มีคำตอบจาก router และการแสร้งว่าเป็นอย่างอื่นจะไม่สุจริต Sesame Preview ไม่ใช่ endpoint หากคุณต้องการการผลัดกันพูดในผลิตภัณฑ์ที่คุณกำลังพัฒนา การเปรียบเทียบที่คุณต้องการจริง ๆ คือ Simba 3.5 บวกกับ orchestration ของคุณเอง เทียบกับ API แบบเสียงเป็นเสียงเรียลไทม์จากผู้ขายที่จำหน่าย API ดังกล่าว — และนั่นเป็นบทความอีกชิ้นหนึ่ง
งั้นอันไหนล่ะ
เลือก Simba 3.5 หากคุณกำลังสร้าง: คุณต้องมี endpoint, ค่าใช้จ่ายรายตัวอักษรที่คาดการณ์ล่วงหน้าได้, รายการภาษาที่นับจำนวนได้, เสียงโคลนที่คงอยู่ต่อไปยัง 48 locale และคะแนน controlled-voice ระดับหัวตารางที่ได้จากเสียงอ้างอิงซึ่งผู้ขายไม่ได้เป็นผู้เลือกเอง ขณะนี้ยังเข้าสู่สัปดาห์ที่สามของตารางราคาที่เปลี่ยนแปลงไปแล้วหนึ่งครั้ง พร้อมกับการย้าย model-id — โดย simba-multilingual และ simba-english ให้บริการผ่าน Simba 3.5 — ซึ่งจะมีผลในวันที่ 21 พฤศจิกายน ดังนั้นจงตั้งใจปักหมุด model id ของคุณแทนที่จะพึ่งค่าเริ่มต้น
เลือก Sesame Preview หากคุณกำลังใช้งาน: คุณต้องการเอเจนต์สนทนาที่มีความจำและสามารถดำเนินการงานได้ คุณรู้สึกสบายใจว่าเสียงของมันไม่ได้ถูกวัดโดยคณะกรรมการอิสระใด ๆ และเวลาพูดคุยสิบชั่วโมงต่อวันในราคา $100 เป็นราคาที่คุณยอมผูกเข้ากับคุณค่าของงานที่มันทำได้ มันเป็นสิ่งที่เสร็จสมบูรณ์แล้วมากกว่าวัตถุดิบ และสิ่งที่เสร็จสมบูรณ์แล้วย่อมตั้งราคาตามนั้น
ข้อผิดพลาดที่การเปรียบเทียบนี้ชักนำให้เกิดขึ้นคือการมองว่าทั้งสองเป็นคู่แข่งกัน เพราะทั้งคู่ฟังดูเหมือนเป็นคน ทั้งสองถูกขายเป็นหน่วยที่ต่างกัน ถูกนำไปใช้ในรูปแบบที่ต่างกัน และหนึ่งในนั้นไม่สามารถเรียกใช้จากโค้ดได้เลย นั่นไม่ใช่ความเสมอกันที่ต้องตัดสินให้รู้แพ้รู้ชนะ แต่เป็นทางแยก และทีมส่วนใหญ่รู้อยู่แล้วว่าตนเองยืนอยู่ฝั่งไหนของทางแยกนั้น
