AssemblyAI-TTS-1 so với Sesame Preview: Một trong hai không có bảng giá

Bạn không thể mua Sesame Preview. Đây là một ứng dụng tiêu dùng miễn phí — Maya, Miles, Simone và Charlie, bốn người bạn đồng hành có bộ nhớ liên tục trên iOS và Android, giới hạn cuộc gọi 30 phút và một kế hoạch chưa công bố nhằm bán kính cho bạn vào năm 2027 — và không có endpoint cho nhà phát triển, không có ID mô hình và không có bảng giá nào đằng sau nó. AssemblyAI-TTS-1, ngược lại, là một mục hàng: 15 đô la mỗi triệu ký tự, được phát hành chính thức từ ngày 27 tháng 10 năm 2026, truyền phát qua HTTP và WebSocket ở US-East hoặc EU-North. Vậy nên cuộc so tài như thường được nói đến không phải là một cuộc so tài. Đó là một sản phẩm đối đầu với một bản demo.

Phép so sánh trở nên hữu ích ngay khi bạn thay bằng Sesame thực sự có trọng số: Sesame CSM 1B, checkpoint giọng nói hội thoại Apache-2.0 trên Hugging Face, một mô hình khoảng một tỷ tham số nhận văn bản cùng ngữ cảnh âm thanh và phát ra giọng nói tiếng Anh. Giờ đây đó là một quyết định thực sự — một checkpoint mở 1B với giá 7 đô la mỗi triệu ký tự so với một endpoint đóng ở mức 15 đô la — và phần thú vị là bản rẻ hơn lại là bản mà bạn phải xây dựng một agent xoay quanh.

Sesame Preview chính xác là gì, để việc so sánh không bị lệch

Sesame Preview là một sản phẩm đã được phát hành, bên trong có một mô hình thực thụ và không có cách nào để thuê mô hình đó. Mô hình sản xuất của ứng dụng không phải là checkpoint được phát hành: Sesame công bố CSM 1B, một mô hình tạo nền chưa được tinh chỉnh cho một giọng nói cụ thể, trong khi những persona chỉn chu trong ứng dụng là của chính Sesame. Ứng dụng tuyên bố độ trễ dưới 300 ms; phép đo của bên thứ ba đối với persona Maya cho first-byte vào khoảng 80–130 ms. Không con số nào trong hai con số đó mô tả CSM 1B như bạn sẽ nhận được.

Bản cập nhật tháng 10 năm 2026 cho ứng dụng — cải thiện khả năng biểu đạt và phát âm, quyền truy cập máy tính cho agent, các trình kết nối Gmail, Calendar và Drive, hỗ trợ MCP, một trình tạo hình ảnh — là tín hiệu về lộ trình, không phải tín hiệu thương mại. Sesame đã nói rằng bộ công cụ dành cho nhà phát triển sẽ ra mắt “vào cuối năm nay” mà không nêu rõ nó sẽ là gì, với mức giá nào, hay liệu đó sẽ là mô hình production hay checkpoint. Không nên xây dựng bất kỳ điều gì trong quyết định này dựa trên câu đó.

Hai tờ tiền, được quy đổi về cùng một đơn vị

CSM 1B được niêm yết ở mức $7.00 mỗi triệu ký tự trên các cổng dịch vụ lưu trữ cung cấp nó, tính phí theo ký tự thay vì theo token. AssemblyAI-TTS-1 có giá $15.00 mỗi triệu ký tự và mức giá đó bao gồm mọi giọng nói trong thư viện hơn 4.000 giọng, tất cả sáu ngôn ngữ ra mắt của nó, nhân bản tức thì, dấu thời gian từng từ, xử lý tại Hoa Kỳ hoặc EU và không giới hạn đồng thời.

Ở khoảng 900 ký tự mỗi phút khi nói thông thường, so sánh theo giờ là khoảng $0,35 đối với CSM 1B so với khoảng $0,81 đối với AssemblyAI-TTS-1 — checkpoint mở rẻ hơn gấp đôi một chút tính theo mỗi ký tự — và con số của CSM là con số cho bạn biết ít nhất, vì nó định giá mô hình chứ không phải hệ thống.

Danh sách thứ nguyên là điểm mà tại đó hai thứ không còn có thể so sánh được với nhau nữa:

• Giá — 7 đô-la mỗi triệu ký tự so với 15 đô-la, với toàn bộ giọng đọc và tính năng nhân bản giọng nói được bao gồm ở mức giá cao hơn.

• Ngôn ngữ — CSM 1B là tiếng Anh, và thẻ mô hình nói thẳng rằng mọi khả năng phi tiếng Anh chỉ là ngẫu nhiên; ứng dụng liệt kê một số ngôn ngữ là "hỗ trợ sớm", một cam kết khác. AssemblyAI-TTS-1 ra mắt với sáu ngôn ngữ.

• Danh mục giọng nói — CSM 1B đi kèm bảy giọng nói và một mô hình nền mà bạn được kỳ vọng sẽ nhân bản từ đó; AssemblyAI-TTS-1 cung cấp hơn 4.000 giọng nói và khả năng nhân bản tức thì từ một mẫu 24 giây.

• Độ sâu nhân bản giọng nói — không bên nào cung cấp bản sao giọng nói chuyên nghiệp đã qua huấn luyện. Lối tức thì của AssemblyAI yêu cầu một bước xác nhận quyền của người nói; CSM 1B chuyển giao danh tính trong chế độ zero-shot và làm phẳng ngữ điệu khi thực hiện việc đó.

• Những gì bạn phải tự cung cấp — CSM 1B cần một codec, tính năng phát hiện lượt nói, lắp ghép ngữ cảnh và vòng lặp agent, cùng với ngân sách ngữ cảnh 4K token do chính bạn quản lý. AssemblyAI-TTS-1 cần một HTTP client, một trình xử lý luồng và một thông điệp hủy.

• Bằng chứng về độ trễ — AssemblyAI-TTS-1 có tuyên bố từ nhà cung cấp, hai phép đo độc lập và một thứ hạng trên bảng xếp hạng. CSM 1B có các báo cáo triển khai trải rộng trên hai bậc độ lớn.

Độ trễ: 90 ms được công bố, 159 ms đo được, 9,9 giây quan sát thực tế

Câu chuyện độ trễ của AssemblyAI-TTS-1 được ghi nhận và gây tranh cãi theo cách dễ nói một cách trung thực. Nhà cung cấp tuyên bố 90 ms đến âm thanh đầu tiên trong môi trường production và 47 ms thời gian trung vị đến byte đầu tiên trong phòng thí nghiệm của họ. Cekura, đo độc lập trong một bài kiểm thử mô phỏng tác nhân, nhận được 159 ms thời gian khởi động streaming trung vị, 296 ms ở p90, và xếp nó thứ tám trong số mười chín mô hình mà nó đo thời gian. Khoảng cách đó là phương pháp đo — từ yêu cầu đến byte đầu tiên so với từ lúc từ cuối cùng được gửi đến âm thanh đầu tiên — không phải sự không trung thực, và phép đo thứ hai chính là điều người gọi của bạn trải nghiệm.

Câu chuyện độ trễ của CSM 1B không hẳn là bị tranh cãi mà là không có giới hạn. Các chuyển đổi tối ưu hóa trên thiết bị báo cáo khoảng 120 ms đến âm thanh đầu tiên, với hệ số thời gian thực từ 0,5 đến 0,9 trên Apple Silicon; một RTX 5070 Ti chưa tối ưu hóa được cho là chạy ở tốc độ khoảng một nửa thời gian thực; một bảng niêm yết trên dịch vụ lưu trữ công bố P50 khoảng 9,9 giây và P95 khoảng 39 giây từ đầu đến cuối. Tất cả những con số đó mô tả cùng một checkpoint. Con số nào bạn nhận được phụ thuộc vào lượng kỹ thuật phục vụ mà bạn đưa vào.

Đó là mấu chốt của toàn bộ phép so sánh, và đây không phải là một lập luận về chất lượng. Một endpoint đóng đã làm xong phần việc phục vụ và đã tính luôn vào giá: $0.81 một giờ, không GPU, không codec, không thiết kế hàng đợi. Một checkpoint mở 1B cho bạn một mô hình với giá $0.35 một giờ và trả lại cho bạn phần đốn chi phí tốn kém để xây dựng. Nếu bạn đã sở hữu phần kỹ thuật đó, thì checkpoint là thỏa thuận tốt hơn với khoảng cách rất lớn. Nếu bạn không sở hữu, thì $0.46 một giờ bạn tiết kiệm được chỉ là một sai số làm tròn so với tháng đầu tiên thời gian của một ai đó.

Nơi mà mỗi cái thực sự tệ

Các điểm yếu của AssemblyAI-TTS-1 đều nằm ở phần đuôi của văn bản thực tế. Artificial Analysis chấm nó 81,7% về độ ổn định phát âm nói chung, xếp thứ mười sáu, với mở rộng tốc ký đạt 73,8%; bài kiểm tra phát âm theo ngữ cảnh của Cekura xếp nó thứ hai mươi hai trong số hai mươi bảy với 70,8%, ngay cả khi xếp nó hạng nhất về số điện thoại và mã với 91,7%. Không có từ điển phát âm và không có SSML để khắc phục bất kỳ điều nào trong số đó, và sáu ngôn ngữ của nó là một giới hạn cứng chứ không phải điểm khởi đầu. Độ chính xác thực thể do nhà cung cấp báo cáo là 93,7% trên bộ 580 mục của chính nó lại nói điều ngược lại, và chỉ có kho ngữ liệu của bạn mới có thể quyết định phép đo nào mô tả lưu lượng của bạn.

Điểm yếu của CSM 1B là mang tính cấu trúc chứ không phải do dữ liệu. Về thiết kế, nó chỉ hỗ trợ tiếng Anh. Đây là mô hình nền tảng, nên giọng bạn nhận được không phải giọng mà ai đó đã tinh chỉnh. Nó cắt mất từ cuối trong một số lần sinh, mang watermark trong trình tạo tham chiếu, và một số lớp bọc dịch vụ lưu trữ âm thầm bỏ qua các tham số ngữ cảnh, ngôn ngữ và độ dài tối đa — nghĩa là một cổng dịch vụ báo cho bạn dùng CSM 1B có thể không chạy mô hình như tài liệu mô tả. Ngữ cảnh của nó là 4K token với đầu ra tối đa khoảng 3.686, nên các cuộc hội thoại dài phải do bạn tự lắp ghép.

Một điều mà cả hai đều không phải là — và điều này quan trọng với bất kỳ ai đến từ ứng dụng dành cho người tiêu dùng: một đối tác hội thoại. AssemblyAI-TTS-1 đọc văn bản thành giọng nói và không có khái niệm về trạng thái hội thoại. CSM 1B là mô hình hiểu hội thoại hơn trong hai mô hình — nó nhận ngữ cảnh âm thanh làm đầu vào — nhưng nó tạo ra giọng nói từng lượt một mà không có khả năng phát hiện lượt nói của riêng nó. Sự liền mạch bề ngoài của ứng dụng là một tính năng ở tầng sản phẩm, và không mô hình nào cung cấp nó.

Ba câu hỏi mà mọi người thực sự hay hỏi

CSM 1B có phải là cùng mô hình mà ứng dụng Sesame chạy không? Không. Ứng dụng chạy mô hình production của Sesame; checkpoint là một mô hình sinh cơ bản được phát hành theo Apache 2.0, và khoảng cách giữa hai bên chính là lý do vì sao ứng dụng nghe giống Maya còn một bản triển khai CSM 1B mới tinh thì không. Hãy coi ứng dụng là bản demo những gì Sesame có thể xây dựng, chứ không phải bản xem trước những gì bạn sẽ nhận được.

Ở mức một trăm nghìn cuộc gọi ba phút, cái nào rẻ hơn? Trên giấy tờ, CSM 1B: 270 triệu ký tự, khoảng $1,890 trên checkpoint so với khoảng $4,050 trên AssemblyAI-TTS-1. Trên thực tế, con số checkpoint không bao gồm giờ GPU, kỹ sư vận hành dịch vụ và công việc về độ trễ cần thiết để đạt được bất cứ thứ gì gần với một luồng đạt chuẩn agent. Ở khối lượng đó, so sánh trung thực là $4,050 so với “chưa biết cho đến khi bạn xây dựng xong”, và chưa biết là cái đắt hơn trong hai cái.

AssemblyAI-TTS-1 có thể nhân bản giọng nói của chính tôi không? Có, bằng cách tải lên một bản ghi âm khoảng 24 giây và xác nhận rằng bạn có sự cho phép của người nói; ID giọng nói sẽ được trả về trong vài giây và được tính phí theo cùng mức giá trên mỗi ký tự như thư viện. Không có bản nhân bản chuyên nghiệp đã được huấn luyện, vì vậy kết quả là một danh tính có thể sử dụng được chứ không phải là một tài sản thương hiệu được quản lý — và không có tính năng nhân bản tinh chỉnh nào vào thời điểm ra mắt.

Đây thực sự là quyết định nào vậy?

Nếu cái tên trước mặt bạn là Sesame Preview, hãy dừng lại: không có gì để tích hợp và không có giá nào để so sánh. Nếu đó là CSM 1B, thì bạn không phải đang chọn một mô hình TTS, mà là đang chọn xem có tự sở hữu lớp phục vụ hay không — và ba điều kiện khiến câu trả lời "có" đứng vững là bạn chỉ cần tiếng Anh, bạn có năng lực GPU cùng một kỹ sư tương xứng, và bạn muốn mô hình nằm trong vành đai của chính mình. Mọi trường hợp khác đều nghiêng về phía endpoint.

Lập luận về chi phí thường quyết định việc đó hoàn toàn không phải là mức giá theo ký tự. Đó là việc hợp nhất: một tác nhân giọng nói có xu hướng tích lũy một nhà cung cấp TTS, một nhà cung cấp chuyển giọng nói thành văn bản và một nhà cung cấp mô hình ngôn ngữ, mỗi bên có hợp đồng riêng và chu kỳ thay đổi giá riêng. OrcaRouter tồn tại để làm phẳng lớp cuối đó — một API cho hơn 200 mô hình ở giá niêm yết của nhà cung cấp với mức cộng thêm 0%, để việc giảm giá của nhà cung cấp đến hóa đơn của bạn ngay trong cùng ngày thay vì vào lần gia hạn tiếp theo, với chuyển đổi dự phòng tự động, một DSL định tuyến để kết hợp các mô hình vào một lần gọi và hợp nhất mô hình khi một câu trả lời duy nhất không đủ. AssemblyAI-TTS-1 và CSM 1B hiện đều nằm ngoài danh mục đó — các tuyến giọng nói của chúng tôi là dòng tts-1 của OpenAI và các bản xem trước Gemini TTS của Google — vì vậy lập luận nói về hóa đơn bạn đang trả, chứ không phải về một giao dịch mua bạn có thể thực hiện ở đây.

Ứng dụng của Sesame là bản demo miễn phí tốt nhất trong hạng mục này và có lẽ cuối cùng sẽ trở thành sản phẩm dành cho nhà phát triển. AssemblyAI-TTS-1 là bảng giá bạn có thể ký ngay trong tuần này. Giữa hai sự thật đó, kế hoạch duy nhất có thể biện minh là xây dựng dựa trên cái đang tồn tại, và để một chỗ trong kiến trúc của bạn cho cái còn lại nếu Sesame có bao giờ tung ra mô hình thay vì chỉ là tờ quảng cáo.