Rime Prism vs Sesame Preview: Bảng giá đối đầu với danh tiếng

Tối nay bạn có thể nghe Sesame Preview miễn phí. Bạn không thể mua nó. Bạn có thể mua Rime Prism với giá 0,080 USD mỗi phút, và gần như không ai bên ngoài Rime đã công bố một đoạn clip mà họ được phép đo lường. Hai vế của câu đó chính là phép so sánh: một bên là giọng nói được đánh giá cao nhất trong AI tiêu dùng mà không nhà phát triển nào có thể gọi, bên còn lại là một endpoint doanh nghiệp hoàn toàn mới mà một startup có thể đưa vào tổng đài tự động ngay trong tuần này. Rime Prism ra mắt vào ngày 28 tháng 10 năm 2026 với tư cách là mô hình chuyển giọng nói sang giọng nói đầu tiên của Rime. Sesame Preview đã hoạt động như một bản xem trước nghiên cứu miễn phí kể từ đầu năm 2025, trong khi giọng nói chính thức đằng sau nó vẫn chưa được phát hành.

Chúng thường bị đem ra so sánh vì cả hai đều đưa ra một lời khẳng định về độ chân thực trong hội thoại, và vì cả hai đều chỉ hỗ trợ tiếng Anh khi ra mắt. Chúng không phải là những lựa chọn thay thế cho nhau. Một cái là ứng dụng mà bạn trò chuyện trực tiếp, cái kia là một endpoint mà bạn xây dựng trên đó, và việc quyết định giữa hai bên không hẳn là chọn giọng nói mà là chọn xem bạn đang mua một sản phẩm hay một thành phần.

Sự chia rẽ quyết định gần như mọi thứ

Một nhóm muốn triển khai một agent sẽ đặt hai câu hỏi theo thứ tự này: tôi có thể gọi nó không, và chi phí mỗi lần gọi là bao nhiêu. Sesame Preview không đáp ứng được câu hỏi đầu tiên. Không có API công khai cho mô hình đằng sau ứng dụng, không có model ID, không có endpoint và không có giá công bố. Sesame mà bạn có thể trò chuyện cùng là một sản phẩm dành cho người tiêu dùng với bốn trợ lý có tên, bộ nhớ liên tục và một bộ công cụ ngày càng mở rộng; mô hình bên dưới nó không phải là thứ mà nhà phát triển có thể truy cập.

Thứ Sesame duy nhất mà bất kỳ ai có thể gọi là CSM-1B, checkpoint mở trọng số mà công ty phát hành năm 2025 dưới giấy phép Apache 2.0: khoảng 1B tham số, ngữ cảnh 4K, âm thanh mono 24 kHz. Đó không phải là giọng nói trong ứng dụng, và cũng không phải một tác nhân — nó lấy lịch sử hội thoại làm điều kiện nhưng không thể suy luận về lịch sử đó theo cách một mô hình ngôn ngữ làm được. Nó là một thành phần giọng nói, và chỉ là một thành phần duy nhất mà thôi.

• Tính khả dụng — Rime Prism là API tính phí có gói miễn phí; Sesame Preview là ứng dụng miễn phí dành cho người dùng, không có API cho giọng nói production của nó.

Giá — Prism $0.080 mỗi phút âm thanh cuộc gọi trên Flex, $0.064 trên Scale; Sesame không công bố giá và không tính phí ứng dụng.

• Rủi ro về tính phí — Prism tính phí bất kể cuộc gọi có diễn ra suôn sẻ hay không; còn chi phí của Sesame chỉ bằng đúng chi phí của ứng dụng, tức là bằng không, và đó không phải là mô hình kinh doanh mà bạn có thể dựa vào để hoạch định.

• Cơ sở độ trễ — Prism 0,57 giây thời gian đến âm thanh đầu tiên, do nhà cung cấp đo trên τ-Voice; ứng dụng của Sesame tuyên bố dưới 300 ms, và đo lường của bên thứ ba đối với nhân vật Maya đã đưa thời gian đến byte đầu tiên vào khoảng 80 đến 130 ms.

• Điểm độc lập — cả hai mô hình đều không xuất hiện trên Speech-to-Speech Index của Artificial Analysis.

• Ngôn ngữ — cả hai đều chỉ hỗ trợ tiếng Anh khi ra mắt; Sesame liệt kê tiếng Pháp, tiếng Ý, tiếng Đức, tiếng Tây Ban Nha, tiếng Trung, tiếng Nhật và tiếng Hàn là những ngôn ngữ được hỗ trợ sớm.

• Triển khai — Prism cung cấp cloud, VPC và tại chỗ với HIPAA BAA và SOC 2 Type II; Sesame cung cấp một ứng dụng.

Rime Prism, như một điểm cuối

Prism được bán theo cách thức của phần mềm doanh nghiệp: gói miễn phí với 50 đô la tín dụng hàng tháng và không cần thẻ, Flex ở mức 0,080 đô la/phút không cam kết, Scale ở mức 100 đô la một tháng với 100 đô la tín dụng và 0,064 đô la/phút, và Enterprise với mức giá theo khối lượng và cam kết hàng năm. Mọi gói đều dùng cùng một mô hình. Prism truyền dữ liệu qua WebSockets và tích hợp với LiveKit và Pipecat, điều này quan trọng vì hai nền tảng đó là nơi phần lớn các tác nhân giọng nói tự xây dựng đã hiện diện.

Các tính năng biện minh cho mức giá đó là những thứ mà một ứng dụng tiêu dùng không có lý do gì để xây dựng. Prism viết câu trả lời của mình dưới dạng văn bản trước khi nói, nên một ứng dụng có thể đọc chính xác câu đó, chạy kiểm tra chính sách hoặc bộ lọc PII trên đó, và chỉ cho phép âm thanh tiếp tục nếu câu đó vượt qua — trong khi mô hình vẫn tiếp tục lắng nghe, nên bước kiểm tra không phải trở thành một khoảng dừng nghe được. Các lệnh gọi công cụ chạy song song với giọng nói. Tinh chỉnh trên chính các cuộc gọi và vết công cụ của khách hàng là trường hợp kinh doanh cốt lõi, với các API SFT và RL tự phục vụ vẫn đang trong giai đoạn beta.

Các con số của chính công ty cho thấy thời gian đến âm thanh đầu tiên là 0,57 giây và tỷ lệ hoàn thành τ-Voice là 56,6%, với 82,5% trên tập con viễn thông của bộ đánh giá. Một nghiên cứu điển hình của Revmo trên khoảng mười giờ cuộc gọi đặt hàng thực tế được trích dẫn với 100% xác nhận đơn hàng, so với 68% của một mô hình OpenAI không nêu tên. Đó là một nghiên cứu khách hàng được đặt hàng thực hiện và không có phương pháp luận được công bố, nên nó cần được đọc như một tuyên bố của nhà cung cấp chứ không phải là một kết quả.

Sesame Preview, như một sản phẩm

Điểm chào bán của Sesame là một trợ lý giọng nói nên tạo cảm giác như một người mà bạn quen biết. Bốn persona — Maya, cộng sự dí dỏm; Miles, người thoải mái; Simone, chuyên tìm hiểu sâu; Charlie, người trao đổi ý tưởng thân mật — mỗi persona đều có ký ức riêng và cách nói chuyện riêng. Ứng dụng tìm kiếm trên web, thực hiện nghiên cứu dài, ghi chú và nhắc nhở, tóm tắt các cuộc gọi và hỗ trợ chế độ ẩn danh. Vào ngày 6 tháng 10 năm 2026, Sesame đã phát hành CSM cập nhật với khả năng biểu đạt và phát âm tốt hơn, cấp cho các agent của mình quyền truy cập vào máy tính riêng, đồng thời bổ sung các connector Gmail, Calendar và Drive, máy chủ MCP bên ngoài qua OAuth, kỹ năng do người dùng xây dựng và trình tạo hình ảnh trong ứng dụng.

Điều mà nó không có là một cách để bước vào. Ứng dụng miễn phí, không chạy quảng cáo và không bán dữ liệu, một điều dễ chịu đối với người dùng và là một vấn đề chưa được giải quyết đối với người mua. Sesame dự định kiếm tiền như thế nào, và liệu các nhà phát triển có bao giờ nhận được một endpoint hay không, vẫn chưa được công bố. Kính được ấn định ra mắt vào năm 2027 tại Nhật Bản; bộ công cụ dành cho nhà phát triển đã được hứa hẹn "vào cuối năm nay" mà không có thông tin cụ thể.

Dù vậy, danh tiếng đó là thật. Giọng của Sesame là những giọng mà người ta gửi clip cho nhau, và sự đồng thuận của giới đánh giá đã rất tích cực một cách bất thường suốt hai năm liền. Vấn đề là danh tiếng không phải là thông số kỹ thuật: chưa có số liệu độ trễ nào được công bố cho mô hình sản xuất, chưa có điểm nghe mù nào cho nó, và thứ duy nhất có thể chạy độc lập là checkpoint 1B, vốn là một thứ khác.

Khả năng duy nhất mà Sesame đã loại trừ

Nếu lý do bạn muốn có giọng của Sesame là vì nó nghe như người thật, thì thứ bạn thực sự cần tái tạo là một vòng lặp hội thoại, chứ không phải âm sắc. Và một vòng lặp hội thoại dành cho doanh nghiệp có những yêu cầu mà một ứng dụng tiêu dùng không bao giờ phải đáp ứng: một dấu vết kiểm toán về những gì agent sắp nói, một cách để ngăn nó nói ra điều đó, một lệnh gọi công cụ được xử lý xong trước khi người gọi kịp nhận ra, và một bản triển khai vượt qua được đánh giá tuân thủ.

Prism được xây dựng xoay quanh những yêu cầu đó, và đó là lý do vì sao nó tốn tiền. Sesame được xây dựng xoay quanh điều ngược lại: một trải nghiệm đóng kín, được tuyển chọn, miễn phí, trong đó công ty kiểm soát mọi biến số. Cả hai đều là những sản phẩm có thể đứng vững trước phê phán. Chỉ một trong hai là thành phần bạn có thể tích hợp vào một quy trình xử lý yêu cầu bồi thường.

Cả hai đều chỉ dùng tiếng Anh — vì những lý do trái ngược nhau

Prism ra mắt chỉ với tiếng Anh và một bộ giọng nói hạn chế vì đây là bản phát hành đầu tiên và việc triển khai độ phủ giọng nói rất tốn kém. Sesame ưu tiên tiếng Anh vì sản phẩm của nó là một tập hợp các nhân cách nói tiếng Anh; tiếng Pháp, Ý, Đức, Tây Ban Nha, Trung, Nhật và Hàn được gắn nhãn hỗ trợ sớm, đây là một cam kết khác với "được hỗ trợ".

Đối với một trung tâm liên hệ đa ngôn ngữ, đây là phần kết thúc bài viết. Hiện nay, cả hai mô hình đều không đáp ứng được hàng đợi đa ngôn ngữ hỗn hợp, và phép so sánh thực sự quan trọng đối với người mua đó là so với một lớp TTS có phạm vi ngôn ngữ rộng cùng một mô hình văn bản được định tuyến, chứ không phải so với một trong hai mô hình này.

Vấn đề đo lường

Cả hai mô hình đều không có mặt trên Chỉ số Speech-to-Speech của Artificial Analysis, bảng độc lập duy nhất xếp hạng các mô hình giọng nói đàm thoại dựa trên mức độ hoàn thành nhiệm vụ, mức độ ưa thích trên đấu trường và tỷ lệ thành công trong nhiệm vụ. Việc vắng mặt đó không phải là lời chê bai sản phẩm nào; đó chính là lý do trang này phải dựa vào các tuyên bố của nhà cung cấp cho cả hai.

Con số τ-Voice 56,6% của Prism là kết quả do chính Rime chạy. Đọc bảng mà Rime công bố bên cạnh đó, GPT-Live-1 (Sol, low) xuất hiện ở 59,3% — cao hơn Prism — trong khi nội dung quảng cáo tuyên bố Prism vượt mọi mô hình thời gian thực của OpenAI và Google. Các bài đăng ra mắt cũng lặp lại “dưới 300 ms” và “nhanh gấp 4 lần”, những con số không xuất hiện trong bảng đánh giá, bảng này ghi 0,57 s. Đó có thể là các phép đo cho những thứ khác nhau; Rime không nói rõ là gì.

Vị thế của Sesame thậm chí còn khó hơn, vì không có mô hình sản xuất nào để đo lường. Điểm đáng ghi nhận là hãng đã xây dựng công cụ để đo lường một mô hình như vậy: TurnBench, ra mắt ngày 28 tháng 8 năm 2026, là một bộ đánh giá chuẩn mã nguồn mở cho việc chuyển lượt lời trong hội thoại nói, được xây dựng cùng Carnegie Mellon, Mundo AI và Oto, với bảng xếp hạng công khai và tính năng chấm điểm tự phục vụ. Đây là bộ đánh giá chuẩn của chính Sesame chứ không phải một bộ trung lập, nhưng nó là một đóng góp thực sự, và con số mà nó xoay quanh là chỉ số hữu ích nhất trong toàn bộ phép so sánh này: khoảng cách thông thường giữa các lượt lời của con người là khoảng 200 mili giây, trong khi việc lên kế hoạch cho một từ đơn lẻ mất khoảng 600. Đó là lý do việc chuyển lượt lời, chứ không phải chất lượng giọng nói, mới là thứ làm lộ ra đó là máy.

Bằng chứng độc lập duy nhất gắn với danh mục của Rime là dòng sản phẩm TTS của nó, và trên Text-to-Speech Arena, Coda đứng thứ 65 trong số 99 với Elo 1.054, còn Mist V2 đứng thứ 92 với 903. Điều đó không nói lên điều gì mang tính quyết định về Prism, vốn có các giọng mới — nhưng nó quả thực có nghĩa rằng “Rime chưa từng có một giọng xếp hạng hàng đầu trên một bảng xếp hạng độc lập” là một khẳng định đúng mà người mua nên nghe trước khi ký hợp đồng với Scale.

Chi phí một đường dây điện thoại mỗi chiều là bao nhiêu

{{1}}Prism{{/1}} rất dễ định giá. Mười nghìn phút gọi đến có giá 800 đô-la trên Flex hoặc 640 đô-la trên Scale, trước khi áp dụng bất kỳ khoản giảm giá Enterprise nào. Một cuộc gọi năm phút có giá 0,40 đô-la. Nếu tác nhân cũng cần tóm tắt cuộc gọi sau đó, đó là chi phí mô hình văn bản cộng thêm và con số này nhỏ so với hóa đơn thoại.

Không thể định giá Sesame, vì không có mức giá nào để định. Ứng dụng này miễn phí và không thể nhúng; checkpoint mở tốn 7 USD mỗi triệu ký tự từ nhà cung cấp dịch vụ lưu trữ duy nhất của nó, còn tự vận hành nó nghĩa là bạn phải tự sở hữu toàn bộ ngăn xếp suy luận, codec, phát hiện lượt nói và logic tác nhân. Bất kỳ ai báo giá tính theo phút cho "Sesame" đều đang báo giá cho việc ứng dụng không có hóa đơn, chứ không phải một dịch vụ.

Đó là sự bất đối xứng thực tế: Prism đắt đỏ và rõ ràng, Sesame miễn phí và không khả dụng. Một cuộc họp ngân sách có thể tranh luận với 0,080 đô la một phút. Nó không thể làm gì với “không có endpoint”.

Ba người mua, ba câu trả lời khác nhau

Một doanh nghiệp đang vận hành các cuộc gọi hỗ trợ đến nên xem xét Prism. Điểm kiểm tra văn bản, HIPAA BAA, tùy chọn tại chỗ và mức giá theo phút đều hướng thẳng vào đúng công việc đó, và rủi ro từ các tuyên bố của nhà cung cấp là có thể chấp nhận được vì các điều khoản thương mại đều thông thường. Hãy thử nghiệm nó trên một luồng cuộc gọi, tự đo tỷ lệ xử lý tự động, và coi nghiên cứu điển hình 100% so với 68% của Rime là một giả thuyết cần kiểm chứng thay vì một dự báo.

Một nhà phát triển muốn đưa âm thanh của Sesame vào sản phẩm của mình không nên chờ đợi một API chưa được công bố. Con đường thực tế là một checkpoint TTS mã nguồn mở cộng với lớp điều phối của riêng bạn — và chính lớp điều phối là phần bạn có thể thuê với chi phí thấp. OrcaRouter đặt hơn 200 mô hình văn bản phía sau một khóa duy nhất với mức giá niêm yết của nhà cung cấp, phụ phí 0%, bổ sung cơ chế chuyển đổi dự phòng tự động để một tác nhân giọng nói không bị chết khi một nhà cung cấp gặp trục trặc trong một phút, đồng thời cung cấp một DSL định tuyến để những lượt hội thoại thường có thể chuyển sang một mô hình nhỏ và những trường hợp cần leo thang thì chuyển sang một mô hình lớn. Lớp giọng nói và lớp suy luận không nhất thiết phải đến từ cùng một công ty, và với hầu hết các nhà phát triển thì chúng không nên như vậy.

Người dùng phổ thông, hoặc bất kỳ ai đang tự xây dựng trợ lý cá nhân cho mình, chỉ cần dùng Sesame. Nó miễn phí, nó tốt, và việc không có API không thành vấn đề với những người không viết mã.

Điều gì sẽ làm thay đổi câu trả lời

Ba sự kiện. Việc Sesame công bố một API và một bảng giá sẽ biến điều này thành một phép so sánh thực sự chỉ sau một đêm, và sẽ ngay lập tức đặt ra câu hỏi liệu chất lượng giọng nói của họ có trụ vững khi được bán như một thành phần hay không. Việc Prism xuất hiện trên Speech-to-Speech Index sẽ mang lại cho nó con số độc lập đầu tiên mà nó từng có, và sẽ định đoạt xem tuyên bố "đi trước OpenAI và Google" có sống sót khi tiếp xúc với một bảng xếp hạng trung lập hay không. Và việc các API tinh chỉnh của Prism rời khỏi giai đoạn beta sẽ phân tách các doanh nghiệp đã có thể mua nó ngay từ bây giờ khỏi tất cả những người còn lại.

Cho đến khi một trong những điều đó xảy ra, phép so sánh là giữa một sản phẩm bạn có thể trải nghiệm và một sản phẩm bạn có thể triển khai, và câu trả lời sai duy nhất là coi chúng như hai phiên bản của cùng một giao dịch mua. Sesame là giọng nói đã khiến mọi người quan tâm trở lại đến AI hội thoại. Prism là nỗ lực nghiêm túc đầu tiên nhằm bán cảm giác đó theo phút, kèm theo một nhật ký kiểm toán. Không bên nào là bản thay thế của bên kia.