Thẻ tiêu đề cho 'Bản xem trước Sesame ra mắt trên Android': tiêu đề lớn, phụ đề 'Tác nhân giọng nói mà các nhà đánh giá gọi là một trong những chế độ giọng nói tốt nhất thị trường — miễn phí, chưa có API', và hai thẻ biểu tượng phẳng — 'Tác nhân ưu tiên giọng nói' với biểu tượng đường nét sóng âm và hình người cùng huy hiệu ghi 'Maya · Miles · Simone · Charlie', và 'Trên iOS và Android' với biểu tượng đường nét chiếc điện thoại cùng huy hiệu ghi 'miễn phí — chưa có API'. Chân trang: 'Tác nhân cá nhân dành cho những người tò mò — Sesame, tháng 8 năm 2026.' Logo OrcaRouter ghép ở góc dưới bên phải.
Guides & Insights

Sesame Preview giờ đã có các gói: Miễn phí, Plus ở mức 20 USD, Pro ở mức 100 USD — và vẫn chưa có Voice API

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Gần sáu tuần sau khi bản nâng cấp tháng 10 trang bị cho các tác nhân của mình một máy tính, Sesame Preview — một ứng dụng đang ở chế độ xem trước công khai từ tháng 5 năm 2026 — đã có bảng giá. Trang gói dịch vụ của chính Sesame hiện bán ba gói — Free ở mức $0 với 30 phút đàm thoại mỗi ngày, Plus ở mức $20 một tháng với hạn mức gấp bốn lần mức đó, và Pro ở mức $100 một tháng với hạn mức gấp hai mươi lần mức đó — được tính phí qua App Store và G​oogle Play thay vì trên web. Đó là những mức giá do nhà cung cấp công bố trên trang của chính nhà cung cấp: không phải một con số được đo lường, không phải một đánh giá độc lập. Mọi thứ bên dưới những mức giá đó đều không thay đổi. Giọng nói bản chính thức vẫn không có API, không có ID mô hình và không có điểm đánh giá độc lập, và mô hình Sesame duy nhất mà bất kỳ ai bên ngoài ứng dụng có thể tải vẫn là mô hình trọng số mở CSM-1B.

Ba bậc, như đã công bố:

• Miễn phí — $0. 30 phút gọi mỗi ngày, cộng với hạn mức tín dụng hàng tuần có giới hạn cho tin nhắn và tác vụ.

• Plus — 20 đô la một tháng. Hai giờ thời lượng trò chuyện mỗi ngày, gấp bốn lần tín dụng hàng tuần của Free, và bản dùng thử miễn phí một tuần mà bất kỳ ai cũng có thể dùng một lần.

• Pro — $100 một tháng. Mười giờ thời gian trò chuyện mỗi ngày và gấp hai mươi lần tín dụng hàng tuần của Free.

Sesame tự vạch ra ranh giới quan trọng: trò chuyện trong cuộc gọi tiêu tốn thời gian thoại, còn “bất cứ việc gì tác nhân đi làm” đều tiêu tốn tín dụng, dù bạn yêu cầu bằng giọng nói hay văn bản. Vì vậy, hai đồng hồ đo cạn kiệt theo những cách khác nhau. Thời gian thoại đặt lại hằng ngày và tín dụng đặt lại hằng tuần. Hết tín dụng không làm cuộc gọi bị ngắt — nó hạ bạn từ trí tuệ Max xuống Standard, và các kỹ năng đã lên lịch sẽ tạm dừng cho đến kỳ đặt lại hằng tuần, rồi tiếp tục từ chỗ đã dừng. Hết thời gian thoại là rào cản khó hơn: bạn vẫn có thể nhắn tin, nhưng trí tuệ của mô hình giảm và một số khả năng bị hạn chế. Trên bảng phân hạng, “gấp bốn lần thời gian thoại” và “gấp bốn lần tín dụng” là hai lời hứa riêng biệt có thể cạn vào những ngày khác nhau.

Con số thực sự quyết định gói dịch vụ không phải giá niêm yết mà là mức giá của phần mua thêm. Sesame bán thêm thời gian trò chuyện với giá 5 đô la cho một giờ và 20 đô la cho năm giờ, cùng credit với giá 5 đô la cho một nghìn và 20 đô la cho năm nghìn. Các gói mua thêm không hết hạn và chỉ được dùng sau khi hạn mức trong gói của bạn đã cạn. Với mức giá đó, hai giờ mỗi ngày của Plus — khoảng 60 giờ trong một tháng 30 ngày — tốn 20 đô la, trong khi 20 đô la mua thời gian trò chuyện theo kiểu gọi món chỉ được năm giờ. Nếu bạn sẽ dùng trợ lý nhiều hơn vài lần một tuần, gói đăng ký có giá trị gấp khoảng mười hai lần các gói mua thêm, mà rõ ràng đó chính là dụng ý: phần Câu hỏi thường gặp của chính Sesame gọi mọi gói là “một thỏa thuận tốt hơn nhiều so với việc mua lượng thời gian hoặc credit bổ sung tương đương.”

Hai chi tiết cấu trúc quan trọng hơn vẻ ngoài của chúng. Thứ nhất, không có gì được bán trên web: các giao dịch mua diễn ra qua App Store hoặc G​oogle Play, nên Research Preview trên trình duyệt hoàn toàn không thể được nâng cấp. Thứ hai, và đây là chỗ cụm “bản xem trước đang kết thúc” hiểu hơi sai, bản xem trước trên web không hề biến mất. FAQ của Sesame cho biết người dùng ngoài các quốc gia có ứng dụng “có thể tiếp tục sử dụng Research Preview miễn phí, với giới hạn thời gian trò chuyện hàng ngày khớp với Free Plan: 30 phút mỗi ngày,” và rằng thời gian trò chuyện cùng tín dụng đều gắn với tài khoản, nên cùng mức trần hàng ngày đó áp dụng cho các cuộc gọi trên web. Điều đã kết thúc là hạn mức không giới hạn. Bản thân bản xem trước vẫn tồn tại dưới dạng bậc miễn phí.

Bản thân ứng dụng vẫn tiếp tục được phát hành song song với hệ thống thanh toán mới. App Store liệt kê phiên bản 48.0, ngày 13 tháng 11, với ghi chú phát hành quảng bá “tiêu chuẩn tốt hơn và Max Intelligence”; Google Play cho thấy ứng dụng được cập nhật ngày 9 tháng 11 với hơn 50.000 lượt tải xuống và điểm trung bình 4,9 sao trên khoảng 2.000 đánh giá. Ảnh chụp màn hình bên dưới không phải bản dựng đó — đó là ảnh chụp tháng 8 mà bài viết này ban đầu đăng, về một trang ghi “Bản xem trước hiện đã có trên iOS và Android” và không nêu giá nào cả. Nó được giữ lại vì đây là trạng thái cuối cùng của sản phẩm trước khi các gói dịch vụ xuất hiện.

Screenshot of Sesame's official Mobile Preview page (sesame.com/mobile-preview), showing 'Personal agents for curious people', 'Preview available now on iOS and Android', and store links for App Store and Google Play. Captured August 6, 2026.

Sesame thực sự là gì

Sesame không phải là một công ty mô hình chỉ tình cờ có thêm ứng dụng; đây là công ty mô hình mà ứng dụng chính là điểm cốt lõi. Phòng thí nghiệm này, được thành lập vào năm 2023 bởi Brendan Iribe, Ankit Kumar và Ryan Brown, với sự hậu thuẫn của a16z, Sequoia, Spark và Matrix, đã xây dựng mô hình giọng nói hội thoại (CSM) đằng sau bản demo "Maya" — một giọng nói có hơi thở, sự ngập ngừng và nhịp ngắt lời thuyết phục đến mức những người lần đầu nghe đều tưởng có người thật ở đầu dây. Sản phẩm mà hãng bán hiện nay là "những tác nhân cá nhân cho những người tò mò". Tháng 10 đã bổ sung một đích đến: vào ngày 6 tháng 10, giám đốc sản phẩm của công ty, Nate Mitchell, đã mô tả trợ lý này như hệ điều hành cho một cặp kính đeo cả ngày — "một hệ điều hành giọng nói trên gọng kính", theo cách diễn đạt của công ty — và một ngày trước đó, Sesame thông báo rằng gọng kính sẽ được sản xuất tại Nhật Bản và ra mắt vào năm 2027. Trợ lý là sản phẩm; kính là lý do nó tồn tại. Trang gói dịch vụ đã bổ sung phần biến nó thành một doanh nghiệp.

Bốn agent và những gì ứng dụng thực sự làm

Bốn tính cách vẫn không thay đổi và vẫn là điểm độc đáo nhất của sản phẩm: Maya (một cộng sự dí dỏm), Miles (một người trò chuyện thoải mái, nói thẳng như nó vốn có), Simone (một đối tác tư duy năng động cho những buổi đào sâu) và Charlie (một người lắng nghe thân mật để thử ý tưởng). Mỗi tính cách giữ bộ nhớ riêng và, từ tháng Mười, có quyền truy cập ứng dụng riêng — bạn có thể cấp email của mình cho Maya và không cho Charlie truy cập vào đó. Trên nền tảng đó, các trợ lý tìm kiếm trên web, đào sâu, ghi chú và nhắc nhở, gửi bản tóm tắt sau cuộc gọi, và trả lời bằng văn bản khi bạn không thể nói thành tiếng; Incognito Mode đọc các bộ nhớ trước đó mà không ghi bộ nhớ mới. Điều các gói thay đổi không phải là ứng dụng làm được gì mà là bạn nhận được bao nhiêu: mọi tính năng đều được liệt kê là có sẵn ở mọi gói, và sự khác biệt giữa $0, $20 và $100 là hạn mức, không phải năng lực.

Bản phát hành tháng 10 thực sự đã bổ sung những gì

Bắt đầu với giọng nói, vì mọi thứ khác đều dựa trên nó. Sesame nói rằng họ "đã cập nhật Conversational Speech Model của chúng tôi để cải thiện độ biểu cảm và cách phát âm", và rằng thay đổi đó "tạo ra khác biệt lớn, đặc biệt trong các cuộc trò chuyện dài hơn". Cùng bài đăng đó nói rằng tính cách của các nhân vật giờ đây "thể hiện rõ ràng hơn", với ít sự xu nịnh hơn và ít cụm từ lặp lại hơn. Đó là tuyên bố của nhà cung cấp mà không kèm số liệu nào: không công bố ID mô hình, không có số liệu về độ trễ, không có đánh giá chuẩn, và giọng nói của ứng dụng vẫn không phải là một endpoint mà bất kỳ ai có thể đo lường. Hãy coi đó là một tuyên bố mang tính định hướng từ bên duy nhất đã nghe cả hai phiên bản.

Thay đổi lớn hơn là các tác nhân giờ đã có một cơ thể. "Với bản phát hành tháng 10, mỗi tác nhân giờ thông minh hơn, với quyền truy cập vào máy tính của riêng nó," Sesame viết — nghĩa là một trợ lý có thể duyệt web và hành động thay vì chỉ nói. Màn trình diễn mà công ty đưa ra rất trực diện: đội ngũ của chính họ nói rằng họ đã dùng Maya, Miles, Simone và Charlie để "điều phối các tác nhân khác như Devin, Claude Code, và Codex", qua giọng nói, trong lúc đi dạo và đi làm. Nếu điều đó hoạt động như mô tả, Sesame đã không còn chỉ cạnh tranh với các trợ lý giọng nói mà bắt đầu cạnh tranh cho lớp điều khiển phía trên các tác nhân lập trình. Đây cũng là tuyên bố trong bản phát hành này mà người đọc có thể dễ dàng tự kiểm chứng nhất — và là tuyên bố mà chưa có nhà đánh giá bên ngoài nào công bố phép đo về nó vào thời điểm bài này được viết.

Phần cơ chế kết nối giúp nó hữu ích cũng mới. Hướng dẫn bắt đầu của Sesame, được cập nhật ngày 5 tháng 10, liệt kê các ứng dụng Google — Gmail, Google Calendar, Google Drive — là trình kết nối, một số được gắn thẻ Beta, cùng với hỗ trợ máy chủ MCP bên ngoài qua OAuth, kèm cảnh báo thẳng thắn rằng hãy tin tưởng nhà phát triển trước khi kết nối một máy chủ như vậy. Phía trên các trình kết nối là "kỹ năng": một cẩm nang bằng ngôn ngữ đơn giản mà bạn xây dựng trong cuộc trò chuyện rồi chạy theo yêu cầu hoặc theo lịch, có hoặc không có ứng dụng được kết nối. Tạo hình ảnh đã xuất hiện như một trong những công cụ riêng của tác nhân: ứng dụng liệt kê "Image by Sesame" trong số đó, được mô tả là tạo, chỉnh sửa và phân tích hình ảnh, và trợ lý sẽ đề nghị tạo một hình từ mô tả hoặc cho bạn biết có gì trong bức ảnh bạn gửi. Lưu ý nguồn gốc ở đó — đó là danh sách công cụ trong ứng dụng, không phải điều mà thông báo của chính Sesame nói, và cả ứng dụng lẫn công ty đều không nêu tên mô hình hình ảnh đằng sau nó.

Trang gói dịch vụ bổ sung một chi tiết mà ghi chú tháng 10 không nêu rõ: ứng dụng hiện có hai mức trí tuệ, Standard và Max, và Max là mức tiêu tốn cả tín dụng lẫn thời gian trò chuyện. Điều đó khiến hạn mức tín dụng trở thành giới hạn chất lượng thay vì hạn ngạch nhiệm vụ — một khác biệt mà trang niêm yết cửa hàng cũng củng cố, khi ghi chú phát hành App Store cho phiên bản 48.0 hứa hẹn “trí tuệ Standard và Max tốt hơn”.

Những giới hạn không thay đổi

Vẫn chưa có API và cũng không có model ID nào cho giọng nói, nên không có phần nào trong số này là thứ mà nhà phát triển có thể gọi — và trang gói dịch vụ không thay đổi điều đó. Mọi con số trên đó đều là gói đăng ký dành cho người tiêu dùng; không có gì trong đó là mức giá theo token, theo phút hay theo ký tự cho mô hình. Công cụ hình ảnh sẽ không cho bạn biết mô hình nào đang vận hành nó. Việc một tác nhân điều phối Devin hoặc Claude Code không có người giám sát đáng tin cậy đến mức nào vẫn là một câu hỏi bỏ ngỏ mà nhà cung cấp chỉ trả lời bằng giai thoại của chính họ. Tiếng Anh vẫn là ngôn ngữ duy nhất được hỗ trợ chính thức — hướng dẫn lưu ý rằng các trợ lý cũng xử lý tiếng Pháp, tiếng Ý, tiếng Đức, tiếng Tây Ban Nha, tiếng Trung, tiếng Nhật và tiếng Hàn ở mức "sơ khai", đây là một cảnh báo chứ không phải danh sách tính năng. Bạn phải từ 18 tuổi trở lên. Và quyền truy cập ứng dụng được tính theo từng trợ lý, điều này tốt cho quyền riêng tư nhưng lại bất tiện trên thực tế: những gì bạn kết nối cho Maya thì Charlie không thể thấy. Sesame vẫn nói rằng họ không chạy quảng cáo và không bán dữ liệu, một tuyên bố mà các gói trả phí giờ đây giúp dễ giữ hơn.

Giọng nói chính là sản phẩm — và cho đến nay nó vẫn không thể đo lường được

Điều khiến Sesame đáng để viết tới vẫn không phải là một điểm benchmark, vì vẫn chưa có điểm nào cho ứng dụng này. Mô hình production chưa được phát hành: không có ID mô hình, không có API, không có mục tiêu độ trễ, và không xuất hiện trên bảng xếp hạng speech-to-speech của Artificial Analysis như các mô hình giọng nói có thể gọi được vẫn xuất hiện. Thứ bạn có thể xác minh là họ kiến trúc. CSM của Sesame là thiết kế hai bộ giải mã — một backbone Llama dự đoán codebook âm thanh đầu tiên và một bộ giải mã "độ sâu" nhỏ dự đoán phần còn lại — trên codec Mimi của Kyutai, tạo ra giọng nói mono 24 kHz, và CSM-1B trọng số mở (Apache-2.0) là phần duy nhất của nó mà bất kỳ ai cũng có thể tải xuống. Các ghi chú tháng 10 là xác nhận đầu tiên trong nhiều tháng rằng bản thân CSM production đã có chuyển biến, và công ty vẫn không công bố gì để có thể đem ra đo bằng benchmark. Có một công cụ thực sự tồn tại, và nó đo một thứ gần kề: vào ngày 28 tháng 8 năm 2026, Sesame đã công bố TurnBench, một benchmark mở cho việc luân phiên lượt lời trong hội thoại nói — 30 giờ dữ liệu lời nói đối thoại hai người được chú thích ba lần, một giao thức tính điểm lấy từ phân tích hội thoại, một bảng xếp hạng công khai và kết quả cho 14 hệ thống, được xây dựng cùng Carnegie Mellon, Mundo AI và Oto. Nó thực sự mở, là của chính Sesame, và nó chấm điểm luân phiên lượt lời chứ không phải giọng nói của ứng dụng này.

Bảng điểm bên dưới là bản chụp nhanh hồi tháng Tám cũ đó. Giờ đây nó thiếu thông tin ở hai khía cạnh. Nó không nói gì về việc sử dụng máy tính, trình kết nối hay tạo hình ảnh, vì không cái nào trong số đó tồn tại khi nó được lập ra; và dòng giá của nó vẫn ghi "miễn phí (bản xem trước, chưa có gói trả phí)", điều đã không còn đúng kể từ tuần trang gói dịch vụ được đưa lên. Thẻ tiêu đề ở đầu trang này cũng thuộc cùng đợt tháng Tám đó và mang cùng nhãn lỗi thời "miễn phí — chưa có API". Hãy xem cả hai là bản ghi về những gì ứng dụng từng là, chứ không phải về những gì nó đang có giá hiện nay.

Single-column scoreboard for 'Sesame Preview — the scoreboard': six rows reading 'Platforms: iOS + Android + Web', 'Price: free (preview, no paid tier)', 'Agents: Maya · Miles · Simone · Charlie', 'Independent score: none yet', 'Open model: CSM-1B, $7/M chars', 'Languages: English only'. Footer: 'Sesame app model unreleased; CSM-1B per OpenRouter; no independent voice benchmark exists.' OrcaRouter logo composited bottom-right.

Một giờ dùng Sesame thực sự tốn bao nhiêu

Tính theo giá mỗi giờ nói, Plus quy ra khoảng 33 xu. Điều đó đáng để đặt cạnh thị trường API, vì đây là con số duy nhất mà Sesame hiện công bố có thể so sánh với bất cứ thứ gì. G​rok Voice Think Fast 2.0 tính $0.08 mỗi phút âm thanh, tức $4.80 một giờ. GPT-Realtime-2.1 được tính phí theo token âm thanh ở mức $32 cho mỗi triệu token đầu vào và $64 cho mỗi triệu token đầu ra, một đơn vị không thể quy đổi thành giờ nếu không biết bạn nói bao nhiêu.

So sánh đó không phải là so sánh tương đương và không nên được hiểu như vậy. G​rok Voice là một API mà bạn xây dựng sản phẩm trên đó; Sesame là một ứng dụng mà bạn trò chuyện cùng. Các credit của Sesame đo lường hành động của agent cộng thêm thời gian trò chuyện, nên một tuần làm nhiều tác vụ có thể tiêu tốn hạn mức mà con số theo giờ không bao giờ thấy được. Và chưa có gì độc lập đo được liệu hai giọng nói có cùng đẳng cấp hay không — con số duy nhất có thể phân xử điều đó không tồn tại đối với ứng dụng. Điều mà 33 xu thực sự cho thấy là Sesame đã định giá một gói đăng ký tiêu dùng trọn gói so với một thị trường tính tiền theo phút, và rằng ở mức $20 một tháng, nó đang bán số giờ thấp hơn hẳn mức mà một API giọng nói tính phí theo lưu lượng thu cho số giờ đó. Đó là sự hào phóng hay một ưu đãi ra mắt là câu hỏi mà trang định giá tiếp theo sẽ trả lời.

Vị trí của Sesame Preview trong bức tranh giọng nói

Vào năm 2026, lĩnh vực giọng nói thời gian thực tách thành ứng dụng và API, và tháng 10 đã thêm một trục thứ ba: ai kiểm soát các agent. Ở phía ứng dụng, Sesame Preview cạnh tranh để giành cùng sự chú ý như các chế độ giọng nói bên trong ChatGPT và Gemini Live — với một điểm khác biệt mới, vì những chế độ giọng nói đó được gộp vào một gói đăng ký mà còn mua luôn một mô hình văn bản, trong khi $20 của Sesame chỉ mua trợ lý. Điều đó khiến gói miễn phí trở thành cuộc thi thực sự: 30 phút mỗi ngày là độ dài của một bản demo, và khoảnh khắc người đọc vượt qua mốc đó, quyết định trở thành liệu giọng nói này có đáng để trả $20 độc lập hay không. Ở phía API, các tùy chọn có thể gọi là những mô hình mà bạn có thể trỏ một WebSocket tới: Grok Voice Think Fast 2.0 với $0.08 mỗi phút âm thanh, thời gian tới âm thanh đầu tiên là 0,70 giây, đứng nhất trên benchmark agent τ-Voice và đứng thứ hai trên chỉ số chất lượng speech-to-speech của Artificial Analysis ở mức 82,9% (những con số đó là của Artificial Analysis, không phải của xAI), hoặc GPT-Realtime-2.1 với $32 mỗi triệu token đầu vào âm thanh và $64 mỗi triệu token đầu ra âm thanh. Trục thứ ba là trục mà Sesame chuyển sang vào tháng 10: không phải "gọi mô hình giọng nói của chúng tôi" mà là "nói chuyện với các agent của chúng tôi và chúng sẽ điều khiển các agent khác của bạn". Đó là một tuyên bố về điều phối, và không ai đo lường nó — mô tả của nhà cung cấp là toàn bộ bằng chứng cho đến nay.

Biểu đồ dưới đây là bảng phía API ở thời điểm ngày 6 tháng 8 năm 2026: một lời nhắc về những gì Sesame đang cạnh tranh để giành sự chú ý, và về kiểu con số mà giọng của ứng dụng vẫn chưa có.

Screenshot of the Artificial Analysis speech-to-speech leaderboard (artificialanalysis.ai/speech-to-speech, captured August 6, 2026), where callable voice models such as Grok Voice Think Fast 2.0 carry index scores and time-to-first-audio figures — the API-side voice market that Sesame Preview, an app with no API, currently has no equivalent for.

Điều này có ý nghĩa gì đối với các nhà phát triển

Phía người tiêu dùng giờ đã có giá; phía nhà phát triển vẫn chưa. Nếu hôm nay bạn muốn xây dựng một sản phẩm trên giọng nói trong môi trường production của Sesame, bạn không thể — không có API cho việc đó, và không gói nào trên trang giá là gói dành cho nhà phát triển. Mô hình Sesame duy nhất mà nhà phát triển có thể gọi là CSM-1B mã nguồn mở, bản nền mà bạn sẽ tự vận hành hoặc truy cập qua một nhà cung cấp có niêm yết nó: 1B tham số, ngữ cảnh 4K, một mô hình chuyển văn bản thành giọng nói có khả năng nhân bản giọng nói zero-shot nhưng không có khả năng gọi công cụ của riêng nó. Điều thay đổi vào tháng 10 là hướng đi: các trợ lý kết nối với máy chủ MCP, và Sesame nói rằng họ đang "bổ sung công cụ dành cho nhà phát triển để bạn có thể tạo ứng dụng Sesame của riêng mình vào cuối năm nay." Những gì các gói bổ sung là một gợi ý về mô hình kinh doanh mà bộ công cụ đó sẽ dựa vào — thời gian trò chuyện tính phí theo mức dùng cộng với công việc của agent tính phí theo mức dùng, được bán theo các gói. Một trợ lý mà bạn có thể mở rộng và giờ đây trả tiền theo giờ chỉ còn cách một bước tới một trợ lý mà bạn có thể gọi theo token.

Cách phổ biến hơn vào năm 2026 để lắp ghép một tác nhân giọng nói tùy chỉnh vẫn là ghép một lớp giọng nói với một bộ não văn bản quyết định nói gì — và bộ não đó chính là thứ mà một router đứng ra làm giao diện phía trước. OrcaRouter cung cấp hơn 200 mô hình phía sau một endpoint tương thích OpenAI duy nhất với giá niêm yết của nhà cung cấp, được chuyển nguyên giá với mức markup bằng 0, nên khi một nhà cung cấp cắt giảm giá thì nó có hiệu lực ở đây ngay trong cùng ngày; chuyển đổi dự phòng tự động là cách an toàn để đưa một mô hình vừa ra mắt, chưa được kiểm chứng vào một đường thực tế bên cạnh một mô hình đã được kiểm chứng. Nói thẳng về phạm vi của chính chúng tôi: hiện không có mô hình Sesame nào là một tuyến ở đây, kể cả CSM-1B — vì vậy không điều nào ở trên đồng nghĩa với việc bạn thuê giọng nói của Sesame. Đó là khuôn mẫu cho phía văn bản trong khi giọng nói vẫn đóng, và là khuôn mẫu bạn sẽ muốn có vào ngày nó không còn đóng.

Bài kiểm tra 'chế độ lái'

Phát biểu của TestingCatalog hồi tháng 8 — “my drive mode default” — vẫn là bản tóm tắt sắc bén nhất về mục đích của Sesame Preview, và tháng 10 đã khiến điều đó trở nên theo nghĩa đen hơn và hệ trọng hơn. Chế độ lái là trường hợp khó nhất đối với trợ lý giọng nói: tay bận, mắt nhìn đường, không có màn hình để dựa vào, không kiên nhẫn với lỗi luân phiên lượt lời ở tốc độ cao. Khi bổ sung khả năng sử dụng máy tính, mức độ hệ trọng thay đổi — giờ bạn đang giao những việc mình không thể xác minh từ ghế lái cho một tác nhân sẽ đi hành động rồi quay lại với cập nhật. Ngữ điệu biểu cảm truyền tải ý nghĩa mà không cần màn hình, và khả năng xử lý ngắt lời cho phép bạn chen ngang giữa câu, vẫn là những lý do khiến giọng nói này đáng để lái xe.

Các gói dịch vụ bổ sung một kiểu thất bại kém lãng mạn hơn vào phép thử đó. Vì công việc tác vụ tiêu tốn credit thay vì thời gian trò chuyện, thứ cạn kiệt trong xe không phải là cuộc trò chuyện mà là việc thực thi: chạm trần credit hằng tuần và các cuộc gọi vẫn tiếp tục ở Standard intelligence trong khi mọi kỹ năng theo lịch tạm dừng cho đến khi đặt lại. Còn mười lăm phút thời gian trò chuyện và không còn credit là tình thế tệ hơn mười phút và vẫn đủ hạn mức, và ứng dụng cảnh báo bạn trước khi bạn rơi vào đó chứ không phải sau đó.

Xem gì tiếp theo

Năm điều sẽ thay đổi câu chuyện này. Thứ nhất, một API hoặc ID mô hình cho giọng nói production — sự kiện biến Sesame từ một ứng dụng tiêu dùng thành thứ mà nhà phát triển có thể định tuyến tới, và thời điểm nó có thể được định giá theo token thay vì theo tháng. Thứ hai, liệu cấu trúc gói có giữ nguyên hình dạng: hiện nay mọi tính năng đều được quảng cáo ở mọi bậc, nên các bậc chỉ khác nhau ở hạn mức. Chỉ một tính năng bị chuyển vào sau Plus cũng đủ cho bạn thấy việc tính phí theo mức sử dụng là một phép thử chứ không phải thiết kế. Thứ ba, bộ công cụ dành cho nhà phát triển mà Sesame đã hứa cho "cuối năm nay": nếu bạn có thể xây dựng một ứng dụng Sesame, giọng nói của ứng dụng trở nên thú vị về mặt lập trình ngay cả khi không có API theo nghĩa cổ điển. Thứ tư, trọng số mở — CSM-1B đã đơn độc trên Hugging Face từ tháng 3 năm 2025, và một CSM mở mới hơn hoặc lớn hơn sẽ cho phép bất kỳ ai tự chạy giọng nói thay vì thuê theo giờ. Thứ năm, kính đeo mắt, thứ không còn là tin đồn: trong các ngày 5 và 6 tháng 10, công ty đã ấn định kính vào năm 2027, cho biết chúng sẽ được sản xuất tại Nhật Bản, và mô tả trợ lý là hệ điều hành mà kính vận hành.

FAQ

Sesame vẫn miễn phí chứ?

Một phần. Ứng dụng tải xuống miễn phí và gói Free vẫn giữ quyền truy cập đầy đủ vào mọi tính năng, giới hạn ở 30 phút thời gian trò chuyện mỗi ngày và hạn mức credit hàng tuần có giới hạn; bản Research Preview trên trình duyệt chạy trên cùng mức trần 30 phút mỗi ngày. Plus có giá 20 đô la một tháng cho hai giờ mỗi ngày và gấp bốn lần credit, Pro có giá 100 đô la một tháng cho mười giờ mỗi ngày và gấp hai mươi lần credit, và các gói mua lẻ (5 đô la một giờ trò chuyện, 5 đô la mỗi một nghìn credit) cho phép bạn nạp thêm mà không cần đăng ký. Mọi khoản đều được tính phí qua App Store hoặc Google Play.

Sesame có API cho giọng nói của ứng dụng không?

Không. Mô hình production đứng sau ứng dụng vẫn chưa được phát hành — không có ID mô hình, endpoint hay giá theo token — mặc dù bản phát hành tháng 10 nói rằng Conversational Speech Model nền tảng đã được cập nhật. Các gói trả phí là gói đăng ký dành cho người tiêu dùng, không phải mức giá dành cho nhà phát triển. Mô hình Sesame duy nhất mà nhà phát triển có thể gọi hôm nay là CSM-1B base trọng số mở, mà bạn sẽ tự lưu trữ hoặc truy cập qua một nhà cung cấp có phục vụ nó. Các trợ lý có thể kết nối tới các máy chủ MCP bên ngoài, nhưng điều đó cho phép chúng dùng công cụ của bạn; nó không cho phép mã của bạn dùng chúng.

Giọng nói thực sự tốt đến mức nào?

Không có điểm số độc lập nào. Mô hình của ứng dụng này không được liệt kê trên bảng xếp hạng speech-to-speech của Artificial Analysis, và Sesame chưa công bố bất kỳ đánh giá nào của bên thứ ba về nó. Điều hiện có là lời kể của chính nhà cung cấp về những gì đã thay đổi vào tháng 10 — biểu cảm hơn, phát âm tốt hơn, ít nịnh hót hơn — cùng với TurnBench mở của Sesame, vốn đo khả năng luân phiên lượt nói thay vì ứng dụng này, và CSM-1B mở, với độ tự nhiên là phần duy nhất trong công trình giọng nói của Sesame mà bất kỳ ai cũng có thể tự chạy một cách độc lập.

Sesame Preview đã trở thành một sản phẩm trong tháng Mười và kể từ đó đã trở thành một doanh nghiệp, và hai sự thật này đáng được tách bạch. Với tư cách người dùng, câu hỏi không còn là giọng nói có ấn tượng hay không — mà là liệu 30 phút mỗi ngày có đáp ứng được cách bạn thực sự nói chuyện không, liệu $20 có mua được đủ dư địa không, và liệu mức trần tín dụng hàng tuần có rơi đúng vào giữa một việc bạn đã lên lịch không. Với tư cách nhà phát triển, không có gì thay đổi cả: không có API, không có model ID, không có mức giá theo phút, không có điểm số. Hãy dùng thử giọng nói ở gói miễn phí trước khi đăng ký, xem cú rơi tín dụng tác động thế nào đến một tuần thật thay vì một tuần demo, và để mắt đến model ID — bởi vì ngay khi Sesame phát hành một model ID, chuyện này không còn là câu chuyện của người dùng nữa mà trở thành câu chuyện của nhà phát triển trong một sớm một chiều.

So sánh trong bài viết này1

Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày