Simba 3.5 vs Sesame Preview: Một bên được bán theo Nhân vật, bên kia theo Chỗ ngồi

Đây là một phép so sánh thoạt trông như khập khiễng, cho đến khi bạn quy ra giá, lúc đó nó trở thành phép tính cộng trừ. SpeechifyAI Simba 3.5 là một mô hình chuyển văn bản thành giọng nói mà bạn mua theo từng triệu ký tự và gọi từ chính mã của mình. Sesame Preview là một tác nhân giọng nói dành cho người tiêu dùng mà bạn mua theo tháng, tính theo từng người, trong một ứng dụng. Cả hai đều mua được — Sesame đã công bố danh sách gói Free, Plus và Pro và không còn là bản demo miễn phí nữa — và cả hai đều tạo ra giọng người tổng hợp. Một cái là linh kiện, một cái là sản phẩm, và cách trung thực duy nhất để chọn giữa chúng là xác định xem vấn đề của bạn thực sự cần cái nào trong hai thứ đó.

Sesame, công ty này, có công bố một mô hình: CSM-1B, trọng số mở trên Hugging Face theo Apache 2.0. Đó không phải là giọng bạn nghe trong ứng dụng. Ứng dụng vận hành một hệ thống production không có API, không có model id và không có điểm arena độc lập, và bản phát hành nghiên cứu đã không thay đổi kể từ năm 2025. Khoảng cách đó là sự thật quan trọng nhất trong bài viết này và là lý do hai sản phẩm không phải là sản phẩm thay thế cho nhau.

Giá của từng cái, được quy đổi về cùng một đơn vị

Sự không khớp về đơn vị là chỗ hầu hết các bài viết dừng lại, vậy hãy bắt đầu từ đó. Simba 3.5 tính phí theo từng ký tự của văn bản đầu vào. Sesame tính phí theo mỗi ghế mỗi tháng kèm hạn mức thời gian trò chuyện. Không có mức giá nào quy đổi gọn gàng sang mức kia, nhưng cả hai đều quy về câu hỏi "điều này tốn bao nhiêu chi phí cho tổ chức của tôi trong một tháng", và khoảng cách trong so sánh đó không hề nhỏ.

• Simba 3.5, bảng giá từ ngày 22 tháng 11 — $15.00 mỗi triệu ký tự trên Starter, $12.00 trên Pro, $10.00 trên Scale

• Simba 3.5, đến hết ngày 21 tháng 11 — $10.00, $8.00 và $6.00 mỗi triệu ký tự, mức giá của các mô hình cũ hơn

• Sesame Free — $0, 30 phút gọi mỗi ngày

Sesame Plus — $20 một tháng, hai giờ gọi mỗi ngày, hạn mức tín dụng hàng tuần gấp bốn lần so với Free

• Sesame Pro — 100 USD một tháng, mười giờ trò chuyện mỗi ngày, gấp hai mươi lần tín dụng hàng tuần của Free

• Tiện ích bổ sung Sesame — 5 đô-la cho thêm một giờ trò chuyện, 20 đô-la cho năm giờ; tín dụng ở mức 5 đô-la mỗi nghìn và 20 đô-la mỗi năm nghìn, các gói không hết hạn

Mười triệu ký tự của Simba 3.5 trên gói Scale có giá 100 USD và tạo ra khoảng hai trăm giờ giọng nói thành phẩm. Sesame Pro có giá 100 USD một tháng và mang lại mười giờ trò chuyện mỗi ngày cho một người. Đó là những sản phẩm khác nhau với cùng một dòng hóa đơn, và thật sự khó nói cái nào đáng tiền hơn, vì một bên tạo ra một tài sản còn bên kia duy trì một cuộc hội thoại.

Con số Sesame đáng lưu ý là mức phí vượt hạn mức chứ không phải gói đăng ký. Thời gian gọi thêm với giá $5 một giờ tương đương khoảng $0.083 một phút, mức này đắt đối với một cuộc trò chuyện và rẻ đối với một sản phẩm mà bạn đã quyết định đưa ra trước khách hàng. Các gói không bao giờ hết hạn và được dùng sau khi hết hạn mức của gói, vì vậy giờ tăng thêm là con số cần đưa vào mô hình, không phải bậc giá được quảng bá.

Simba 3.5 chính xác là gì

Simba 3.5 ra mắt ngày 21 tháng 10 năm 2026 với tư cách là mô hình được Speechify đề xuất, thay thế Simba 3.2 để trở thành lựa chọn tiếng Anh hướng tới tương lai và mở rộng phạm vi từ sáu ngôn ngữ lên 48 ngôn ngữ dưới một model id duy nhất. Mọi giọng trong danh mục đều nói được cả 48 ngôn ngữ, kể cả giọng đã nhân bản trên gói trả phí, với cùng một voice id. Tiếng Estonia và tiếng Quảng Đông bị loại trừ rõ ràng. Voice id, định dạng đầu ra, speech marks và tập con SSML được áp dụng đều được kế thừa từ 3.2, nên việc chuyển đổi chỉ là thay đổi một dòng ở trường model mà không cần tăng phiên bản API.

Trên Artificial Analysis, mô hình này đứng đầu ở Controlled Voice với 1,192 và đứng thứ năm ở Provider Voice với 1,294, lần lượt từ 1,783 và 1,732 mẫu. Bảng có kiểm soát là bảng có ý nghĩa cho phép so sánh này: nó nhân bản cùng tám giọng tham chiếu cho mọi mô hình tham gia, vì vậy một mô hình đạt điểm cao ở đó có thể xử lý một giọng mà nó chưa từng nghe. Đó chính xác là điều mà một quy trình làm việc với giọng nói được nhân bản đòi hỏi.

Các con số của chính Speechify, không được bất kỳ ai bên ngoài công ty tái lập: tỷ lệ ưu thích trong thử nghiệm mù là 63% so với Simba 3.2, với khoảng 95% được nêu là từ 60% đến 67%; thời gian đến âm thanh đầu tiên là 72 mili giây ở phân vị thứ 95 của các yêu cầu phát trực tuyến; và thông lượng gấp 1,8 lần Simba 3.2 trên mỗi instance phục vụ. Những con số đó nằm cạnh các số liệu arena với tư cách là tuyên bố của nhà cung cấp chứ không phải đo lường độc lập, và nên được đọc theo cách đó.

Chính xác thì Sesame Preview là gì

Sesame Preview là ứng dụng tác nhân ưu tiên giọng nói, ở dạng xem trước công khai từ tháng 5 năm 2026, với các persona có tên, bộ nhớ tồn tại giữa các phiên và khả năng thực hiện các việc — tìm kiếm, ghi chú, nhắc nhở — kèm bản tóm tắt vào cuối cuộc gọi. Ứng dụng chạy trên iOS và Android, bán ba gói ở trên qua các cửa hàng ứng dụng thay vì qua web, và duy trì một Research Preview miễn phí trên trình duyệt cho người dùng ngoài các quốc gia có ứng dụng, với cùng giới hạn 30 phút mỗi ngày như gói Free.

Phần kỹ thuật của nó hướng tới việc luân phiên lượt nói thay vì kết xuất giọng nói, và công ty đã công bố nghiên cứu thực sự về vấn đề này. TurnBench, được công bố vào ngày 28 tháng 8 năm 2026 cùng một bài báo trên arXiv, đo lường thời điểm của cuộc hội thoại trên ba mươi giờ bản ghi phòng thu hai kênh — 154 cuộc đối thoại, 106 diễn viên lồng tiếng trong 53 cặp, được ghi trong các buồng cách âm riêng biệt — chấm điểm khả năng phát hiện điểm kết thúc lượt nói và ngắt lời chen vào dựa trên hai kiểu tình huống suýt trúng. Bảng xếp hạng hiện tại có 25 hệ thống được xếp hạng. Không có hệ thống nào trong số đó là mô hình chuyển văn bản thành giọng nói, vì nhiệm vụ này là một nhiệm vụ khác.

Và quan trọng là: không có endpoint mô hình Sesame nào. Không có id, không có bảng giá, không có tham số giọng tham chiếu. Lập trình viên không thể gọi Sesame Preview từ mã nguồn, cũng như không thể gọi một cuộc gọi điện thoại. Artefact Sesame duy nhất có thể tải là CSM-1B, và Sesame nói rõ rằng CSM "chỉ có thể mô hình hóa nội dung văn bản và lời nói trong một cuộc hội thoại — chứ không phải cấu trúc của chính cuộc hội thoại đó."

Sự bất đối xứng định đoạt điều đó

Simba 3.5 có thể làm một phiên bản hẹp và chỉ một phần của những gì Sesame làm được. Bạn có thể truyền phát nó, và truyền phát cộng với một mô hình nhận dạng giọng nói tốt là cách rất nhiều tác nhân thoại trong môi trường sản xuất được xây dựng ngày nay. Điều nó không thể làm là quyết định khi nào ngừng nói, lắng nghe trong khi nó đang nói, hoặc tiếp nhận một sự ngắt lời — đó là những thuộc tính của phần điều phối xung quanh nó, và bạn sẽ phải tự xây dựng chúng.

Sesame không thể làm bất kỳ phiên bản nào của những gì Simba 3.5 làm được cho một nhà phát triển. Bạn không thể đưa giọng nói của nó vào giao diện người dùng sản phẩm của mình với chi phí theo từng ký tự, tạo sách nói bằng nó, hoặc bản địa hóa một danh mục bằng nó. Bạn có thể nói chuyện với nó, người dùng của bạn có thể nói chuyện với nó, và đó là toàn bộ bề mặt tương tác.

Vì vậy, quyết định thu lại thành một câu hỏi về thứ bạn đang phát hành. Nếu giọng nói nằm bên trong thứ bạn tự xây dựng, Simba 3.5 là ứng viên và Sesame không có trong danh sách. Nếu điều bạn muốn là trải nghiệm hoàn chỉnh — một persona biết trò chuyện và làm việc vặt — thì bạn đang mua ứng dụng của Sesame, và câu hỏi về chất lượng giọng nói đang được trả lời thay bạn bởi một công ty chưa công khai nó để đo lường.

Đối với trường hợp bản địa hóa, khoảng cách là hoàn toàn.

Simba 3.5 hỗ trợ 48 ngôn ngữ. Sesame Preview chỉ xử lý tiếng Anh và các gói của nó không phân biệt ngôn ngữ vì sản phẩm là tiếng Anh. Với bất kỳ khối lượng công việc nào mà chữ viết không phải tiếng Anh, so sánh này kết thúc ngay ở đoạn đầu tiên của bảng thông số kỹ thuật.

Tuy nhiên, có một sắc thái đáng lưu ý. 48 ngôn ngữ của Speechify đi kèm một lưu ý mà nhà cung cấp nói thẳng: một giọng nói giữ nguyên chất giọng của bản ghi nguồn, nên một giọng Mỹ được nhân bản khi nói tiếng Nhật sẽ nghe như người Mỹ nói tiếng Nhật. Hướng dẫn của chính công ty là tạo bằng một giọng do nhân viên tuyển chọn có nguồn gốc bản địa của từng vùng, đó là lý do endpoint voices của họ giờ đây công bố staff_pick_rank. Hỗ trợ xuyên ngôn ngữ thì có; còn xuyên ngôn ngữ không mang chất giọng thì không phải là điều họ khẳng định.

Cách Sesame giải quyết vấn đề khẩu âm là khác về bản chất: một persona có giọng riêng, và giọng đó không thể chuyển sang ngôn ngữ khác vì cuộc trò chuyện chỉ diễn ra trong một ngôn ngữ. Đó không phải là hạn chế đối với một sản phẩm tiêu dùng, nhưng lại là rào cản dứt khoát đối với một danh mục sản phẩm.

OrcaRouter phù hợp ở đâu, và ở đâu thì không

OrcaRouter không cung cấp sản phẩm nào trong hai sản phẩm này. Simba 3.5 được truy cập thông qua API riêng của Speechify; Sesame Preview được truy cập thông qua một cửa hàng ứng dụng. Không có nội dung nào ở đây nên được hiểu là một tuyên bố ngược lại.

Tuyến "What we do" là danh mục tổng hợp nhỏ hơn mà bạn sẽ dùng làm đối chứng khi thử nghiệm một quyết định về giọng nói: openai/tts-1 với giá $15.00 mỗi triệu ký tự và openai/tts-1-hd với giá $30.00, cả hai đều theo giá niêm yết của nhà cung cấp và không cộng thêm phụ phí. Nếu bạn đang cân nhắc Simba 3.5 với bất kỳ lựa chọn nào — kể cả với giọng OpenAI mà bạn đã dùng — thì việc kết xuất cùng một kịch bản qua cả hai chỉ với một khóa là một thử nghiệm rẻ hơn một chu kỳ mua sắm, và cơ chế chuyển đổi dự phòng tự động có nghĩa là một sự cố từ nhà cung cấp sẽ không kéo theo hàng đợi kết xuất của bạn.

Với trường hợp hội thoại, không có câu trả lời từ router, và sẽ là không trung thực nếu giả vờ điều ngược lại. Sesame Preview không phải là một endpoint. Nếu bạn cần luân phiên lượt nói trong một sản phẩm mà bạn đang xây dựng, phép so sánh mà bạn thực sự muốn là Simba 3.5 cộng với hệ thống điều phối của riêng bạn so với một API chuyển giọng nói thành giọng nói theo thời gian thực từ một nhà cung cấp có bán loại đó — và đó là một bài viết khác.

Vậy thì cái nào?

Chọn Simba 3.5 nếu bạn đang xây dựng: bạn cần một endpoint, hóa đơn tính theo từng ký tự có thể dự báo, danh sách ngôn ngữ có thể đếm được, các giọng đã nhân bản vẫn dùng được ở 48 locale, và điểm giọng nói có kiểm soát đứng đầu bảng đạt được trên các giọng tham chiếu mà nhà cung cấp không tự chọn. Đây cũng là tuần thứ ba của một lịch giá đã thay đổi một lần, với một cuộc di trú model-id — simba-multilingual và simba-english được phục vụ bởi Simba 3.5 — sẽ diễn ra vào ngày 21 tháng 11, vì vậy hãy chủ động ghim model id của bạn thay vì dựa vào mặc định.

Chọn Sesame Preview nếu bạn đang dùng: bạn muốn một tác nhân hội thoại có bộ nhớ và khả năng thực thi tác vụ, bạn thấy ổn rằng giọng nói của nó không được bất kỳ hội đồng độc lập nào đo lường, và mười giờ đàm thoại mỗi ngày với giá $100 là mức giá bạn có thể gắn với giá trị công việc mà nó làm. Đó là một sản phẩm hoàn chỉnh chứ không phải nguyên liệu thô, và những sản phẩm hoàn chỉnh được định giá tương xứng.

Sai lầm mà sự so sánh này dễ dẫn đến là coi chúng như những đối thủ vì cả hai đều nghe giống con người. Chúng được bán theo những đơn vị khác nhau, được sử dụng theo những cách khác nhau, và một trong số chúng hoàn toàn không thể được gọi từ mã. Đó không phải là một thế hòa cần phá vỡ — mà là một ngã rẽ, và hầu hết các đội ngũ đều đã biết mình đang đứng ở phía nào của ngã rẽ đó.