AssemblyAI-TTS-1 与 Sesame Preview：其中一个没有价目表

你买不到Sesame Preview。它是一款免费的消费级应用——Maya、Miles、Simone 和 Charlie，四个在 iOS 和 Android 上拥有持久记忆的伙伴，通话上限为 30 分钟，还有一项尚未公布的、计划于 2027 年向你兜售眼镜的方案——而且它背后没有开发者端点、没有模型 ID，也没有价目表。AssemblyAI-TTS-1则不同，它是一项明码标价的条目：每百万字符 15 美元，自 2026 年 10 月 27 日起正式可用，通过 HTTP 和 WebSocket 在 US-East 或 EU-North 提供流式传输。因此，通常所说的这场对决其实算不上对决。它是一款产品对一场演示。

只有当你换成确实带有权重的那款 Sesame 时，这个对比才有意义：Sesame CSM 1B，即 Hugging Face 上采用 Apache-2.0 许可的对话语音检查点，一个约十亿参数的模型，接受文本加音频上下文并输出英语语音。现在这就是一个真正的取舍——每百万字符 7 美元的 1B 开放检查点，对比 15 美元的闭源端点——而有趣之处在于，更便宜的那个恰恰是你必须围绕它构建智能体的那个。

确切地说，Sesame Preview 到底是什么，以免比较出现偏差。

Sesame Preview 是一款已发布的产品，内部搭载了真实模型，却没有任何途径可以租用该模型。该应用的生产模型并非公开发布的检查点：Sesame 发布的是 CSM 1B——一个尚未针对特定声音进行微调的基础生成模型，而应用里那些精致的角色音色则是 Sesame 自家的。该应用宣称延迟低于 300 毫秒；第三方对 Maya 角色的实测显示首字节时间约为 80–130 毫秒。这两个数字都无法描述你实际拿到手的 CSM 1B。

应用在 2026 年 10 月的更新——表现力和发音改进、智能体访问计算机、Gmail、Calendar 和 Drive 连接器、MCP 支持、图像生成器——是一个路线图信号，而非商业信号。Sesame 曾表示开发者工具将在“今年晚些时候”推出，但没有说明它具体会是什么、价格多少，也没有说明它会是生产模型还是检查点。这一决策不应建立在那一句话之上。

这两张账单，换算成相同单位

CSM 1B 在提供它的托管网关上标价为每百万字符 7.00 美元，按字符而非按 token 计费。AssemblyAI-TTS-1 为每百万字符 15.00 美元，该费率包含 4,000 多种声音库中的每一种声音、其全部六种首发语言、即时克隆、词级时间戳、美国或欧盟处理以及无限制并发。

按普通语音每分钟约 900 字符的速度计算，每小时成本对比大致为：CSM 1B 约 0.35 美元，而 AssemblyAI-TTS-1 约 0.81 美元；按字符计算，这个开放检查点的成本略低于后者的一半；而 CSM 这个数字提供的信息最少，因为它只反映模型的价格，而不反映整个系统的价格。

维度列表正是两者彻底失去可比性的地方：

• 价格 — 每百万字符 7 美元，而另一档为 15 美元，后者包含所有音色和克隆功能。

• 语言——CSM 1B 是英语模型，模型卡直言不讳地指出，任何非英语能力都只是附带的；应用将多种语言列为“早期支持”，这是另一种承诺。AssemblyAI-TTS-1 发布时支持六种语言。

• 语音库 — CSM 1B 提供七种语音和一个基础模型，你需要基于该模型进行克隆；AssemblyAI-TTS-1 提供 4,000 多种语音，并支持基于 24 秒样本的即时克隆。

• 克隆深度 — 两者均不提供经训练的专业级克隆。AssemblyAI 的即时路径需要一步说话人授权确认；CSM 1B 则以零样本方式迁移身份，并在此过程中将韵律抹平。

• 你需要提供的内容——CSM 1B 需要编解码器、轮次检测、上下文组装和智能体循环，还需要一个由你自行管理的 4K token 上下文预算。AssemblyAI-TTS-1 需要 HTTP 客户端、流处理器和取消消息。

• 延迟证据 — AssemblyAI-TTS-1 有厂商声明、两项独立测量和一个榜单排名。CSM 1B 的部署报告跨度达两个数量级。

延迟：声称 90 毫秒，实测 159 毫秒，实际观察到 9.9 秒

AssemblyAI-TTS-1 的延迟表现有据可查，也存在争议，而且很容易如实说明。厂商声称生产环境中首个音频输出为 90 毫秒，其实验室中首字节时间中位数为 47 毫秒。Cekura 在智能体形态的测试中独立测量，得到流式启动中位数 159 毫秒、p90 为 296 毫秒，并在其计时的 19 个模型中排名第八。这一差距源于方法学——从请求到首字节，还是从发送最后一个词到首个音频——而非不诚实，且第二种测量才是你的呼叫者实际体验到的。

CSM 1B 的延迟表现与其说是有争议，不如说是没有边界。经过优化的端侧转换在 Apple Silicon 上报告称，首段音频约 120 毫秒，实时因子在 0.5 到 0.9 之间；未经优化的 RTX 5070 Ti 据称大约以半实时速度运行；某个托管服务列表公布端到端 P50 约为 9.9 秒、P95 约为 39 秒。所有这些描述的都是同一个检查点。你最终得到哪一种结果，取决于你投入了多少服务工程。

这就是整个对比的关键所在，而且这并不是一场关于质量的争论。闭源端点已经把服务端的工作做完了，并把这部分成本计入了定价：每小时 $0.81，不需要 GPU，不需要编解码器，也不需要设计队列。一个开源的 1B checkpoint 则以每小时 $0.35 的价格给你一个模型，同时把那个当初造价高昂的部分重新交回到你手上。如果你本身已经具备这套工程能力，那么 checkpoint 显然是划算得多的选择。如果你不具备，那么你每小时省下的那 $0.46，跟某人第一个月的时间成本相比，不过是零头而已。

每一个实际上糟糕的地方

AssemblyAI-TTS-1 的薄弱点全都集中在真实文本的尾部。Artificial Analysis 对其发音稳健性的总体评分为 81.7%，排名第十六，缩写扩展为 73.8%；Cekura 的上下文发音测试将其在 27 个系统中排在第 22 位，得分为 70.8%，尽管它在电话号码和代码方面以 91.7% 排名第一。既没有发音词典，也没有 SSML 来修正其中任何一项，而且它的六种语言是硬性上限，而非起点。供应商在其自有 580 项数据集上报告的实体准确率为 93.7%，这却说明了相反的情况，只有你的语料库才能确定哪项测量结果描述的是你的流量。

CSM 1B 的短板是结构性的，而非数据驱动的。它在设计上仅支持英语。它是一个基础模型，因此你得到的声音并不是任何人调校过的声音。它在某些生成结果中会截掉最后一个词，其参考生成器中带有水印，而且一些托管封装会悄悄丢弃上下文、语言和最大长度参数——这意味着某个向你提供 CSM 1B 的网关，实际运行的模型可能并非文档所述的那样。它的上下文为 4K token，最大输出约为 3,686，因此长对话必须由你自己拼接组装。

有一件事两者都不是，而这对任何从消费级应用过来的人都很重要：对话伙伴。AssemblyAI-TTS-1 将文本读成语音，完全没有对话状态的概念。CSM 1B 是两者中更具对话意识的一个——它以音频上下文作为输入——但它一次只生成一轮语音，自身没有轮次检测。该应用表面上的无缝是一种产品化效果，而这两个模型都没有提供它。

人们实际会问的三个问题

CSM 1B 和 Sesame 应用运行的是同一个模型吗？不是。该应用运行的是 Sesame 的生产模型；这个检查点是一个以 Apache 2.0 许可发布的基础生成模型，而两者之间的差距正是为什么该应用听起来像 Maya，而全新部署的 CSM 1B 却并非如此。请把该应用看作 Sesame 所能构建之成果的演示，而不是你将获得的成果的预览。

十万次三分钟通话，哪个更便宜？纸面上看，CSM 1B：2.7 亿字符，在 checkpoint 上约 1,890 美元，而在 AssemblyAI-TTS-1 上约为 4,050 美元。实际上，checkpoint 的数字并未计入 GPU 机时、服务工程师，以及为达到接近智能体级别的流式输出所需的延迟优化工作。在这个量级下，诚实的比较是 4,050 美元对"构建完成之前无法预知"，而"无法预知"才是两者中更昂贵的那个。

AssemblyAI-TTS-1 能克隆我自己的声音吗？可以，只需上传一段约 24 秒的录音并确认已获得说话人的许可；语音 ID 会在几秒内返回，计费按与语音库相同的每字符费率收取。它不提供经过训练的专业克隆，因此得到的是一个可用的身份声音，而非受管控的品牌资产——并且发布时并不支持微调克隆。

这究竟是哪个决定

如果你眼前看到的是 Sesame Preview，就停下来：没有什么需要集成，也没有价格可供比较。如果是 CSM 1B，那你不是在选一个 TTS 模型，而是在选是否要自己拥有服务层——而让“是”站得住脚的三个条件是：你只需要英语、你有 GPU 算力并且有相配的工程师、以及你希望模型运行在你自己的边界之内。除此之外的一切理由都更支持使用端点。

通常起决定作用的成本论证，根本不是每字符费率，而是整合：一个语音智能体往往会累积一个 TTS 供应商、一个语音转文本供应商和一个语言模型供应商，各自都有自己的合同和价格变动周期。OrcaRouter 的存在就是为了打通这最后一层——用一套 API，以供应商标价、0% 加价提供 200 多个模型，这样供应商的降价当天就能反映到你的账单上，而不必等到下一次续约，同时还有自动故障转移、用于将多个模型组合成一次调用的路由 DSL，以及在单一答案不够用时使用的模型融合。AssemblyAI-TTS-1 和 CSM 1B 目前都不在该目录中——我们的语音路由是 OpenAI 的 tts-1 系列和 Google 的 Gemini TTS 预览版——所以这个论证关乎的是你已经在支付的账单，而不是你能在这里完成的购买。

Sesame 的应用是这一类别中最好的免费演示，最终很可能会推出开发者产品。AssemblyAI-TTS-1 则是一份你本周就能签下的价目表。在这两个事实之间，唯一站得住脚的计划就是基于已经存在的那个来构建，并在你的架构中为另一个留出一个位置，以防 Sesame 哪天真的交付了模型，而不是宣传册。