Rime Prism 对比 Sesame Preview：一份价目表对阵一份口碑

今晚你可以免费收听 Sesame Preview。你买不到它。你可以以每分钟 0.080 美元的价格购买 Rime Prism，而 Rime 之外几乎没有人发布过他们获准测量的片段。这两句话的两半都是对比：其中一个是消费级 AI 领域口碑最好的声音，却没有任何开发者能调用；另一个则是全新的企业级端点，初创公司本周就能把它接入电话树。Rime Prism 于 2026 年 10 月 28 日作为 Rime 首个语音到语音模型推出。Sesame Preview 自 2025 年初以来一直作为免费研究预览运行，其背后的生产级语音仍未发布。

它们之所以会被拿来比较，是因为两者都宣称在对话真实感方面有所主张，而且上线时都仅支持英语。它们并不是彼此的替代方案。一个是你可以与之交谈的应用程序，另一个是你可以在其上构建的端点；在这两者之间做决定，与其说是在选择声音，不如说是在选择你买的是一个产品还是一个组件。

几乎决定一切的分野

一个想要交付智能体的团队会按这个顺序问两个问题：我能调用它吗？每次调用要多少钱？Sesame Preview 在第一个问题上就失败了。应用背后的模型没有公开 API，没有模型 ID，没有端点，也没有公布价格。你能与之对话的 Sesame 是一款消费级产品，内置四个有名字的助手、持久记忆和一套不断扩充的工具；但它底层的模型并不是开发者能够调用的东西。

任何人唯一能调用的 Sesame 产品是 CSM-1B，即该公司于 2025 年在 Apache 2.0 许可下发布的开放权重检查点：约 10 亿参数、4K 上下文、24 kHz 单声道音频。它不是应用中的那个声音，也不是一个智能体——它会以对话历史为条件，但无法像语言模型那样对其推理。它是一个语音组件，而且仅此一个。

可用性——Rime Prism 是付费 API，但提供免费套餐；Sesame Preview 是一款免费的消费者应用，其生产语音没有 API。

• 价格 — Prism 在 Flex 上为每通话音频分钟 $0.080，在 Scale 上为 $0.064；Sesame 未公布价格，且该应用不收费。

• 计费风险——无论通话顺利与否，Prism 都会照常收费；而 Sesame 的成本就是应用本身的成本，也就是零，这算不上一种可以让你据此规划的商业模式。

• {{1}}延迟基准{{/1}} — Prism 0.57 秒的首音频延迟，由供应商在 τ-Voice 上实测；Sesame 的应用声称低于 300 毫秒，而第三方对 Maya 角色的测量显示首字节时间为 80 到 130 毫秒。

• 独立评分 — 两个模型均未出现在 Artificial Analysis 的 Speech-to-Speech Index 中。

• 语言——两者在发布时均仅支持英语；Sesame 将法语、意大利语、德语、西班牙语、中文、日语和韩语列为早期支持语言。

• 部署 — Prism 提供云端、VPC 和本地部署，并附带 HIPAA BAA 和 SOC 2 Type II；Sesame 提供一款应用。

Rime Prism，作为端点

Prism 的售卖方式与企业软件的售卖方式如出一辙：免费版每月赠送 50 美元额度、无需绑定信用卡；Flex 每分钟 0.080 美元、无需承诺；Scale 每月 100 美元、含 100 美元额度、每分钟 0.064 美元；企业版则提供批量价格和年度承诺。所有层级用的都是同一个模型。Prism 通过 WebSockets 流式传输，并可接入 LiveKit 和 Pipecat——这一点很关键，因为大多数自建语音智能体本就运行在这两个平台上。

支撑这一费率的特性，正是消费级应用没有理由去构建的那些功能。Prism 在发声前会先将回复写成文本，因此应用可以读取确切的句子，对其执行策略检查或 PII 过滤，并且只有在通过时才让音频继续——同时模型仍在持续监听，所以这项检查不必变成可听见的停顿。工具调用与语音并行运行。基于客户自己的通话和工具调用轨迹进行微调是核心业务场景，自助式 SFT 和 RL API 仍处于 beta 阶段。

该公司自己的数据将首次音频响应时间定为 0.57 秒，τ-Voice 完成率为 56.6%，在该基准测试的电信子集上为 82.5%。一项基于约十小时真实点单通话的 Revmo 案例研究被引用为订单确认率 100%，而未具名的 OpenAI 模型为 68%。那是一委托开展的客户研究，未公布方法论，应将其视为供应商的说法，而非结果。

Sesame Preview，作为一款产品

Sesame 的核心主张是，语音助手应当让人感觉像一位熟人。四个角色——机智的协作伙伴 Maya、随性放松的 Miles、适合深入探讨的 Simone，以及作为休闲倾诉对象的 Charlie——各自拥有独立的记忆和独特的说话方式。该应用可以搜索网络、执行长时间研究、保存笔记和提醒、总结通话，并支持无痕模式。2026 年 10 月 6 日，Sesame 发布了更新版 CSM，其表达力和发音更佳，为其智能体开放了各自电脑的访问权限，并新增了 Gmail、Calendar 和 Drive 连接器、通过 OAuth 接入的外部 MCP 服务器、用户自建技能以及应用内图像生成器。

它缺少的是一个入口。这款应用免费、不投放广告，也不出售数据，这对用户来说是件好事，对买家而言却仍是个悬而未决的问题。Sesame 打算如何赚钱，以及开发者最终能否获得一个端点，目前仍未公布。这款眼镜定于 2027 年在日本推出；开发者工具则承诺会在“今年晚些时候”提供，但没有具体细节。

不过，这种声誉是真实的。Sesame 的语音正是人们互相发送片段分享的那一类，而评测者的一致评价连续两年都异常热情。问题在于，声誉并不等于规格说明：生产模型没有公布任何延迟数据，也没有针对它的盲听评分，而唯一可独立运行的是 1B 检查点，那完全是另一回事。

Sesame 唯一排除的一项能力

如果你想要 Sesame 声音的理由是它听起来像真人，那么你真正需要复刻的是一个对话循环，而不是音色。而对一家企业来说，对话循环有着消费级应用永远不必满足的要求：智能体即将说出的话的审计轨迹、阻止它说出这些话的手段、在呼叫者察觉之前就完成的工具调用，以及能通过合规审查的部署。

Prism 围绕这些需求构建，这就是它收费的原因。Sesame 则围绕相反的理念构建：一种封闭、精选、免费的体验，其中公司控制每一个变量。两者都是站得住脚的产品。但其中只有一个是可以接入理赔业务线的组件。

两者都只有英文——原因却截然相反

Prism 首发时仅支持英语，且音色集有限，因为这是首个版本，而语音覆盖的发布成本很高。Sesame 以英语为先，因为其产品是一组说英语的人格化角色；法语、意大利语、德语、西班牙语、中文、日语和韩语被标注为“早期支持”，这与“已支持”所代表的是不同的承诺。

对于多语言联络中心而言，这是文章的收尾部分。目前这两个模型都无法覆盖混合语言队列，而对这类买家真正重要的比较，是与具备广泛语言覆盖能力的 TTS 层加上一个路由文本模型进行比较，而不是与这两个模型中的任何一个进行比较。

测量问题

这两款模型都未出现在 Artificial Analysis 的 Speech-to-Speech Index 上，而这是唯一一个会根据任务完成情况、竞技场偏好和任务成功率对对话式语音模型进行排名的独立榜单。这种缺席并不是在贬低任何一款产品；正因如此，本页才不得不对两者都依赖厂商的说法。

Prism 的 56.6% τ-Voice 数据来自 Rime 自己跑的测试。看 Rime 在旁边公布的表格，GPT-Live-1（Sol，low）为 59.3%——比 Prism 还高——而宣传文案却称 Prism 领先所有 OpenAI 和 Google 的实时模型。发布帖子还反复提到“低于 300 毫秒”和“快 4 倍”，但这些数字并未出现在基准测试表格中，表中写的是 0.57 秒。这些可能是在测量不同的东西；Rime 并未说明是哪一个。

Sesame 的处境还要更艰难，因为它没有可供测量的生产模型。值得肯定的是，它已经造出了本可用于测量的工具：TurnBench 于 2026 年 8 月 28 日发布，是一个开源的口语对话轮次转换基准，由 Sesame 与卡内基梅隆大学、Mundo AI 和 Oto 共同打造，配有公开排行榜和自助评分功能。这个基准出自 Sesame 自己而非中立机构，但它确实是一项实实在在的贡献，而它围绕的那个数字，正是整篇对比中最有用的一个数字：人类轮次之间的典型间隔约为 200 毫秒，而规划单个词却要花上约 600 毫秒。正因如此，暴露机器身份的其实是轮次转换，而非音质。

附在 Rime 产品目录上的唯一独立证据来自其 TTS 产品线；在 Text-to-Speech Arena 上，Coda 以 Elo 1,054 在 99 个系统中排名第 65，Mist V2 以 903 排名第 92。这并不能对 Prism 作出任何确定性判断，因为它的声音是新的——但这确实意味着，“Rime 从未在独立榜单上拥有排名最高的声音”是买家在签署 Scale 合同前应当听到的一句真话。

一条电话线每个方向的费用是多少

Prism 的定价很简单。一万分钟呼入通话，Flex 方案为 800 美元，Scale 方案为 640 美元，均不含任何 Enterprise 折扣。一通五分钟通话为 0.40 美元。如果坐席还需要在通话后生成摘要，那是额外的文本模型成本，且与语音账单相比微不足道。

Sesame 无法定价，因为根本没有可供定价的费率。这款应用不收费，也无法嵌入；开放检查点从其唯一的托管服务商处获取时，每百万字符收费 7 美元，而自行托管则意味着你要自己拥有推理栈、编解码器、轮次检测和智能体逻辑。任何为“Sesame”报出每分钟成本的人，报的是这款应用没有账单，而不是一项服务。

这就是实际的不对称：Prism 昂贵且收费清晰，Sesame 免费却无法使用。预算会议可以围绕每分钟 0.080 美元展开争论；面对“没有端点”，它却无能为力。

三位买家，三种不同的答案

运营呼入支持电话的企业应该考虑 Prism。文本检查点、HIPAA BAA、本地部署选项和每分钟费率都恰好针对这项工作，而且供应商宣称风险是可以承受的，因为商业条款很常规。请在一个呼叫流程上进行试点，自行测量控制率，并将 Rime 的 100% 对 68% 案例研究视为待检验的假设，而不是预测。

想要在产品中融入 Sesame 音色的开发者，不应等待一个尚未公布的 API。现实可行的路径是开放的 TTS 检查点加上你自己的编排——而编排正是你可以低成本租用的部分。OrcaRouter 将 200 多种文本模型置于一个密钥之后 ，按提供商标价、0% 加价提供，并加入自动故障转移，使语音代理不会因某个提供商短暂出问题而中断；它还提供路由 DSL，让常规轮次可交给小模型，而升级场景交给大模型。语音层和推理层不必来自同一家公司，对大多数构建者来说也不应如此。

消费者，或者任何想为自己搭建个人助理的人，都应该直接使用 Sesame。它免费、好用，而对于不写代码的人来说，没有 API 这一点无关紧要。

什么会改变答案

有三件事。Sesame 发布 API 和一份价目表，会让这件事一夜之间变成真正的对比，并立即引出一个问题：它的语音质量在被当作组件出售后是否还经得起考验。Prism 出现在 Speech-to-Speech Index 上，将给它带来有史以来第一个独立数字，也会为“领先 OpenAI 和谷歌”这一说法在与中立榜单对照后是否还站得住脚给出定论。而 Prism 的微调 API 结束测试期，则会把已经能买到它的企业与其他所有人区分开来。

除非其中一种情况发生，否则这就是一个你能体验的产品与一个你能部署的产品之间的比较，而唯一错误的做法，就是把它们当成同一笔购买的两个版本。Sesame 是让人们重新关注对话式 AI 的那个声音。Prism 则是第一次严肃地尝试按分钟出售那种感觉，并附上一份审计日志。它们谁也不是谁的替代品。