Simba 3.5 对比 Sesame Preview：一个按角色销售，另一个按座位销售

这是一场看似拿苹果比橘子的比较，直到你给它定价，它才变成一道算术题。SpeechifyAI Simba 3.5是一个按百万字符购买、并从你自己的代码中调用的文本转语音模型。Sesame Preview是一个在应用里按月、按人购买的消费者语音代理。两者都可购买——Sesame 公布了 Free、Plus 和 Pro 分层列表，不再是一个免费演示——并且两者都能生成合成人声。一个是组件，一个是产品，而要在两者之间做出选择，唯一诚实的方法就是弄清楚你的问题实际需要的是这两者中的哪一种。

Sesame 这家公司确实发布了一款模型：CSM-1B，以 Apache 2.0 许可在 Hugging Face 上开放权重。它不是你在应用里听到的那个声音。应用运行的是一个生产系统，没有 API、没有模型 ID，也没有独立的竞技场评分，而该研究发布版本自 2025 年以来一直没有变化。这一差距是本文中最重要的事实，也是这两个产品不能相互替代的原因。

每一个的成本，换算成相同单位

计价单位不一致正是大多数文章止步之处，所以就从这里开始。Simba 3.5 按输入文本的字符数计费。Sesame 按席位按月计费，并附带通话时长额度。这两种费率都无法直接、干净地互相换算，但都可以换算成“这每个月要花我的组织多少钱”，而这一比较的差距并不小。

• Simba 3.5，自11月22日起的标价——Starter 每百万字符 15.00 美元，Pro 12.00 美元，Scale 10.00 美元

• Simba 3.5，截至 11 月 21 日——每百万字符 10.00 美元、8.00 美元和 6.00 美元，这是旧版模型的费率

• Sesame Free — $0，每天 30 分钟通话时长

• Sesame Plus — 每月 20 美元，每天两小时通话时长，每周额度是 Free 的四倍

• Sesame Pro — 每月 100 美元，每天十小时通话时长，为 Free 每周额度的二十倍

• Sesame 附加项 — 额外 1 小时通话时长 5 美元，5 小时 20 美元；积分每千 5 美元、每五千 20 美元，积分包不会过期

在 Scale 套餐下，一千万个字符的 Simba 3.5 用量收费 100 美元，大约能生成两百小时的成品语音。Sesame Pro 每月 100 美元，可让一个人每天获得十小时的通话时间。它们是不同的产品，却出现在同一张账单条目上；很难说哪一个更划算，因为一个产出的是资产，另一个承载的是对话。

Sesame 值得标出的数字是超额费率，而不是订阅费。每小时 5 美元的额外通话时间约为每分钟 0.083 美元，这对一次对话来说很贵，但对一个你已决定展示给客户的产品来说却很便宜。这些套餐永不过期，并会在套餐额度用完后消耗，因此需要建模的是边际小时数，而不是主推档位。

确切地说，Simba 3.5 是什么

Simba 3.5 于 2026 年 10 月 21 日发布，作为 Speechify 推荐的模型，取代 Simba 3.2 成为后续的英语选择，并在单一模型 id 下将覆盖范围从六种语言扩展到 48 种。所有目录音色都能使用同一个音色 id 说全部 48 种语言，包括付费方案中的克隆音色。爱沙尼亚语和粤语被明确排除。音色 id、输出格式、语音标记以及所应用的 SSML 子集均沿用自 3.2，因此迁移只需对 model 字段做一行更改，无需提升 API 版本。

在 Artificial Analysis 上，它在 Controlled Voice 上以 1,192 分排名第一，在 Provider Voice 上以 1,294 分排名第五，分别来自 1,783 和 1,732 个样本。对于这一比较，受控榜单才是有意义的：它为每位参赛者克隆同样的八个参考语音，因此在那里得分高的模型能够处理它从未听过的语音。这正是克隆语音工作流所要求的。

Speechify 自己给出的数字，公司外无人复现：对 Simba 3.2 的盲测偏好率为 63%，声称的 95% 区间为 60% 至 67%；流式请求第 95 百分位下的首音频时间为 72 毫秒；每个服务实例的吞吐量为 Simba 3.2 的 1.8 倍。这些数字与竞技场数据一样，属于供应商声明而非独立测量，应当以这种方式理解。

Sesame Preview 究竟是什么

Sesame Preview 是一款语音优先的智能体应用，自 2026 年 5 月起进入公开预览阶段，拥有具名角色、可在会话之间留存的记忆，并能实际执行任务——搜索、笔记、提醒——并在通话结束时提供摘要。它支持 iOS 和 Android，通过应用商店而非网页销售上述三档订阅，同时为应用所在国家/地区之外的用户保留了一个免费的浏览器 Research Preview，其每日 30 分钟的使用上限与 Free 套餐相同。

其工程技术围绕话轮转换而非渲染展开，公司也已就此发表了实际研究成果。TurnBench 于 2026 年 8 月 28 日发布，并在 arXiv 上附有论文；它基于 30 小时的双通道录音室录音——154 段对话、106 名配音演员组成 53 对，在各自独立的隔音录音棚中录制——来衡量对话的时间安排，并针对轮末检测和插话，以两类近失样本作为对照进行评分。当前榜单收录了 25 个已排名系统。其中没有一个是文本转语音模型，因为这是另一项任务。

关键的是：并不存在 Sesame 模型端点。没有 id，没有价目表，也没有参考语音参数。开发者无法从代码中调用 Sesame Preview，就像无法从代码中拨打一通电话一样。唯一可加载的 Sesame 产物是 CSM-1B，并且 Sesame 明确表示，CSM“只能对对话中的文本和语音内容进行建模——而不是对话本身的结构。”

决定成败的不对称性

Simba 3.5 可以实现 Sesame 所做之事的一个狭窄、局部的版本。你可以对它进行流式处理，而流式处理加上一个优秀的语音识别模型，正是当今大量生产级语音智能体的构建方式。它无法做到的是决定何时停止说话、在说话的同时聆听，或接受打断——这些是围绕它的编排层所具备的属性，而你需要自行构建它们。

对开发者而言，Simba 3.5 能做到的事，Sesame 连其中任何一种版本都做不到。你无法按字符计费把它的语音放进你产品的 UI 里，无法用它来制作有声书，也无法用它来本地化内容目录。你可以和它对话，你的用户也可以和它对话，这就是它的全部能力范围。

所以这个决定归结为你到底在交付什么。如果语音功能在你构建的产品内部，那么 Simba 3.5 是候选方案，而 Sesame 不在名单上。如果你想要的是成品体验——一个能进行对话并跑腿办事的人格化助手——那你买的是 Sesame 的应用，而语音质量问题正由一家尚未将其开放给测量的公司替你回答。

就本地化而言，差距是彻底的。

Simba 3.5 支持 48 种语言。Sesame Preview 只处理英语，而且其方案不因语言而异，因为该产品就是英语产品。对于任何文字不是英语的工作负载，这一比较在规格表的第一段就结束了。

不过，有一个细微之处值得保留。Speechify 的 48 种语言附带一个供应商明确说明的注意事项：语音会保留其源录音的口音，因此克隆的美国语音说日语时，听起来就像美国人在说日语。公司自己的建议是使用每个地区本地语言的员工精选语音来生成，这也是其 voices 端点现在公开 staff_pick_rank 的原因。支持跨语言；但无口音的跨语言并非其宣称。

Sesame 对口音问题的应对方式在性质上有所不同：一个角色人格拥有自己的声音，而由于对话只用一种语言进行，这个声音无法迁移到其他语言。对消费级产品而言，这算不上限制，但对产品目录来说，却是不可逾越的硬性障碍。

OrcaRouter 适合哪些场景，以及不适合哪些场景

OrcaRouter 不提供这两款产品。Simba 3.5 通过 Speechify 自己的 API 获取；Sesame Preview 通过应用商店获取。不应将本文任何内容解读为相反的主张。

我们的 What we do 路由是更小的合成目录，你在测试语音方案决策时可将其用作对照：openai/tts-1 每百万字符 $15.00，以及 openai/tts-1-hd 为 $30.00，两者均按提供商标价，未加价。如果你正在将 Simba 3.5 与任何方案权衡——包括与你已经在用的 OpenAI 语音对比——用一个密钥将同一脚本分别通过两者渲染，比走采购流程更省成本，而且自动故障转移意味着提供商发生故障不会让你的渲染队列一并停摆。

对于对话场景，并不存在路由答案，假装有才是不诚实的。Sesame Preview 并不是一个端点。如果你正在构建的产品需要轮流发言，你真正应该做的比较是：Simba 3.5 加上你自己的编排，对比一家出售此类 API 的供应商提供的实时语音到语音 API——而那是另一篇文章。

那么，哪一个呢？

如果正在构建以下能力，请选择 Simba 3.5：你需要一个端点、可预测的按字符计费、可清点的语言列表、能延续到 48 个区域设置的克隆语音，以及在供应商未挑选的参考语音上获得的榜首受控语音评分。它进入一份已变更过一次的价格表也已有三周，同时一次模型 ID 迁移将于 11 月 21 日落地——simba-multilingual 和 simba-english 将由 Simba 3.5 提供服务——因此请有意固定你的模型 ID，而不要依赖默认值。

如果你符合以下情况，就选择 Sesame Preview：你想要一个具备记忆和任务执行能力的对话式智能体；你能接受它的声音未经过任何独立委员会的评测；每天十小时的通话时长、100 美元的价格，是你认为可以对应到它所完成工作的价值上的。它是一件成品，而不是原材料，而成品的定价自然与之相称。

这个比较容易诱发的错误，是因为两者听起来都像人名，就把它们当成竞争对手。它们按不同单位出售，以不同方式被消费，而且其中一个根本无法从代码中调用。这不是需要打破的平局——而是岔路口，大多数团队早已知道自己站在哪一边。