AssemblyAI-TTS-1 與 Sesame Preview 對比：其中一款沒有定價表

你無法購買 Sesame Preview。它是一款免費的消費者應用程式——Maya、Miles、Simone 與 Charlie，四個在 iOS 與 Android 上具持久記憶的陪伴夥伴，通話上限 30 分鐘，還有一項未宣布的計畫，要在 2027 年賣眼鏡給你——而且背後沒有開發者端點、沒有模型 ID，也沒有價目表。AssemblyAI-TTS-1相較之下，則是一項明列計價的項目：每百萬字元 15 美元，自 2026 年 10 月 27 日起正式可用，在 US-East 或 EU-North 透過 HTTP 與 WebSocket 串流。因此，通常所說的對決並不是對決。這是產品對上示範。

當你換成真正有權重的 Sesame 時，這個比較就變得有用：Sesame CSM 1B，這是 Hugging Face 上以 Apache-2.0 授權的對話語音檢查點，約十億參數的模型，可接受文字加上音訊上下文並輸出英語語音。現在這成了真正的抉擇——每百萬字元 $7 的 1B 開放檢查點，對上 $15 的封閉端點——而有趣的是，較便宜的那個正是你必須圍繞它建構代理的那個。

Sesame Preview 確切來說是什麼，這樣比較才不會失準

Sesame Preview 是一款已出貨的產品，裡面搭載真實模型，卻沒有辦法租用那個模型。該應用程式的正式環境模型並不是已發布的檢查點：Sesame 發布的是 CSM 1B，這是一個尚未針對特定語音微調的基礎生成模型，而應用程式中那些精緻的人設則是 Sesame 自家的。該應用程式聲稱延遲低於 300 毫秒；第三方對 Maya 人設的測量顯示首字節約為 80–130 毫秒。這兩個數字都無法描述你將實際收到的 CSM 1B。

2026 年 10 月應用程式更新——更佳的表達力與發音、代理程式電腦存取、Gmail、Calendar 與 Drive 連接器、MCP 支援、影像生成器——是路線圖訊號，而非商業訊號。Sesame 表示開發者工具將於「今年稍晚」推出，但未說明會是什麼、價格為何，或會是正式模型還是檢查點。這項決策不應建立在那一句話上。

這兩筆帳單，換算成相同單位

CSM 1B 在提供此服務的託管閘道器上標價為每百萬字元 7.00 美元，依字元而非 token 計費。AssemblyAI-TTS-1 為每百萬字元 15.00 美元，該費率涵蓋 4,000 多種語音庫中的每一個語音、其六種首發語言中的每一種、即時克隆、字詞時間戳記、美國或歐盟處理，以及無限併發。

以一般語速每分鐘約 900 個字元計算，每小時的比較約為 CSM 1B 的 0.35 美元，對比 AssemblyAI-TTS-1 的約 0.81 美元——這個開放檢查點換算到每個字元，成本只有對方的不到一半——而 CSM 的數字最不能說明問題，因為它計價的是模型，而不是整個系統。

維度清單正是兩者完全無法比較的地方：

• 價格 — 每百萬字元 7 美元，相對於 15 美元，且較高價方案包含所有語音與克隆功能。

• 語言 — CSM 1B 是英文，而模型卡直言任何非英語能力都只是附帶的；應用程式將數種語言列為「早期支援」，那是另一種承諾。AssemblyAI-TTS-1 推出時支援六種語言。

• 語音庫存 — CSM 1B 內建七種語音與一個供你複製的基礎模型；AssemblyAI-TTS-1 內建 4,000 多種語音，並可從 24 秒樣本進行即時複製。

• 複製深度 — 兩者皆未提供經訓練的專業級複製。AssemblyAI 的即時路徑需要一道講者授權確認步驟；CSM 1B 以零樣本方式轉移身分，並在過程中壓平了韻律。

• 你必須提供的內容 — CSM 1B 需要編解碼器、輪次偵測、上下文組裝和代理迴圈，外加你必須自行管理的 4K token 上下文預算。AssemblyAI-TTS-1 需要 HTTP 客戶端、串流處理器和取消訊息。

• 延遲證據——AssemblyAI-TTS-1 有供應商聲稱、兩項獨立測量及一項榜單排名。CSM 1B 則有跨越兩個數量級的部署報告。

延遲：宣稱 90 毫秒，實測 159 毫秒，觀測到 9.9 秒

AssemblyAI-TTS-1 的延遲表現有文獻記載，也存在爭議，而這件事其實可以誠實地簡單說明。廠商聲稱在正式環境中首段音訊的延遲為 90 毫秒，而在其實驗室中，首位元組時間的中位數為 47 毫秒。Cekura 以模擬代理的測試獨立測量，得到的串流啟動時間中位數為 159 毫秒，p90 為 296 毫秒，並在它計時的十九個模型中排名第八。這個落差來自方法論上的差異，也就是「請求到首位元組」對比「最後一字送出到首段音訊」，並非不誠實；而第二種測量結果才是你的來電者實際體驗到的。

CSM 1B 的延遲表現與其說有爭議，不如說是毫無上限。經過最佳化的裝置端轉換在 Apple Silicon 上回報首次音訊約需 120 毫秒，即時因子介於 0.5 到 0.9 之間；未經最佳化的 RTX 5070 Ti 據稱大約以一半的即時速度運行；某個代管服務的清單公布端到端 P50 約 9.9 秒、P95 約 39 秒。這些全都描述同一個檢查點。你得到的是哪一種，取決於你投入多少推論服務工程。

這就是整個比較的關鍵，而這並不是在爭論品質。封閉式端點已經完成服務化的工作，並把它算進價格裡：每小時 $0.81，不用 GPU、不用 codec、不用佇列設計。開放式 1B checkpoint 以每小時 $0.35 給你一個模型，並把建置成本高昂的那一部分交還給你。如果你已經具備那套工程能力，checkpoint 是划算得多的選擇。如果你沒有，你每小時省下的 $0.46，跟某人第一個月的時間比起來不過是九牛一毛。

每一個實際上哪裡不好

AssemblyAI-TTS-1 的弱點全都落在真實文本的長尾地帶。Artificial Analysis 在整體發音穩健度上給它 81.7%，排名第十六，縮寫展開則為 73.8%；Cekura 的脈絡化發音測試把它排在二十七個系統中的第二十二名，得分 70.8%，儘管在電話號碼與代碼項目上以 91.7% 名列第一。既沒有發音詞典，也沒有 SSML 可以修正上述任何問題，而且它的六種語言是硬性上限，而非起點。廠商在其自有的 580 項測試集上回報的實體準確率 93.7% 則呈現相反結果，而唯有你自己的語料庫才能判定哪一種量測才真正描述你的流量。

CSM 1B 的弱點是結構性的，而非資料驅動的。它在設計上僅支援英文。它是基礎模型，因此你得到的聲音並不是任何人調校過的聲音。它會在某些生成結果中截掉最後一個詞，在其參考生成器中帶有浮水印，而某些託管包裝器會默默捨棄上下文、語言與最大長度參數——這意味著向你報價 CSM 1B 的閘道器可能並未依照文件所述運行該模型。它的上下文為 4K tokens，最大輸出約 3,686，因此長對話必須由你自行組裝。

有一件事是兩者都不是的，而這對任何從消費端應用程式過來的人來說很重要：對話夥伴。AssemblyAI-TTS-1 將文字轉成語音，並沒有對話狀態的概念。CSM 1B 是兩者中較具對話意識的一個——它會接收音訊上下文作為輸入——但它一次只產生一個回合的語音，且本身沒有回合偵測功能。應用程式表面上的無縫流暢感是產品層面的成果，而這兩個模型都沒有提供這項能力。

人們真正會問的三個問題

CSM 1B 跟 Sesame 應用程式所執行的是同一個模型嗎？ 不是。應用程式執行的是 Sesame 的正式生產模型；這個檢查點是以 Apache 2.0 授權釋出的基礎生成模型，而兩者之間的落差，正是應用程式聽起來像 Maya、但全新部署的 CSM 1B 卻不像的原因。請把應用程式視為 Sesame 能打造出什麼的示範，而不是你會得到什麼的預覽。

在十萬通三分鐘通話的量下，哪個更便宜？ 帳面上，CSM 1B：2.7 億個字元，在 checkpoint 上約 1,890 美元，對比 AssemblyAI-TTS-1 的約 4,050 美元。實際上，checkpoint 的數字不含 GPU 時數、服務工程師，以及為了達到任何接近代理級串流所需的延遲調校工作。在那樣的用量下，誠實的比較是 4,050 美元對上「在你建置完成之前都是未知數」，而未知是兩者中較昂貴的一方。

AssemblyAI-TTS-1 能複製我自己的聲音嗎？ 可以，只要上傳約 24 秒的錄音，並確認你已取得說話者的許可；聲音 ID 會在數秒內回傳，並依與語音庫相同的每字元費率計費。由於並沒有經過訓練的專業複製模型，成果只是一個堪用的身分表徵，而非受治理的品牌資產——而且推出時並未提供微調式複製功能。

這實際上是哪一項決定

如果眼前的名字是 Sesame Preview，停下來：沒有東西需要整合，也沒有價格可比。如果是 CSM 1B，那麼你選的不是 TTS 模型，而是要不要自己擁有服務層——而讓「要」站得住腳的三個條件是：你只需要英文、你有 GPU 容量且有相應的工程師，以及你想把模型放在自己的邊界內。其他一切情況都支持採用端點方案。

通常決定這件事的成本論點，根本不是每字元費率，而是整合：語音代理往往會累積一家 TTS 供應商、一家語音轉文字供應商和一家語言模型供應商，每家都有自己的合約和自己的價格變動週期。OrcaRouter 的存在，就是為了削平這最後一層——單一 API 即可使用 200 多個模型，皆按供應商牌價、0% 加價，因此供應商的降價當天就會反映到你的帳單，而不是等到下一次續約；並具備自動容錯移轉、可將模型組合成單次呼叫的路由 DSL，以及當單一答案不敷使用時的模型融合。AssemblyAI-TTS-1 和 CSM 1B 目前都不在這份目錄中——我們的語音路由是 OpenAI 的 tts-1 系列和 Google 的 Gemini TTS 預覽版——所以這個論點談的是你已經在付的帳單，而不是你在這裡能做出的購買。

Sesame 的應用程式是這個類別中最棒的免費展示，而且最終很可能會推出開發者產品。AssemblyAI-TTS-1 則是一份你本週就能簽約的價目表。綜合這兩項事實，唯一站得住腳的計畫，就是建構在已經存在的那一個之上，並在你的架構中為另一個保留一個位置，以防 Sesame 哪天真的推出模型，而不是只發宣傳手冊。