Simba 3.5 對上 Sesame Preview：一款按字元計價，另一款按席位計價

這是一項乍看之下像拿蘋果比橘子的比較，但一旦把價格算進去，就變成純粹的算術。SpeechifyAI Simba 3.5是一款文字轉語音模型，你按百萬字元購買，並從自己的程式碼中呼叫。Sesame Preview是一款消費級語音代理服務，你在應用程式裡按月、按人購買。兩者都可購買——Sesame 公布了 Free、Plus 和 Pro 方案清單，不再只是免費試用——而且兩者都能產生合成人聲。一個是元件，一個是產品，而要在兩者之間做選擇，唯一誠實的方法是弄清楚你的問題實際需要的是這兩者中的哪一個。

Sesame 這家公司確實有發布一個模型：{{1}}CSM-1B{{/1}}，以 Apache 2.0 授權在 Hugging Face 上開放權重。那不是你在應用程式裡聽到的聲音。應用程式跑的是一套正式生產系統，沒有 API、沒有模型 ID，也沒有獨立的競技場評分，而那份研究發布自 2025 年以來就沒有再更新過。這個落差是本文最重要的一件事實，也是這兩個產品無法相互替代的原因。

每一項的成本，換算成相同單位

計價單位不一致，正是大多數評述打住的地方，所以就先從那裡開始。Simba 3.5 是按輸入文字的字元計費。Sesame 則是按席位每月計費，並附帶通話時數額度。這兩種費率都無法乾淨地換算成彼此，但兩者都能換算成「這對我的組織一個月要花多少錢」，而這項比較的差距並不小。

• Simba 3.5，自 11 月 22 日起的定價 — Starter 每百萬字元 $15.00，Pro $12.00，Scale $10.00

• Simba 3.5，即日起至 11 月 21 日——每百萬字元 $10.00、$8.00 與 $6.00，為較舊模型的費率

• Sesame Free — $0，每天 30 分鐘通話時間

• Sesame Plus — 每月 20 美元，每天兩小時通話時間，每週額度為 Free 的四倍

• Sesame Pro — 每月 $100，每天十小時通話時間，是 Free 每週額度的二十倍

• Sesame 加購項目 — 額外一小時通話時間 5 美元，五小時 20 美元；額度每 1,000 個 5 美元、每 5,000 個 20 美元，這些加購包不會過期

在 Scale 方案上，Simba 3.5 的一千萬個字元要價 100 美元，大約可渲染出兩百小時的成品語音。Sesame Pro 每月 100 美元，可讓一個人每天有十小時的通話時間。這些是不同產品，卻有著同樣的發票明細列，而且真的很難說哪一個更划算，因為一個是在產出資產，另一個是在進行對話。

Sesame 值得標記的數字是超額費率，而非訂閱費。每小時 5 美元的額外通話時間約合每分鐘 0.083 美元，這對一場對話來說很貴，但對你決定擺在客戶面前的產品來說卻很便宜。這些加購包永不過期，且會在方案額度用完後才扣用，因此要建模的是邊際小時的數字，而不是主打的方案等級。

Simba 3.5 究竟是什麼？

Simba 3.5 於 2026 年 10 月 21 日推出，作為 Speechify 推薦的模型，取代 Simba 3.2 成為今後英語的首選，並在單一 model id 下將涵蓋範圍從六種語言擴展到 48 種。目錄中的每個語音都能說全部 48 種語言，包括付費方案中的複製語音，且使用相同的 voice id。愛沙尼亞語和粵語則明確排除在外。Voice id、輸出格式、語音標記與套用的 SSML 子集都沿用自 3.2，因此遷移只需對 model 欄位做一行變更，無需提升 API 版本。

在 Artificial Analysis 上，它在 Controlled Voice 以 {{1}}1,192{{/1}} 排名第一，在 Provider Voice 以 {{2}}1,294{{/2}} 排名第五，樣本數分別為 {{3}}1,783{{/3}} 與 {{4}}1,732{{/4}}。對這項比較而言，受控排行榜才是有意義的：它為每位參賽者複製同樣的八個參考語音，因此能在該榜取得好成績的模型，就能處理它從未聽過的聲音。這正是複製語音工作流程所要求的。

Speechify 自家公布的數字，公司外部無人能重現：相較於 Simba 3.2 有 63% 的盲測偏好度，並宣稱 95% 區間為 60% 到 67%；在串流請求的第 95 百分位，首次音訊時間為 72 毫秒；每個服務執行個體的輸送量是 Simba 3.2 的 1.8 倍。這些數字與競技場數據並列，屬於廠商聲稱，而非獨立測量，應以此方式解讀。

Sesame Preview 究竟是什麼

Sesame Preview 是一款語音優先的代理應用程式，自 2026 年 5 月起公開預覽，具備具名角色、可跨工作階段保留的記憶，以及實際執行任務的能力——搜尋、筆記、提醒——並在通話結束時提供摘要。它可在 iOS 與 Android 上執行，透過應用程式商店而非網路販售上述三個方案，並為應用程式未開放國家/地區的使用者保留免費的瀏覽器版 Research Preview，每日上限與 Free 方案相同，皆為 30 分鐘。

其工程設計以輪次交替（turn-taking）為核心，而非語音渲染，且該公司已就此發表實質研究。TurnBench 於 2026 年 8 月 28 日發布，並在 arXiv 上附有論文，透過三十小時的雙聲道錄音室錄音來衡量對話的時間安排——154 段對話、106 位配音員組成 53 對，分別在獨立的隔音錄音間錄製——並對照兩種近似失誤來為輪末偵測與插話評分。目前排行榜上有 25 個排名系統。它們都不是文字轉語音模型，因為這項任務並不相同。

關鍵在於：根本沒有 Sesame 模型端點。沒有 id、沒有費率表、沒有參考語音參數。開發者無法從程式碼呼叫 Sesame Preview，就像他們無法用程式碼「打一通電話」一樣。唯一可載入的 Sesame 成品是 CSM-1B，而 Sesame 明確表示，CSM「只能對對話中的文字與語音內容建模——而非對話本身的結構」。

決定勝負的不對稱性

Simba 3.5 能做到 Sesame 所做之事的狹窄、局部版本。你可以對它進行串流，而串流加上良好的語音辨識模型，正是現今大量生產級語音代理的建構方式。它做不到的是決定何時停止說話、在說話時聆聽，或接受打斷——那些是圍繞它的編排層的特性，而你得自行打造這些特性。

Sesame 無法做到 Simba 3.5 為開發者提供的任何一種功能。你無法以按字元計費的方式將其語音放進你的產品 UI、用它製作有聲書，或用它將整個目錄本地化。你可以與它對話，你的使用者也可以與它對話，而這就是它全部的能耐。

所以，這個決定歸結為一個問題：你要推出的是什麼。如果語音是內建在你所打造的產品裡，那麼 Simba 3.5 就是候選方案，而 Sesame 不在名單上。如果你想要的是完整的成品體驗——一個能與人對話並跑腿辦事的角色人設——那你買的是 Sesame 的應用程式，而語音品質的問題，正由一家尚未將其開放供外界衡量的公司替你回答。

就本地化案例而言，差距是全然的。

Simba 3.5 支援 48 種語言。Sesame Preview 只處理英文，而其方案對語言毫無差別，因為產品本身就只有英文。對於任何文字並非英文的工作負載，這項比較在規格表的第一段就結束了。

不過，有個細微差別值得保留。Speechify 的 48 種語言附帶一項供應商直白說明的但書：每個聲音會保留其來源錄音的口音，因此克隆的美式聲音說日語時，聽起來就像美國人在說日語。該公司自身的指引是使用各語區原生的 staff-pick 聲音來生成，這也是為什麼其 voices 端點現在會公開 staff_pick_rank。跨語言功能有支援；但無口音的跨語言並不是其宣稱。

Sesame 對口音問題的處理方式在性質上不同：角色人格有一種聲音，而由於對話只以單一語言進行，這個聲音不會隨語言轉移。對消費性產品而言，這不是限制；對型錄而言，卻是硬性阻礙。

OrcaRouter 適合的地方，以及不適合的地方

OrcaRouter 並未提供這兩款產品。Simba 3.5 是透過 Speechify 自家的 API 使用；Sesame Preview 則是透過應用程式商店取得。不應將此處任何內容解讀為相反的主張。

我們所路由的是較小的語音合成目錄，你在測試語音決策時會把它當作對照組：openai/tts-1 每百萬字元 15.00 美元，以及 openai/tts-1-hd 為 30.00 美元，兩者皆為供應商定價，未加收任何費用。如果你正在權衡 Simba 3.5 與其他任何方案——包括與你已在使用的 OpenAI 語音相比——用同一把金鑰將同一份腳本透過兩者渲染，會比走一趟採購流程更省成本，而且自動容錯移轉意味著供應商發生事故時，不會連帶拖垮你的渲染佇列。

就對話情境而言，並不存在所謂的路由器答案，硬要假裝有則是不誠實的。Sesame Preview 並不是一個端點。如果你正在打造的產品需要輪流發言（turn-taking）機制，你真正該做的比較，是將 Simba 3.5 加上你自己的編排層，對比由有販售即時語音轉語音 API 的廠商所提供的服務——而那是另一篇文章了。

那麼，是哪一個呢？

如果你正在打造產品，請選擇 Simba 3.5：你需要一個端點、可預測的按字元計費帳單、可計數的語言清單、能沿用至 48 個地區設定的克隆語音，以及在供應商未挑選的參考語音上取得排行榜榜首的可控語音分數。它也已經歷一個曾變更一次的價格方案三週，且伴隨 model-id 遷移——simba-multilingual 和 simba-english 將由 Simba 3.5 提供——於 11 月 21 日落地，因此請刻意固定你的 model id，而不是依賴預設值。

選擇 Sesame Preview，如果你符合以下情況：你想要一個具備記憶與任務執行能力的對話代理，你能接受它的聲音未經任何獨立評測機構衡量，而一天十小時的對話時間、$100 的價格，是你願意對應到它所做工作價值的數字。它是成品，而非原料，而成品自有其相應的定價。

這種比較容易招致的錯誤，是把它們當成競爭對手，因為兩者聽起來都像人的名字。它們以不同的單位販售、以不同的方式被使用，而且其中一個根本無法從程式碼中呼叫。這不是一場待分勝負的平局——而是一個岔路口，且多數團隊早已知道自己站在哪一側。