Đừng nhầm bản xem trước với một API có thể mua
Công cụ giọng nói AI là phần mềm biến văn bản hoặc lời nói thành âm thanh hội thoại, được cung cấp dưới dạng ứng dụng cho người dùng hoặc thành phần API để nhà phát triển tích hợp. Với cách hiểu đó, Sesame Preview, Rime Prism và AssemblyAI-TTS-1 không phải ba lựa chọn ngang hàng: một bên là ứng dụng gây ấn tượng bởi giọng tự nhiên, hai bên còn lại có đường triển khai cho sản phẩm.
Sesame Preview được biết đến nhờ giọng nói giàu biểu cảm, nhưng hiện không có API công khai, mã mô hình, endpoint hay bảng giá cho giọng sản xuất trong ứng dụng. Vì vậy, chất lượng nghe thử không đồng nghĩa với khả năng đưa giọng ấy vào tổng đài hay trợ lý của bạn. Rime Prism ra mắt ngày 28 tháng 10 năm 2026 như mô hình chuyển giọng nói sang giọng nói đầu tiên của Rime; AssemblyAI-TTS-1 ra mắt ngày 27 tháng 10 năm 2026 và truyền phát qua HTTP lẫn WebSocket. Đây là khác biệt thực dụng hơn mọi màn so tài nghe thử: có thể gọi dịch vụ hay không.
| Tiêu chí | Rime Prism | AssemblyAI-TTS-1 | Sesame Preview |
|---|---|---|---|
| Hình thức | Endpoint chuyển giọng nói sang giọng nói | API tổng hợp giọng nói | Ứng dụng tiêu dùng |
| Khả năng tích hợp | Cloud, VPC và tại chỗ; WebSockets | HTTP và WebSocket | Không có API công khai cho giọng trong ứng dụng |
| Giá được nêu | Có giá theo phút | Có giá theo ký tự | Không có bảng giá cho nhà phát triển |
| Ngôn ngữ lúc ra mắt | Tiếng Anh | Sáu ngôn ngữ | Tiếng Anh |
Chi phí thấp hơn có thể đòi hỏi bạn tự xây cả hệ thống
Trong so sánh AI chuyển văn bản, Sesame CSM 1B mới là đối tượng thích hợp để đặt cạnh một API thương mại. Đây là checkpoint mở theo giấy phép Apache 2.0, khoảng một tỷ tham số, nhận văn bản cùng ngữ cảnh âm thanh và tạo giọng tiếng Anh. Mức giá được nêu cho CSM 1B thấp hơn AssemblyAI-TTS-1, nhưng đó là phí mô hình, không phải chi phí của một tác nhân hoàn chỉnh: bạn vẫn phải có năng lực GPU, kỹ sư và lớp phục vụ.
AssemblyAI-TTS-1 có mức giá API công khai theo ký tự, cùng thư viện hơn 4.000 giọng, nhân bản giọng tức thì và dấu thời gian từng từ. Prism tính theo phút âm thanh cuộc gọi, có gói miễn phí và các phương án triển khai doanh nghiệp. Không thể so hai cách tính như thể chúng đo cùng một thứ: phút cuộc gọi gắn với phiên tương tác, còn ký tự gắn với lượng nội dung được tổng hợp. Với người cần đưa sản phẩm ra nhanh, endpoint thường đáng giá hơn khoản tiết kiệm danh nghĩa từ một mô hình phải tự vận hành.
Sesame Preview miễn phí cho người dùng, nhưng điều đó không tạo ra một lựa chọn triển khai miễn phí cho doanh nghiệp. Ứng dụng là sản phẩm; CSM 1B là thành phần giọng nói; chúng không thể thay thế lẫn nhau.
Độ trễ quan trọng, nhưng hãy so đúng phép đo
Độ trễ tổng hợp giọng nói quyết định cuộc trò chuyện có liền mạch hay khiến người dùng tưởng hệ thống đã ngừng nghe. Prism có thời gian đến âm thanh đầu tiên được nhà cung cấp đo là 0,57 giây trên τ-Voice. Sesame tuyên bố ứng dụng phản hồi dưới 300 mili giây; một phép đo bên thứ ba với nhân vật Maya ghi nhận thời gian đến byte đầu tiên khoảng 80–130 mili giây. Nhưng số liệu ứng dụng Sesame không đại diện cho CSM 1B mà nhà phát triển có thể tự triển khai.
Với AssemblyAI-TTS-1, một phép thử mô phỏng tác nhân độc lập ghi nhận thời gian khởi động truyền phát trung vị 159 mili giây và 296 mili giây ở phân vị 90. Một bảng đo khác về CSM 1B đưa ra khoảng 9,9 giây ở P50 và 39 giây ở P95 cho toàn bộ lượt xử lý. Những con số này không nên được xếp chung thành bảng xếp hạng trực tiếp: phép đo khác nhau về mô hình, môi trường và mốc bắt đầu–kết thúc. Hãy thử với hội thoại, mạng và phần cứng thực tế của ứng dụng trước khi cam kết.
Cả Prism và Sesame đều chỉ hỗ trợ tiếng Anh khi ra mắt, và cả hai chưa có mặt trong chỉ số độc lập chuyên về mô hình giọng nói hội thoại được nêu trong tài liệu. Đây là lý do không nên chọn chỉ dựa trên một con số độ trễ hay một bản demo ấn tượng.
Chọn theo đường triển khai, không theo tiếng vang
Phán quyết của tôi: nếu cần triển khai ngay, hãy ưu tiên endpoint có tài liệu, đường truyền và mô hình tính phí phù hợp. Prism đáng cân nhắc cho tổng đài và tác nhân thời gian thực cần tích hợp WebSocket, tùy chọn VPC hoặc tại chỗ. AssemblyAI-TTS-1 phù hợp khi bạn cần API tổng hợp giọng nói đa ngôn ngữ và các tính năng sản xuất đi kèm. Sesame Preview nên được xem là trải nghiệm để đánh giá chất giọng, không phải dịch vụ có thể đưa vào ứng dụng.
- Mua nếu bạn cần triển khai thoại qua API ngay: chọn endpoint thương mại, rồi kiểm thử độ trễ trên luồng thực tế.
- Bỏ qua nếu bạn định tích hợp Sesame Preview: hiện không có API hay bảng giá cho giọng trong ứng dụng.
- Mua nếu bạn cần kiểm soát triển khai doanh nghiệp: xem xét Prism với lựa chọn cloud, VPC hoặc tại chỗ.
- Bỏ qua CSM 1B nếu không có năng lực GPU và kỹ sư để tự vận hành, hoặc nếu cần ngôn ngữ ngoài tiếng Anh.
- Chọn CSM 1B nếu muốn tự sở hữu lớp phục vụ, chỉ cần tiếng Anh và chấp nhận xây dựng tác nhân xung quanh mô hình.
- Chọn AssemblyAI-TTS-1 nếu ưu tiên endpoint sẵn có, nhiều giọng và hỗ trợ sáu ngôn ngữ ra mắt.
Tóm lại, Sesame Preview thắng ở sức hút của trải nghiệm nghe nhưng chưa phải lựa chọn mua cho nhà phát triển. CSM 1B mở ra con đường tự xây; Prism và AssemblyAI-TTS-1 bán khả năng triển khai. Hãy chọn theo việc đội ngũ của bạn muốn sở hữu cả hệ thống hay muốn tích hợp một endpoint đáng tin cậy.
