Eleven Realtime v1 Max vs. Sesame Preview: Die Stimme, die das Ohr gewinnt, verliert die Aufgabe

Fragt man jemanden, welcher Sprachassistent am menschlichsten klingt, wird man S​esame Preview hören. Fragt man, welches Modell ein Unternehmen hinter eine Telefonnummer legen kann, lautet die Antwort Eleven Realtime v1 Max, ein Speech-to-Speech-Modell, das am 20. Oktober 2026 angekündigt wurde, in einer festen Evaluierung 87,1 % der Aufgaben löst, in 0,57 Sekunden antwortet und über ElevenAgents oder eine O​penAI-kompatible Realtime API verfügbar ist. S​esame Preview ist eine Consumer-App mit vier namentlich genannten Begleitern und keiner Möglichkeit, die darin enthaltene Stimme zu kaufen. Die dokumentierten KI-Vorfälle und Agentenfehler hinter Modellen dieser Klasse werden im OrcaRouter AI Incident Archive gesammelt, wobei jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seine Konfidenzstufe und seine Kennzeichnung als umstritten enthält.

Das ist kein Knockout, weil die beiden Produkte unterschiedliche Ziele verfolgen und das Argument für S​esames Stimme stichhaltig ist. Die Forscher von S​esame haben früh und öffentlich die Idee vertreten, dass das Timing im Gespräch – das Mm-hmm, die Überlappung, die Bereitschaft, mitten im Satz nachzugeben – das Uncanny Valley ist, nicht die Klangfarbe. Die Dokumentation von E​levenLabs setzt aus der anderen Richtung auf dieselbe These: Mini wird so beschrieben, dass es erkennt, ob ein Sprecher fertig ist oder nur dazwischenredet. Zwei Labore, eine These, entgegengesetzte Geschäftsmodelle.

Interessant wird der Vergleich dort, wo es darum geht, was jede der beiden tatsächlich gemessen hat. ElevenLabs veröffentlicht sechs Zahlen und einen Evaluierungspartner. Sesame veröffentlicht ein Erlebnis.

Was jedes Einzelne genau ist

Eleven Realtime v1 Max ist ein einziges Netzwerk, das Erkennung, Turn-Taking, Reasoning und Sprachgenerierung zusammen ausführt und für komplexe Aufgaben mit mehrstufiger Tool-Nutzung positioniert ist: Kundensupport, Lead-Qualifizierung, unterstützte Terminplanung. Sein günstigeres Geschwistermodell, Eleven Realtime v1 Mini, ist der Standard für neue ElevenAgents-Agenten und zielt auf natürliche Gespräche zu geringeren Kosten ab. Max ist auf zwei Wegen erreichbar – über das ElevenAgents-Dropdown, in dem ElevenLabs das LLM, das TTS-Modell, den ASR-Anbieter und die Reasoning-Einstellungen für Sie verwaltet, oder über eine Realtime-API, die OpenAIs Realtime-Ereignisprotokoll über WebSocket unter wss://api.elevenlabs.io/v1/convai/realtime.

S​esame Preview ist ein kostenloser Sprachassistent für Verbraucher: vier benannte Agenten – Maya, Miles, Simone, Charlie –, verfügbar unter iOS und im Web, und wird von nahezu allen, die ihn ausprobieren, als der natürlichste Sprachassistent auf dem Markt beschrieben. Er behält den Kontext über Sitzungen hinweg, durchsucht das Web und legt Erinnerungen an. Er bucht, kauft oder archiviert nichts. Es gibt keine Enterprise-Stufe, keine veröffentlichten Preise und keine öffentliche API für die Stimme, die man in der App hört.

Beide sind vollduplexe Konversationssysteme, deren Sprecherwechsel so gut funktioniert, dass er den Menschen nicht mehr auffällt. Dort endet die Ähnlichkeit – und dort gibt es auf die Frage „Welches ist besser?“ nicht mehr die eine Antwort.

Die Zahlen, die einer von ihnen hat

Artificial Analysis hat Eleven Realtime v1 Max unabhängig mit demselben Prüfaufbau bewertet, den es für jedes Speech-to-Speech-Modell verwendet. Dies sind die Zahlen von Artificial Analysis, nicht die von ElevenLabs:

• Sprachliches Schlussfolgern (Big Bench Audio) — Max. 98,8%

• Gesprächsdynamik (Full-Duplex-Bench) — max. 94,1 %

• Erfolgsquote bei Aufgaben — Max. 87,1 %

• Arena-Präferenz (Elo) — Max. 997

• Zeit bis zum ersten Audio — Max. 0,57 s

• Kosten pro Stunde für Eingabe-Audio — Max. 4,80 $

• Agentische Leistung (τ-Voice) — Max nicht gemessen

• Sprache-zu-Sprache-Index — Max nicht bewertet

S​esame Preview erscheint in keiner dieser Zeilen. Es hat keine öffentliche API, daher kann keine unabhängige Testumgebung es ausführen, und das Verhalten der App selbst wurde von niemandem außerhalb von S​esame jemals in Bezug auf Aufgabenabschluss oder Latenz gemessen. Wenn Leute sagen, S​esame klinge besser, geben sie einen Höreindruck wieder, und der ist legitim — er ist einfach nicht dieselbe Messung wie eine Arena, hinter der eine Methodik und ein Präferenzmodell stehen.

Das gilt in beide Richtungen. Die 997 Arena-Elo ist eine echte Zahl von echten Hörern und platziert Max hinter Grok Voice 3.0 mit 1.064, GPT-Live-1 (Sol, low) mit 1.047 und Gemini 3.8 Live mit 1.078. ElevenLabs gewinnt in den Zeilen für Reasoning und Geschwindigkeit und gewinnt nicht in der Präferenzzeile. Wenn dein Bauchgefühl sagt, dass Sesames Stimme besser ist als die von Max, passt das Arena-Ergebnis zu diesem Gefühl – es wurde nur zufällig gegen andere API-Modelle gemessen, nicht gegen Sesame.

Die Open-Weight-Frage – genau hier gehen die meisten Vergleiche schief

Jeder Artikel, der die Stimme von S​esame lobt, lobt die App, und die Stimme der App ist ein geschlossenes Produktionsmodell, das S​esame nie als Endpunkt veröffentlicht hat. Was S​esame als Open Source veröffentlicht hat, ist CSM-1B, ein 1-Milliarden-Parameter-Konversationssprachmodell aus der Moshi-Familie, unter Apache-2.0. Es ist ein Synthesebaustein, kein Assistent: Ein Llama-Backbone sagt das erste Mimi-Codebook voraus, ein kleinerer Llama-Decoder sagt den Rest voraus, und ein Mimi-Codec macht daraus eine Wellenform mit 24 kHz. Es ist englischsprachig ausgerichtet, es klont eine Stimme aus einem kurzen Referenzclip, und es kann überhaupt keinen Text generieren – man kombiniert es mit einem separaten Sprachmodell.

Wer beide ausprobiert hat, beschreibt die Stimme von CSM-1B als deutlich schwächer als die der Preview-App, und Sesames eigene Modellkarte stützt diese Lesart: Eine feinabgestimmte Variante von CSM treibt die interaktive Demo an, und diese Variante ist nicht der Checkpoint, den man herunterladen kann.

Die ehrliche Version von „Sesame vs. ElevenLabs“ lautet also so: Sesame hat eine wunderschöne geschlossene Stimme, die man nicht aufrufen kann, und einen kleinen offenen Syntheseblock, den man aufrufen kann, und sie sind nicht dasselbe Modell. ElevenLabs hat ein aufrufbares Modell, dessen Stimme messbar gut, aber nicht die beliebteste ist, und einen Preis. Die Asymmetrie, die für jemanden, der etwas baut, zählt, ist nicht, welches besser klingt; sie besteht darin, welches einen Endpunkt hat – und das ist alles andere als knapp.

Wo der Merge in der Produktion auftaucht

E​levenLabs argumentiert, dass die Zusammenführung von Spracherkennung, Sprecherwechsel, Schlussfolgern und Stimme in einem einzigen abgestimmten System die Nähte beseitigt, die eine Kaskade hinterlässt.

In ElevenAgents ist die Zusammenführung wörtlich zu nehmen, und sie hat einen Preis: Solange ein Realtime-Modell festgelegt ist, werden LLM, Reasoning-Aufwand, Denkbudget, parallele Tool-Aufrufe, Cascade-Timeout, TTS-Modell, Expressive-Modus und ASR-Anbieter allesamt von ElevenLabs verwaltet und beim Agenten ignoriert. Ein Workflow-Knoten kann sie nicht überschreiben, und der Agent kann überhaupt kein benutzerdefiniertes LLM und auch nicht Amazon Bedrock verwenden. Wähle das Modell, und du wählst den gesamten Stack darunter.

Die Compliance-Matrix ist auf eine Weise unausgewogen, die alle überraschen wird, die dies regionsübergreifend ausrollen:

• Datenresidenz — Max läuft in den USA und der EU, aber nicht in Indien oder Singapur, wo nur Mini angeboten wird

• Zero-Retention-Modus und HIPAA — Max wird in den USA und der EU unterstützt; Mini wird unter keinem von beiden unterstützt

• Tokenlimit — Max erfordert 1.024 Tokens oder kein Limit, und Workflow-Knoten können dies nicht überschreiben

• Agenten-Transfers — Ein Agent im Realtime-Modus kann nur zu und von anderen Agents im Realtime-Modus weiterleiten, wobei Mini-to-Max erlaubt ist.

• Transport – zum Start kein WebRTC; die Realtime API ist ausschließlich WebSocket

Diese Regeln werden beim Veröffentlichen durchgesetzt, nicht beim Speichern: Ein Entwurf, der eine davon verletzt, lässt sich problemlos speichern und schlägt beim Veröffentlichen fehl – mit einer Fehlermeldung, die die betreffende Einstellung nennt. Wenn Sie prototypen, ist das ein kleines Ärgernis. Wenn Sie in eine regulierte Warteschlange ausliefern, entscheidet es darüber, welche Variante Sie in welcher Umgebung verwenden können, und die günstigere ist nicht immer die konforme.

Welcher gehört in deinen Stack

Wählen Sie Eleven Realtime v1 Max, wenn die Stimme ein Mittel zum Zweck ist und der Anruf ein Ergebnis liefern muss – Support-Triage, Terminplanung, Qualifizierung. Sie erhalten heute einen Endpoint, ein O​penAI-kompatibles Event-Protokoll, das die Migration von einer Realtime-Integration zu einer Änderung an zwei Strings macht, eine gemessene Task-Erfolgsrate von 87,1 %, den schnellsten starken Reasoner im Feld und einen Preis, den Sie mit 4,80 US-Dollar pro Stunde Audio kalkulieren können. Akzeptieren Sie, dass der Rollout noch läuft, dass sein agentisches Verhalten nicht gemessen ist und dass seine Stimme nicht die Spitze der Präferenz-Arena bildet.

Wählen Sie S​esame Preview, wenn Sie untersuchen, wie sich Gesprächsqualität anfühlen sollte, oder ein Verbraucherprodukt entwickeln, bei dem das Gespräch das Produkt ist. Es ist kostenlos, es klingt besser als alles, was die meisten Leute ausprobiert haben, und es ist eine gute Möglichkeit, Ihren Geschmack zu kalibrieren. Planen Sie keine Integration darum herum: Es gibt nichts, womit man es integrieren könnte, und CSM-1B ist nicht das Modell in der App.

Wählen Sie CSM-1B nur, wenn Sie einen offenen, selbst hostbaren Syntheseblock wünschen und bereit sind, den Rest — eine ASR, ein Sprachmodell, eine Turn-Taking-Schicht — darum herum aufzubauen. Es steht unter Apache-2.0 und ist in dieser Rolle wirklich nützlich. Es ist kein Konkurrent zu Max und war nie als solcher gedacht.

Hybrid – und die Hälfte, bei der ein Router helfen kann

Die meisten seriösen Sprachprodukte mischen am Ende Modelle, statt sich für eines zu entscheiden. Ein natürlich klingendes Modell in den Eröffnungs- und Bestätigungsschritten, wo Wärme und Latenz spürbar sind; ein bei der Aufgabenerledigung zuverlässiges Modell in den Transaktionsschritten, wo ein Fehler eine verlorene Buchung bedeutet. Weder Eleven Realtime noch Sesame machen das innerhalb einer einzigen Verbindung einfach – ElevenLabs’ Realtime API ist ein separates Produkt von ElevenAgents und läuft ausschließlich über WebSocket, und Sesame hat keine API, mit der man mischen könnte.

Wo eine Routing-Schicht ihren Platz tatsächlich verdient, ist eine Ebene tiefer – bei der Arbeit, die das Sprachmodell delegiert. Bei OrcaRouter sind das 209 Modelle von 16 Upstream-Anbietern hinter einem Schlüssel, zum Listenpreis des Anbieters ohne Aufschlag, mit automatischem Failover, wenn ein Anbieter einen Fehler meldet. Modell-Fusion ermöglicht es einem Panel, gemeinsam zu antworten, wenn das Urteilsvermögen eines einzelnen Modells nicht ausreicht; die Routing-DSL setzt mehrere zu einem einzigen Aufruf zusammen. Eleven Realtime v1 Max selbst ist nicht in unserem Katalog – es gibt keinen Drittanbieter-Endpunkt dafür –, daher ist die ehrliche Grenze, dass wir das Retrieval, die Zusammenfassung und die Analyse nach dem Anruf routen können, nicht aber die Stimme.

Was diesen Artikel ändern würde, wäre ein Benchmark, der Natürlichkeit so misst, wie die Arena Präferenz misst, ausgeführt sowohl über S​esames App als auch über die API-Modelle – oder ein Endpunkt für S​esames Produktionsstimme. Beides würde eine Wahl zwischen Zugang und Erfahrung in einen tatsächlichen Vergleich verwandeln. Bis dahin kann man eines dieser Modelle aufrufen und das andere nur bewundern, und das entscheidet mehr als jeder Hörtest.