Fish Audio Live 3 vs. Sesame Preview: Zwei Antworten auf Turn-Taking, eine davon messbar

Sesame hat einen Benchmark für genau das Problem gebaut, von dem Fish Audio Live 3 behauptet, es gelöst zu haben, und dann hat Fish Audio ein Modell ausgeliefert, das darin nicht vorkommt. Das ist die Kurzfassung dieses Vergleichs. Sesame Preview – das Consumer-Produkt mit vier Agenten, das auf dem Conversational Speech Model des Labors läuft – veröffentlichte im August 2026 TurnBench: dreißig Stunden dreifach annotierter Sprache zwischen zwei Personen, eine öffentliche Rangliste, einen interaktiven Gesprächsviewer und Ergebnisse für vierzehn Systeme. Fish Audio Live 3, am 10. November 2026 angekündigt, argumentiert, dass Gesprächstiming im Sprachmodell erlernt werden sollte, statt durch Stille-Schwellenwerte aufgezwungen zu werden, und veröffentlicht drei Beispielanrufe und einen Wert von 186 Millisekunden. Das Argument ist dasselbe Argument. Die Evidenz ist nicht dieselbe Evidenz.

Alles Weitere ergibt sich daraus, wie unterschiedlich die beiden Unternehmen dieses Argument in ein Produkt umgesetzt haben. Live 3 wird verkauft: 0,035 US-Dollar pro Minute auf der Agent Platform von Fish Audio während einer Aktion, die am 31. Dezember 2026 endet, dazu eine dokumentierte API und eine On-Premises-Option für Unternehmen. Sesame Preview wird verschenkt: vier feste Persönlichkeiten in einer iOS- und Android-App, ohne API, ohne Modellkennung für die Stimme in der App und ohne irgendeine Abrechnung pro Token oder pro Minute. Auf eines davon können Sie diese Woche aufbauen. Das andere können Sie nur anhören.

Der Test, den es gibt, und warum Live 3 nicht dabei ist

Turn-Taking ist die seltene Fähigkeit, bei der sich die Branche auf eine Messmethode verständigte, bevor die Modelle aufkamen – und Sesame hat großen Anteil daran. TurnBench, veröffentlicht am 28. August 2026 und entwickelt mit der Carnegie Mellon University, Mundo AI und Oto, bewertet Systeme danach, wie sie genau mit den Ereignissen umgehen, die einen Telefonagenten falsch wirken lassen: eine Bestätigung, die nicht den Gesprächszug an sich reißen sollte, eine Unterbrechung, die es sollte, eine Pause, die kein Ende ist. Die Rangliste ist öffentlich, das Entwicklungs-Set steht zur Selbstnutzung bereit, und die Ergebnisse umfassen vierzehn Systeme.

Fish Audio Live 3 ist nicht darunter, und auch kein anderes Duplex-Modell von Fish Audio. Das ist kein Skandal – ein im November veröffentlichtes Modell kann nicht auf einer Rangliste vom August stehen –, aber es ist die nützlichste einzelne Tatsache in diesem Vergleich, denn sie verrät, welche Art von Behauptung jedes Unternehmen aufstellt. Sesame hat sein eigenes Produkt in einen öffentlichen Test gesetzt, den es mitentwickelt hat und bei dem jeder die Punktzahl überprüfen kann. Fish Audio hat sein Produkt auf eine Werbe-Preisliste gesetzt, auf der jeder den Preis überprüfen kann.

Beide sind legitime Markteinführungen. Nur eine davon ermöglicht es einem Außenstehenden zu überprüfen, worum es beim Marketing tatsächlich geht.

Was jede Seite tatsächlich liefert

• Was es ist — {{1}}Fish Audio Live 3{{/1}} ist ein Vollduplex-Sprachmodell hinter einer Agentenplattform; Sesame Preview ist eine Consumer-Assistenten-App mit vier Agenten – Maya, Miles, Simone und Charlie –, die jeweils über ein eigenes Gedächtnis verfügen.

• Distribution — Live 3: Self-Service-Plattform, dokumentierte API, Enterprise-On-Premises. Sesame Preview: iOS- und Android-Apps, kostenlos, keine API, keine Modell-ID für die Stimme in der App.

• Preis — Live 3: 0,035 $/Min. als Aktionspreis, 0,07 $ Listenpreis, zuzüglich 0,01 $/Min. für Telefonanrufe und 1,20 $/Monat pro Nummer. Sesame Preview: kein veröffentlichter Preis und keine veröffentlichte Tarifstufe; die App ist kostenlos herunterladbar.

• Sprachen — Live 3: zum Start nur Englisch, nach Fish Audios eigenen Worten, obwohl die umgebende Plattform Stimmen in über 30 Sprachen bewirbt. Sesame Preview: englischzentriert, laut den eigenen Forschungsnotizen des Labs hauptsächlich auf Englisch trainiert.

• Unabhängigkeit — Live 3: Stand 11. November 2026 keine veröffentlichten Benchmarks jeglicher Art und kein Eintrag im Speech-to-Speech-Board von Artificial Analysis. Sesame Preview: Auch für die Stimme der App gibt es keine unabhängige Bewertung, aber ein öffentliches Turn-Taking-Leaderboard, das das Unternehmen mit aufgebaut hat und veröffentlicht.

• Offenheit — Live 3: keine Gewichte, keine Lizenz, kein Repository. Sesame: ein offener Checkpoint, CSM-1B, Apache-2.0 auf Hugging Face seit März 2025 — der allerdings nicht die Stimme in der App ist.

• Interface — Live 3: Du integrierst es. Sesame Preview: Du sprichst mit ihm.

Das Vokabularproblem, das beide Unternehmen gemeinsam haben

Keines der beiden Produkte veröffentlicht genug, um das vergleichen zu können, worauf es Ihnen tatsächlich ankommt, und beide verwenden dafür dasselbe Wort. Fish Audio nennt es den Rhythmus des Gesprächs und beschreibt eine Telefonnummer, die in Abschnitten vorgelesen wird – „415… 555… 0132“ –, wobei ein herkömmlicher Agent drei getrennte Enden des Gesprächsbeitrags hört. Das Marketing von Sesame nennt dasselbe Verhalten Präsenz, und in den Versionshinweisen von Oktober 2026 heißt es, das Unternehmen habe sein Conversational Speech Model aktualisiert, um Ausdruckskraft und Aussprache zu verbessern, mit weniger Unterwürfigkeit und weniger wiederholten Phrasen. Beide Aussagen sind in der vorliegenden Form nicht falsifizierbar. Keines der beiden liefert eine Zahl.

Der Unterschied ist, dass Sesame das Lineal geliefert hat. Wenn Fish Audio den Vergleich in der Sache führen möchte, ist das Entwicklungsset von TurnBench offen und selbstbewertend; das Scoreboard wartet auf einen Eintrag.

Was ein Builder mit jedem einzelnen tun kann und was nicht

An diesem Punkt sind die beiden Produkte schlicht nicht mehr vergleichbar. Sesame Preview ist keine Komponente. Es gibt keinen Endpoint, keine Session-API und keine Möglichkeit, seine Stimme hinter die eigene Telefonnummer zu legen, und der einzige Sesame-Checkpoint, den man außerhalb der App laden kann, ist CSM-1B, ein Modell mit 1 Milliarde Parametern aus März 2025, das der Stimme in der aktuellen App um anderthalb Jahre Arbeit vorausliegt. Ein Team, das das Gesprächsgefühl von Sesame in ein Produkt bringen will, hat heute keinen Weg dorthin, der nicht Warten bedeutet.

Live 3 ist der entgegengesetzte Kompromiss. Es ist auf die Weise geschlossen, auf die es ankommt – keine Gewichte, keine Möglichkeit, es außerhalb eines Enterprise-Vertrags selbst zu hosten –, aber es ist auf die Weise offen, die es Ihnen ermöglicht auszuliefern: ein Agent-Builder, eine dokumentierte API, Telefonie und ein Minutentarif. Die Reasoning-Schicht ist ein separater, austauschbarer Teil; der Agent kann für das Denken auf einen OpenAI-kompatiblen Endpoint zeigen, während die Sprache bei Fish Audio bleibt. Diese Struktur macht es für ein kleines Team an einem Dienstag einsatzbereit.

Speziell für die Reasoning-Hälfte bietet OrcaRouter mehr als 200 Modelle hinter einem einzigen Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, mit automatischem Failover, wenn ein Backend mitten im Aufruf einen Fehler liefert, und einer Routing-DSL, um festzulegen, welches Modell welche Art von Gesprächsbeitrag übernimmt. Fish Audio Live 3 ist keines dieser Modelle – für ein geschlossenes Duplex-Sprachmodell gibt es keinen Drittanbieter-Endpunkt, und hier gibt es nichts zu routen. Die Aufgabe des Routers in diesem Stack beginnt dort, wo die Sprache endet.

Welche sollte man ansehen – und wofür?

Drei Signale würden diesen Vergleich entscheiden, und keines davon ist eine Pressemitteilung. Ein Live-3-Eintrag bei TurnBench oder eine Zeile auf dem Speech-to-Speech-Board von Artificial Analysis würde Fish Audios verhaltensbasiertes Argument in eine Punktzahl mit einer Zahl daneben verwandeln. Eine Sesame-Entwickler-API – das Unternehmen hat gesagt, dass Entwickler-Tooling komme, ohne ein Datum zu nennen – würde die Stimme der App in etwas verwandeln, das ein Produkt mieten könnte. Und ein zweiter offener Sesame-Checkpoint, neuer als CSM-1B, würde der Open-Weights-Szene das geben, was der Launch von Live 3 auffälligerweise nicht bot.

Bis eines davon verfügbar ist, hängt die ehrliche Rangfolge ganz davon ab, was Sie kaufen. Wenn Sie das heute bestklingende Gespräch wollen und bereit sind, es in der App von jemand anderem zu nutzen, ist Sesame Preview das beeindruckendere Produkt und das ehrlichere darüber, wie es beurteilt werden sollte. Wenn Sie dieses Quartal eine Stimme in Produktion brauchen, ist Sesame kein Kandidat, und der Vergleich schrumpft auf eine einzige Frage zu Live 3: ob eine Aktionsminute für 0,035 $ und eine 186-Millisekunden-Untergrenze für die Bestätigung genug Beweise sind, um eine Telefonleitung darauf zu verwetten. Für die meisten Teams lautet die Antwort Ja für einen Piloten und noch nicht für eine Gehaltsabrechnung – und der Benchmark, der diese Antwort ändern würde, existiert bereits, mit einer leeren Zeile.