Gemini 3.8 Live vs. Sesame Preview: Die Stimme, die man bewundern kann, vs. die, die man anrufen kann

Der Voice-Agent von Sesame erzielt 4,5 von 5 bei „klang menschlich“. Gemini 3.8 Live erzielt 4,0. Der von Sesame schließt außerdem 71 % der Buchungsabläufe ab, während der von Gemini 3.8 Live 78 % abschließt, und der von Sesame macht etwa doppelt so häufig Fehler bei Funktionsaufrufen. Wenn Sie einen Voice-Stack für ein Unternehmen auswählen, das Termine bucht, verliert das Modell, das besser klingt – und es verliert aus Gründen, die nichts damit zu tun haben, wie gut es klingt.

Diese Zahlen stammen aus einem direkten Vergleichstest eines Drittanbieters über 1.500 Kundengespräche pro Modell anhand von Buchungsskripten, und sie bringen zwei wichtige Vorbehalte mit. Sie stammen nicht von uns und wurden nicht unabhängig repliziert, und auf der Gemini-Seite wurde die Gemini-Live-Generation aus Anfang 2026 verwendet, nicht das Modell, um das es in diesem Artikel geht. Gemini 3.8 Live ist Googles Speech-to-Speech-Veröffentlichung vom 15. September 2026, jetzt verfügbar über die Live API. Sesame Preview ist Sesames Sprachassistent für Endverbraucher, seit Mai 2026 kostenlos auf iOS und seit Anfang August 2026 breit verfügbar auf Android, aufgebaut um vier namentlich genannte Agenten – Maya, Miles, Simone, Charlie – und weithin beschrieben als der am menschlichsten klingende Sprachassistent, mit dem je jemand gesprochen hat.

Der Vergleich ist nicht wirklich Modell gegen Modell. Es ist ein Produkt, das man in Produktion bringen kann, gegen eine Erfahrung, die man nur besuchen kann.

Die Form jedes Dings

Gemini 3.8 Live ist eine Entwickleroberfläche. Es wird als gemini-3.8-live und gemini-3.8-live-extended-thinking auf der Live API angeboten, zum Preis von 0,005 $ pro Minute Audioeingang und 0,018 $ pro Minute Audioausgang, mit Text zu 0,75 $ und 4,50 $ pro Million Token und Bild- oder Videoeingabe zu 1,00 $ pro Million. Es unterstützt 97 Sprachen mit Wechsel mitten im Gespräch, verarbeitet visuelle Eingaben nahezu in Echtzeit, führt Tool- und API-Aufrufe im Hintergrund aus, während das Gespräch weiterläuft, und versieht jede Sekunde des generierten Audios mit einem SynthID-Wasserzeichen. Die Variante Extended Thinking denkt und spricht gleichzeitig und schildert den Fortschritt, damit die Leitung während einer langen Aufgabe nicht verstummt. Googles vom Anbieter gemeldete Platzierung ist Platz zwei in der Speech Agent Arena, mit dem Spitzenplatz im Speech to Speech Quality Index von Artificial Analysis bei 82,6 für die Familie. Googles Zahlen, diese Woche, nicht reproduziert.

Sesame Preview ist eine Consumer-App. Sie ist ausschließlich auf Englisch verfügbar. Für einen Anruf gilt eine Obergrenze von 30 Minuten, die auf fünf Minuten sinkt, wenn man abgemeldet ist. Die Agenten behalten den Kontext über Sitzungen hinweg, durchsuchen das Web und legen Erinnerungen an – aber sie buchen, kaufen oder reichen nichts ein. Es gibt keine Enterprise-Version und keine öffentlichen Preise.

Beide sind Vollduplex-Konversationssysteme mit einem Sprecherwechsel, der gut genug funktioniert, dass Menschen ihn nicht mehr bemerken. Dort endet die Ähnlichkeit.

Was der einzige direkte Vergleich, den wir haben, tatsächlich zeigt

Der CallSphere-Vergleich führte Buchungsablauf-Skripte in großem Umfang aus und meldete vier Zahlen pro Modell. Bei der Abschlussrate schloss Gemini Live 78 % der Buchungen ab, gegenüber 71 % bei Sesame Maya. Bei Fehlern bei Funktionsaufrufen lag Gemini Live bei 3,3 % gegenüber 6,7 % bei Maya. Bei der p95-Latenz war Maya schneller – 480 ms gegenüber 640 ms. Und bei der subjektiven Messgröße „klang menschlich“ (Bewertung 1 bis 5) erreichte Maya 4,5 gegenüber 4,0 bei Gemini Live.

Liest man sie zusammen, zeigt sich ein Muster, das keine einzelne Zeile erkennen lässt. Sesame gewinnt die beiden Zeilen, die ein Mensch bemerkt, und verliert die beiden Zeilen, die ein Unternehmen bemerkt. Natürlichkeit und Latenz sind das, was ein Anrufer spürt; Abschlussrate und Fehlerrate sind das, was im Abgleich auftaucht. Eine Stimme, die wie ein Mensch klingt, aber in einem Buchungsablauf einen von fünfzehn Anrufen verliert, ist kein besserer Voice-Agent – sie ist eine bessere Demo.

Zwei ehrliche Einschränkungen. Der Vergleich ist der Blog eines einzigen Anbieters, keine peer-reviewte Bewertung, und 1.500 Aufrufe pro Modell bei einem einzigen Skripttyp sind ein schmaler Ausschnitt. Und die Gemini-Zahlen beschreiben die Generation von Gemini Live, die Anfang 2026 erscheint und damit mindestens ein volles Modell hinter 3.8 Live liegt. Diese Zahlen auf Gemini 3.8 Live anzuwenden, wäre eine Vermutung. Niemand hat einen direkten Vergleich veröffentlicht, an dem das 3.8-Modell beteiligt ist.

Der Teil, den fast jeder Artikel falsch macht

Jeder Beitrag, der die Stimme von Sesame lobt, lobt die App, und die Stimme der App ist ein größeres, geschlossenes Produktionsmodell, das Sesame nie als API veröffentlicht hat. Es gibt keine Möglichkeit, es zu kaufen, zu lizenzieren oder aufzurufen. Wenn man gelesen hat, dass das Gesprächs-Timing von Sesame das beste auf dem Markt sei, und daraus geschlossen hat, dass man es haben kann, folgt dieser Schluss nicht aus den Belegen.

Was Sesame tatsächlich als Open Source veröffentlicht hat, ist CSM-1B – die 1B-Variante des Konversations-Sprachmodells, veröffentlicht unter Apache-2.0 in der Moshi-Familie. Es ist ein Synthesebaustein, kein Assistent: Ein Llama-Backbone sagt das erste Mimi-Codebook voraus, und ein kleinerer Llama-Decoder sagt den Rest voraus, den ein Mimi-Codec in eine 24-kHz-Wellenform umwandelt. Es ist ausschließlich englischsprachig, es klont eine Stimme aus einem sauberen 10- bis 15-sekündigen Referenzclip, und es kann überhaupt keinen Text erzeugen – 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. Es ist als gehosteter Dienst für 7 US-Dollar pro Million Zeichen bei einem einzigen Drittanbieter verfügbar, etwa 0,35 US-Dollar pro Stunde Audio, oder kostenlos, wenn man es selbst hostet.

Die Modellkarte spricht es unverblümt aus: Eine feinabgestimmte Variante von CSM betreibt die interaktive Sprachdemo, die nicht der Checkpoint ist, den man herunterladen kann. Die ehrliche Version von „Sesame vs. Gemini“ lautet also: Sesame hat eine wunderschöne geschlossene Stimme, auf die man keinen Zugriff hat, und einen kleinen offenen Syntheseblock, auf den man Zugriff hat – und das sind nicht dasselbe. Google hat ein Modell, das man aufrufen kann, und es ist das, wofür sie werben. Diese Asymmetrie ist für einen Entwickler mehr wert als jeder Natürlichkeits-Score.

Spec-Vergleich

• Was Sie bekommen — Gemini 3.8 Live: eine heute aufrufbare API, im Vergleich zu Sesame Preview, einer kostenlosen Consumer-App ohne API für ihre Produktionsstimme

• Produktionsstimme lizenzierbar — Gemini 3.8 Live: ja, Abrechnung pro Minute vs. Sesame Preview: nein, nie veröffentlicht

• Offenes Artefakt — Gemini 3.8 Live: keine, geschlossen vs. Sesame Preview CSM-1B, Apache-2.0, ein anderes und schwächeres Modell

• Sprachen — Gemini 3.8 Live 97 vs. Sesame Preview nur Englisch

• Tool-Aufrufe — Gemini 3.8 Live: Tool- und API-Aufrufe im Hintergrund während des Gesprächs vs. Sesame Preview: Agenten merken sich den Kontext und durchsuchen das Web, führen aber keine Aufgaben aus

• Sitzungslimit — Gemini 3.8 Live nicht von Google veröffentlicht vs. Sesame Preview 30 Minuten, 5 wenn abgemeldet

• Natürlichkeit — Gemini 3.8 Live auf dieser Achse nicht gemessen, im Vergleich zu Sesame Preview, das bei Höreindrücken als Best-in-Class bewertet wurde, wobei für keines von beiden ein unabhängiger Benchmark vorliegt

• Latenz — Gemini 3.8 Live nicht veröffentlicht vs. Sesame Preview 250–450 ms End-to-End für Maya, unter 300 ms Streaming-First-Byte, laut Messung eines Drittanbieters

• Enterprise-Pfad — Private Preview von Gemini 3.8 Live in Gemini Enterprise, demnächst verfügbar in Customer Experience vs. Sesame Preview: keine

• Angegebene Richtung — Gemini 3.8 Live Live-API-Integrationen mit Agora, LiveKit, Pipecat, Fishjam und anderen vs. Sesame Preview-Forschungspartnerschaften und für 2027 geplante Brillen-Hardware

Über die Zeile zur Natürlichkeit streiten sich die Leute, und beachten Sie, was sie aussagt: Keines der beiden Modelle hat einen unabhängigen Benchmark dafür, wie menschlich es klingt. Was es gibt, ist Sesames App, die von Zuhörern gelobt wird, und Google, das in einer Arena den zweiten Platz belegt. Das sind nicht dieselben Messgrößen, und die Arena hat zumindest eine Methodik.

Was Natürlichkeit operativ kostet

Der Fehler besteht darin, Natürlichkeit als eine Eigenschaft zu behandeln, die man einfach hinzufügt. Sie ist ein Tauschgeschäft, und dieses Tauschgeschäft geht in der Regel zulasten der Zuverlässigkeit von Tools – denn die Verhaltensweisen, die eine Stimme menschlich klingen lassen, die Zögerungen, die Überschneidungen, die Bereitschaft, mitten im Satz nachzugeben, entstehen durch ein Modell, das Kapazität für Prosodie und Sprecherwechsel aufwendet statt für die strikte Grammatik eines Funktionsaufrufs. Das ist der Mechanismus hinter der Fehlerquote von 6,7 % gegenüber 3,3 % – weit plausibler als jede Behauptung, ein Labor sei besser im Engineering.

Es hat außerdem Infrastrukturkosten, die niemand einkalkuliert. Eine Stimme, die menschlich klingt, weckt Erwartungen, und jemand, der anruft und glaubt, mit einer Person zu sprechen, toleriert nicht zweimal hintereinander „Das habe ich nicht verstanden“. Sesames eigene 30-Minuten-Grenze ist ein stilles Eingeständnis, dass diese Modellklasse teuer im Dauerbetrieb ist – eine Grenze, die Google für 3.8 Live nicht veröffentlicht, was nicht dasselbe ist wie zu sagen, dass es keine gibt.

Welcher gehört in deinen Stack

Wählen Sie Gemini 3.8 Live, wenn die Stimme ein Mittel zum Zweck ist: Terminplanung, Triage, Support, alles, wo der Anrufer ein Ergebnis will. Sie erhalten heute eine API, veröffentlichte Preise, eine Tool-Schleife, die im Hintergrund läuft, 97 Sprachen und einen Enterprise-Pfad, falls Sie einen brauchen.

Wähle Sesame Preview, wenn du gerade untersuchst, wie sich Gesprächsqualität anfühlen sollte, oder wenn du ein Consumer-Erlebnis entwickelst, bei dem der Anruf selbst das Produkt ist. Es ist kostenlos, es ist wirklich das am besten klingende, was es gibt, und es ist ein guter Ort, um deinen Geschmack zu kalibrieren. Plane keine Produktionsintegration damit, denn es gibt nichts, womit man sich integrieren könnte.

Die meisten ernsthaften Teams landen bei einem Hybrid, und beim Hybrid ist Routing nicht länger optional. Setzen Sie ein natürlich klingendes Modell für die Eröffnungs- und die Bestätigungs-Turns ein, wo Latenz und Wärme spürbar sind, und setzen Sie ein tool-zuverlässiges Modell für die Transaktions-Turns ein, wo ein Fehler eine verlorene Buchung bedeutet. OrcaRouter ist für genau diese Art von Stack gebaut – Modellfusion lässt ein Panel von Modellen gemeinsam antworten, wenn das Urteilsvermögen eines einzelnen Modells nicht ausreicht, die Routing-DSL fasst mehrere zu einem einzigen Aufruf zusammen, und Failover verlagert Datenverkehr von einem Modell weg, das anfängt, sich fehlerhaft zu verhalten, ohne ein erneutes Deployment. Wo ein Anbieter tatsächlich einen Tarif veröffentlicht, geben wir den Listenpreis des Anbieters ohne Aufschlag weiter, sodass eine Preissenkung noch am selben Tag auf Ihrer Rechnung ankommt.

Worauf man achten sollte: eine API für Sesames Produktionsstimme oder ein Benchmark, der Natürlichkeit so misst, wie die Arena Qualität misst. Beides würde dies von einer 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 schneller als jede Punktzahl.

Die meisten ernsthaften Teams landen am Ende bei einem Hybrid, und der Hybrid ist genau der Punkt, an dem Routing nicht mehr optional ist. Setzen Sie ein natürlich klingendes Modell für die Eröffnungs- und Bestätigungs-Turns ein, bei denen Latenz und Wärme spürbar sind, und setzen Sie ein werkzeugzuverlässiges Modell für die Transaktions-Turns ein, bei denen ein Fehler eine verlorene Buchung bedeutet. OrcaRouter ist genau für diese Art von Stack gebaut – Modell-Fusion ermöglicht es einem Panel von Modellen, gemeinsam zu antworten, wenn das Urteilsvermögen eines einzelnen Modells nicht ausreicht, die Routing-DSL fasst mehrere zu einem Aufruf zusammen, und Failover verlagert den Verkehr von einem Modell, das anfängt, sich fehlerhaft zu verhalten, ohne dass ein Redeploy nötig ist.