GPT-Live-1 vs. Sesame Preview: Die beste Stimme in diesem Vergleich ist die, die man nicht kaufen kann

Fragen Sie irgendjemanden, der beide verwendet hat, und das Ranking fällt alles andere als knapp aus: Sesame Preview ist der überzeugendste Sprachassistent, mit dem die meisten Menschen je gesprochen haben. Es ist außerdem derjenige, auf dem man nicht aufbauen kann. GPT-Live-1 und Sesame Preview werden ständig verglichen – beide sind dialogfähig, beide kommen mit Unterbrechungen zurecht, beide klingen wie ein Mensch und nicht wie ein Telefonmenü –, aber sie werden auf gegensätzliche Weise angeboten. GPT-Live-1 ist ein gehostetes Modell, das man minutenweise mietet und das seit dem 10. September 2026 öffentlich aufrufbar ist. Sesame Preview ist eine kostenlose Consumer-App ganz ohne API, und die Stimme, von der die Leute beeindruckt sind, läuft auf einem Produktionsmodell, das nie veröffentlicht wurde.

Was jedes einzelne tatsächlich ist

• GPT-Live-1 — Ope​nAIs Voll-Duplex-Sprachmodell, seit dem 8. Juli 2026 in ChatGPT, seit dem 10. September in der API für 0,05 US-Dollar pro Sprachminute. Zwölf API-Stimmen, kein Klonen, keine Bild- oder Videoeingabe, Transkripte und Antworttext werden bei jeder Sitzung zurückgegeben.

• Sesame Preview — Sesames Sprachassistent für Endverbraucher. Seit Mai 2026 kostenlos auf iOS, seit Anfang August 2026 breit auf Android verfügbar, plus eine sprachzentrierte Web-Vorschau. Vier Agenten — Maya, Miles, Simone und Charlie — nur Englisch, mit einem 30-Minuten-Limit für Anrufe, das auf 5 Minuten sinkt, wenn man abgemeldet ist.

• CSM-1B — der offene Teil von Sesame: ein 1B Konversations-Sprachmodell, veröffentlicht unter Apache 2.0 am 23. April 2026, aufgebaut auf einem Llama-Architektur-Backbone mit einem separaten Decoder und Kyutais Mimi-Codec, das 24 kHz Mono-Sprachausgabe in Englisch aus einem Kontext von etwa 4K Token erzeugt.

Die drei Zeilen oben sind die gesamte Gestalt der Entscheidung. Das eine Unternehmen verkauft ein Modell minutenweise. Das andere verschenkt eine App und veröffentlicht ein kleineres Modell als Open Source, das nicht das in der App verwendete ist.

Die Lücke zwischen der Demo und dem Download

Sesame war in dieser Hinsicht ungewöhnlich direkt, und es ist die mit Abstand wichtigste Tatsache für jeden, der die beiden bewertet. Die Stimme in der Preview-App – diejenige, die die viralen Clips und die Rezensionen zum „Best-in-Class Voice Mode“ hervorgebracht hat – ist ein größeres, geschlossenes Produktionsmodell. CSM-1B ist ein offener Checkpoint mit 1B Parametern aus demselben Labor, und nach Einschätzung von Leuten, die beide getestet haben, ist seine Stimme deutlich schwächer. Sitzungen in Preview sind zudem gedeckelt und auf Englisch beschränkt, und es gibt keine Aufgabenausführung: Die Agenten reden, sie buchen nichts, kaufen nichts oder reichen nichts ein.

Damit bleibt Entwicklern ein reales, aber engeres Angebot: ein selbst hostbarer Checkpoint für konversationelle Sprache ohne Lizenzgebühr, gehostet von einem Drittanbieter für Inferenz für $7 pro Million Zeichen – rund $0,35 pro Stunde synthetisierten Audios – oder kostenlos auf eigener Hardware. Niemand hat einen unabhängigen Benchmark veröffentlicht – weder für die Preview-Stimme noch für CSM-1B –, sodass jede Qualitätsaussage in die eine oder andere Richtung ein Höreindruck ist und keine Messung. Sesame hat außerdem keine öffentlichen Preise, keine Enterprise-Stufe und keinen Monetarisierungsplan veröffentlicht; die vom Unternehmen angegebene Richtung sind Forschungspartnerschaften und ein geplantes Hardwareprodukt.

Was 0,05 $ pro Minute an Mehrwert bietet, den es kostenlos nicht gibt

Der Pitch von GPT-Live-1 an einen Entwickler ist nicht, dass es besser klingt – denn dieses Argument ist gegen ein geschlossenes Modell, das niemand messen kann, nicht zu gewinnen. Er besteht darin, dass das Ding aufrufbar und bepreist ist. Konkret, was man bekommt, wenn der Zähler läuft:

• Eine Session unter Ihrer Kontrolle – eine Modell-ID, ein Endpunkt für Live Sessions, das veröffentlichte Integrationsbeispiel, das über WebRTC läuft, und eine Session, die Sie mit Anweisungen, Stimmen und einem Delegationsblock konfigurieren.

• Unterbrechungsbehandlung als dokumentiertes Verhalten — 80,1 % Interaktivität im Full Duplex Bench v1.5 gegenüber 45,4 % für GPT-Realtime-2.1, bei 0,798 Sekunden Turn-Taking-Latenz und 87 % Tool-Calling-Erfolgsquote. Alle drei sind Ope​nAIs eigene Zahlen, die mit dem Release veröffentlicht und zum Zeitpunkt des Schreibens von niemandem reproduziert wurden.

• Ein Reasoning-Backend Ihrer Wahl – die Sprachschicht übergibt schwere Arbeit über eine asynchrone Grenze hinweg an ein separates Modell, das in der Sitzungskonfiguration angegeben ist und weiterarbeitet, während das Gespräch fortgesetzt wird. Im Dokumentationsbeispiel von OpenAI ist dieses Backend GPT-5.6 Terra; bei der Markteinführung für Endverbraucher im Juli war es GPT-5.5.

• Transkripte, Antworttext und telefonieähnliche Abrechnung — 3,00 $ für eine Stunde durchgehend offener Leitung, sekundengenau abgerechnet, wobei 15 Sekunden Sitzungsinitialisierung gutgeschrieben statt hinzugefügt werden.

Sesame bietet dir eine bessere Konversation und nichts davon. Wenn du ein Produkt baust, ist „bessere Konversation, keine API, kein Preis, kein Benchmark, nur Englisch, 30-Minuten-Limit“ kein Vergleich – es ist eine Warteliste.

Es gibt jetzt eine Zahl zu GPT-Live-1, die bei seiner Markteinführung für Endkunden noch nicht existierte, und sie ist das ehrliche Gegengewicht zu allem oben Gesagten. Der Speech to Speech Index von Artificial Analysis bewertet GPT-Live-1 mit 69,8 % – auf Platz sieben von elf Modellen, hinter GPT-Realtime-2.1 mit 73,9 % und hinter Grok Voice Think Fast 2.0 mit 79,0 %. Das Modell, das man kaufen kann, ist also auch nicht das beste auf der unabhängigen Rangliste. Was die Rangliste nicht bewerten kann, ist genau das, worin Sesame tatsächlich gewinnt: Keines der elf Modelle in diesem Index wurde danach bewertet, wie es sich anfühlt, mit ihm zu sprechen, und die Stimme von Sesame Preview ist nirgendwo in einer Zeile aufgeführt.

Der Teil des Stacks, der keinem der beiden Unternehmen gehört.

Hier konvergieren beide Optionen, und hier hört die Entscheidung auf, binär zu sein. Weder Sesame Preview noch GPT-Live-1 ist ein vollständiger Agent. Die Agenten von Sesame führen keine Aufgaben aus; GPT-Live-1 delegiert alles, was Reasoning, Retrieval oder ein Tool erfordert, ausdrücklich an ein Backend-Modell. In beiden Designs geschieht die interessante Arbeit hinter der Stimme, in einem reinen Textmodell-Aufruf, und diese Ebene ist auf eine Weise portabel, wie es die Stimmschicht nicht ist – man kann ein Backend verschieben, ohne auch nur einen einzigen Prompt für das Speech-Modell neu aufzunehmen.

Dieses Backend ist auch der Ort, an dem OrcaRouter nützlich ist, und es lohnt sich, genau zu sein, was wir routen und was nicht. Wir routen GPT-Live-1 nicht: Der Live-Sessions-Endpunkt gehört OpenAI, und die Sprachschicht dort ist außer Reichweite. Wir routen auch nicht Sesames Produktionsmodell, aus dem einfacheren Grund, dass es nie als API angeboten wurde. Was wir routen, ist die Schicht, an die beide Produkte Arbeit übergeben. Ungefähr 190 Modelle von elf Upstream-Anbietern laufen hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, mit automatischem Failover über Anbieter hinweg und einer Routing-DSL, die mehrere Modelle zu einem einzigen Aufruf kombinieren kann. Für ein Team, das auf einem noch nicht bewährten Voice-Frontend aufbaut, ist das die Absicherung, auf die es ankommt: Die Sprachschicht kann ausgetauscht oder fallengelassen werden, ohne die Reasoning-Schicht mitzunehmen, und das Modell, auf das man im März setzt, kann im Juni ersetzt werden, indem man eine Zeile ändert.

Was zu sehen

Drei Dinge würden diesen Vergleich verändern, und keines davon liegt derzeit in jemandes Hand. Eine Sesame-API — selbst eine kostenpflichtige — würde die stärkste Stimme der Kategorie augenblicklich in eine umsetzbare Option verwandeln und einen echten Preis neben die 0,05 US-Dollar von GPT-Live-1 setzen. Ein veröffentlichter Benchmark der Preview-Stimme würde einen Höreindruck in eine Zahl verwandeln, und unabhängige Evaluierungen neigen dazu, unfreundlich gegenüber Stimmen zu sein, die ausschließlich in Demos konkurriert haben. Und die erste externe Reproduktion der Interaktivitäts- und Latenzwerte von Ope​nAI würde klären, ob Full-Duplex eine echte Fähigkeitslücke oder eine gut gewählte Evaluierung ist.

Bis dahin ist die ehrliche Aufteilung diese. Wenn du eine Stimme für dich selbst aussuchst, nimm Sesame Preview – sie ist kostenlos, sie ist besser, und es kostet dich nichts, sie zu bevorzugen. Wenn du eine Stimme für ein Produkt aussuchst, das du ausliefern, verkaufen und unterstützen musst, ist GPT-Live-1 von den beiden die einzige, die du tatsächlich kaufen kannst, und die Tatsache, dass sie nicht die besser klingende ist, ist der Preis, den man dafür zahlt.