Grok Voice 3.0 vs. Sesame Preview: Die Stimme, die jeden Hörtest gewinnt, ist die ohne API

Fragen Sie einen Raum voller Leute, welches von diesen eher wie ein Mensch klingt, und Sie bekommen eine einzige Antwort. Sesame Preview ist der kostenlose Sprachassistent von Sesame – vier Agenten namens Maya, Miles, Simone und Charlie, seit Mai 2026 auf iOS und seit Anfang August breit auf Android – und er hat die viralen Clips hervorgebracht, die „best-in-class voice mode“ zu einer Formulierung gemacht haben, nach der Rezensenten immer wieder greifen. G​rok Voice 3.0, angekündigt von S​paceXAI am 14. Oktober 2026, ist das am höchsten bewertete Speech-to-Speech-Modell auf dem öffentlichen Board mit 86,9 Punkten und über einen dokumentierten Echtzeit-Endpunkt für 0,08 US-Dollar pro Minute aufrufbar. Diese beiden Fakten widersprechen sich nicht, und die Kluft zwischen ihnen ist der ganze Vergleich: Das eine ist eine Stimme, die Menschen mit ihren Ohren beurteilen, und das andere ist eine Stimme, die eine außenstehende Partei messen kann.

Die zweite Hälfte dieser Lücke ist der Zugang. Sesame Preview hat keine API, keine Modellkennung, keine Preisliste und keinen angekündigten Plan dafür, und die Produktionsstimme in der App ist ein größeres geschlossenes Modell, das das Labor nie veröffentlicht hat. G​rok Voice 3.0 ist eine Komponente, die man minutenweise mietet. Wer nach Gehör entscheidet, will Sesame. Wer danach entscheidet, ob er etwas ausliefern kann, für den wurde die Entscheidung bereits getroffen.

Was jedes Einzelne ist, offiziell.

Vom Marketing befreit sind die beiden Produkte nicht einmal dieselbe Art von Sache.

• Was es ist — G​rok Voice 3.0 ist ein Speech-to-Speech-Modell hinter dem Echtzeit-WebSocket von S​paceXAI, mit sitzungsbezogenen Tools und zurückgegebenen Transkripten; S​esame Preview ist eine Consumer-App mit vier Konversationsagenten, agentenspezifischem Gedächtnis, das zwischen Web und Mobilgeräten synchronisiert wird, Live-Websuche während eines Anrufs und einer anschließend gesendeten Zusammenfassung.

• Preis — 0,08 $ pro Minute Audio plus 0,004 $ pro Texteingabe, etwa 4,80 $ pro Stunde, für G​rok Voice 3.0; für Nutzer kostenlos, ohne Werbung und ohne angegebene kostenpflichtige Stufe für Sesame Preview.

• Entwicklerzugriff — ein dokumentierter Endpunkt, ephemere Tokens für clientseitige Verbindungen und ein Endpunkt für benutzerdefinierte Stimmen, der eine Stimme anhand eines Referenzclips von bis zu 120 Sekunden für G​rok Voice 3.0 trainiert; gar nichts für Sesame Preview.

• Gewichte — auf beiden Seiten geschlossen, mit einer Ausnahme: Sesame hat CSM-1B veröffentlicht, einen Apache-2.0-Checkpoint, der nicht die Stimme in der App ist.

• Unabhängige Punktzahl — 86,9 im Artificial Analysis Speech to Speech Index mit fünf lesbaren Komponenten für Grok Voice 3.0; keine für die Sesame Preview-Stimme und auch keine, die von Sesame veröffentlicht wurden.

• Grenzen — G​rok Voice 3.0 hat kein angegebenes Sitzungslimit, und seine Vorgängergeneration wurde mit der Wortfehlerrate über 24 Sprachen hinweg beworben; Sesame Preview ist nur auf Englisch verfügbar, mit einem Anruflimit von 30 Minuten, das auf fünf Minuten sinkt, wenn man abgemeldet ist, und ohne Aufgabenausführung — die Agenten reden, sie buchen, kaufen oder reichen nichts ein.

Dieser letzte Aufzählungspunkt ist derjenige, der die meisten Evaluierungen beendet. Ein Voice-Produkt, das man nicht anrufen kann, ist keine Komponente; es ist ein Wettbewerber.

Der offene Checkpoint – und was er nicht ist

Sesame war ungewöhnlich direkt, was die Kluft zwischen seiner Demo und seinem Download angeht, und das ist die mit Abstand wichtigste Tatsache für jeden, der die beiden gegeneinander abwägt.

CSM-1B ist ein 1B-Konversations-Sprachmodell, das am 23. April 2026 unter Apache 2.0 veröffentlicht wurde: ein Backbone mit Llama-Architektur, das einen separaten Decoder und Kyutais Mimi-Codec speist und aus einem Kontext von ungefähr 4.000 Tokens 24-kHz-Mono-Englischsprache erzeugt. Es ist ein Basismodell zur Sprachgenerierung. Nach Einschätzung derjenigen, die beide ausgeführt haben, ist seine Stimme deutlich schwächer als die in der App, und Sesames eigene Dokumentation stellt ausdrücklich klar, dass es kein End-to-End-Sprach-zu-Sprach-System ist und keinen Text generieren kann.

Der Download ist also eine Forschungslinie, nicht das Produkt. Wer die Stimme aus der Demo gesucht hat, fand das kleinere Modell, das aus demselben Labor stammt, und das, was antwortet, wenn einer der vier Agenten abnimmt, ist ein Produktionsmodell, das nie veröffentlicht wurde. Es wird von Drittanbieter-Inferenzanbietern zu etwa 7 US-Dollar pro Million Zeichen gehostet – grob 0,35 US-Dollar pro Stunde synthetisierten Audios – oder kostenlos auf eigener Hardware, und es hat auch niemand einen unabhängigen Benchmark dafür veröffentlicht.

Zum Vergleich: Diese 0,35 $ pro Stunde sind das günstigste Audio in diesem Vergleich – um den Faktor dreizehn –, und es ist zugleich die am wenigsten nützliche Zeile darin, denn ein 1B-Checkpoint, der kein Duplex-Gespräch führen kann, konkurriert preislich nicht mit G​rok Voice 3.0. Er konkurriert mit dem Narrationstool, das Sie ohnehin schon verwendet haben.

Warum der Hörtest und der Index nicht übereinstimmen – und welcher von beiden falsch ist

Sie stehen nicht im Widerspruch. Sie beantworten unterschiedliche Fragen, und nur eine davon kann öffentlich beantwortet werden.

Der Ruf von Sesame Preview beruht darauf, wie eine Stimme auf einen Zuhörer wirkt: Atem, Zögern, das Timing einer Unterbrechung, der Eindruck, dass eine Person am anderen Ende der Leitung ist. Das ist in gewisser Weise ein echter Beleg — die Demo überzeugte Hunderttausende Menschen und Rezensenten, die keinen Anreiz hatten, großzügig zu sein — und es ist völlig unquantifiziert. Es gibt keinen Arena-Eintrag, keine veröffentlichte Bewertung der Produktionsstimme und keine Stichprobenzahl. Jede Qualitätsaussage in die eine oder andere Richtung ist ein Höreindruck.

Die 86,9 von Grok Voice 3.0 ist die gegenteilige Art von Beleg. Sie zerfällt in sprachliches Schlussfolgern nahe der Obergrenze, 97,0 % auf Full Duplex Bench, 71,6 % auf τ-Voice, ein Arena-Elo von 1070 und 94,8 % Aufgabenerfolg, jeweils gemessen unter einer veröffentlichten Testumgebung, die ein externes Team lesen, deren Arithmetik nachprüfen und gegen die es Einwände erheben kann. Ein zusammengesetzter Index ist eine Gewichtungsentscheidung, und die Arena-Komponente wird an dem Punkt eingefroren, an dem ein Modell teilnahmeberechtigt wird, statt das Live-Elo zu verfolgen — doch der Widerspruch steht jedem offen, und genau das macht ihn zu einer Messung statt zu einer Behauptung.

Was das Board nicht misst, ist, ob man gerne mit ihm spricht. Und es gibt eine bestimmte Zahl in der Veröffentlichung, die genau auf dieser Achse liegt: G​rok Voice 3.0 beginnt in 0,81 Sekunden zu sprechen, und das Modell, das es ablöst, startete bei 0,70. Das Flaggschiff ist 0,11 Sekunden langsamer aus den Startlöchern als sein eigener Vorgänger – genau die Art von Detail, die einem Zuhörer auffällt, bevor ein Benchmark es bemerkt.

Was das Vier-Agenten-Design Ihnen verrät

Sesames vier Persönlichkeiten sind kein Marketingdetail; sie sind eine architektonische Entscheidung, und sie ist das Gegenteil derjenigen, die S​paceXAI getroffen hat.

Maya, Miles, Simone und Charlie sind feste Stimmen mit festen Temperamenten, und der Speicher ist jeweils auf den einzelnen Agenten begrenzt. Das ist ein Produkt, das auf der Annahme aufbaut, dass die Stimme das Endprodukt und die Persönlichkeit das Feature ist. Es gibt keine Stimmenanpassung, kein Klonen und keinen Weg von der Consumer-App zu einer API – die kostenlose Tarifstufe ist das Produkt, und die erklärte Richtung des Unternehmens sind Forschungspartnerschaften und ein geplantes Hardwaregerät statt einer Entwicklerplattform.

G​rok Voice 3.0 geht in die andere Richtung. Es wird mit dem integrierten Stimmen-Set von S​paceXAI ausgeliefert, und ein separater Custom-Voice-Endpunkt trainiert eine Stimme anhand eines Referenzclips von bis zu 120 Sekunden, wobei die resultierende voice_id sowohl in der Echtzeit-API als auch in der Streaming-Text-zu-Sprache funktioniert. Die Sitzung akzeptiert Tools, sodass der Agent mitten im Gespräch Ihr Backend aufrufen kann, anstatt nur darüber zu sprechen.

Welche der beiden besser ist, hängt davon ab, ob Sie ein Erlebnis verkaufen oder eines aufbauen. Ein Voice-Produkt, das vier hervorragende feste Persönlichkeiten mitliefert, hat Branding und Integration in einer einzigen Entscheidung gelöst. Ein Voice-Produkt mit einem Cloning-Endpunkt hat Ihnen mit einer einzigen Entscheidung eine Compliance-Oberfläche und einen Lokalisierungs-Workflow an die Hand gegeben. Keines von beiden ist ein Fehler, und sie zielen auf unterschiedliche Kunden ab.

Wo die Routing-Frage tatsächlich landet

OrcaRouter bedient keine dieser beiden Voice-Schichten. G​rok Voice 3.0 lebt hinter dem eigenen Echtzeit-WebSocket von S​paceXAI, und nichts kann sich in eine Duplex-Audiositzung einmischen, die einem einzigen Anbieter gehört; Sesame Preview hat überhaupt keinen Endpunkt, an den geroutet werden könnte. Etwas anderes zu behaupten würde eine Fähigkeit beschreiben, die es nicht gibt, und diese Kategorie ist voll von Plattformen, die genau das tun.

Routingfähig ist die Ebene, auf die sich beide Produkte stillschweigend stützen. Sesames Agenten durchsuchen mitten im Gespräch das Web und schicken anschließend eine Zusammenfassung; das Tools-Array von G​rok Voice 3.0 erreicht jedes Backend, das ihm antwortet, und alles, was über einen Inline-Aufruf hinausgeht, wird zu einer Textmodell-Anfrage hinter dem Gespräch. Diese Arbeit wird pro Anfrage abgerechnet, hier summiert sich ein erheblicher Teil der Kosten pro Aufruf, und sie ist die Hälfte eines Sprachprodukts, die man konstant halten kann, während sich das darunterliegende Audiomodell ändert — was angesichts dessen, dass grok-voice-latest/ sich nun innerhalb eines Quartals zweimal geändert hat, eine durchaus wünschenswerte Eigenschaft ist. Zweihundertsieben Modelle von über einem Dutzend vorgelagerter Anbieter hinter einem einzigen Schlüssel, zum Listenpreis der Anbieter ohne jeden Aufschlag, mit automatischem Failover, wenn ein Anbieter schwächelt, einer Routing-DSL, um mehrere Modelle zu einem Aufruf zusammenzusetzen, und Modell-Fusion, wenn das Urteilsvermögen eines einzelnen Modells nicht ausreicht. Da nichts aufgeschlagen wird, ist eine Preissenkung eines Anbieters für eines dieser Modelle hier noch am selben Tag aktiv.

Die Empfehlung, aufgeteilt danach, wer Sie sind

Wenn Sie ein Verbraucher sind, der die heute bestklingende Gesprächsstimme möchte und nicht vorhat, irgendetwas zu integrieren, ist Sesame Preview kostenlos, es ist auf beiden Mobilplattformen verfügbar, sein Ruf ist so verdient, dass Rezensenten ihn immer wieder bestätigen, und nichts in diesem Artikel ändert daran etwas. Nutzen Sie es und genießen Sie es.

Wenn Sie bauen, ist die Entscheidung bereits gefallen, und es lohnt sich, die Argumentation zu verinnerlichen. Sie können Sesame Preview nicht aufrufen, seine Stimme nicht pinnen und es nicht gegen irgendetwas benchmarken – also endet jedes Beschaffungsgespräch darüber an derselben Stelle: bei einem Hörtest zwischen zwei Optionen, die keine der beiden Parteien bewerten kann. Grok Voice 3.0 gibt Ihnen eine Preisliste, einen versionierten Modell-String, ein Transkript, einen Cloning-Endpunkt und einen Board-Score, über den Sie streiten können. Das Erste, was Sie damit tun sollten, ist, Ihre Version zu pinnen, denn der Alias wurde bereits ohne Nachfrage darauf umgestellt.

Und wenn Sie ein Forscher sind, der den interessanten Fehlschlag sucht: Die ehrliche Zusammenfassung dieser Paarung ist, dass die Kategorie bewiesen hat, dass sie eine Stimme erzeugen kann, die es wert ist, gehört zu werden, und noch nicht entschieden hat, ob diese Stimme in irgendeiner anderen Form als einer App käuflich zu erwerben sein sollte. Sesame baute die bessere Erfahrung und hielt sie geschlossen. S​paceXAI baute die bessere Komponente und veröffentlichte die Zahl. Achten Sie auf die Version von Sesame mit einer API — das ist das Release, das diese Seite obsolet machen würde.

Diese Kluft zwischen dem, was eine Anzeigetafel misst, und dem, was ein Deployment vorfindet, ist der Grund, warum die Aufzeichnung zählt: Die dokumentierten KI-Ausfälle und Agent-Vorfälle rund um Modelle dieser Klasse finden sich in dem OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seinen Konfidenzgrad und seine Kennzeichnung als strittig mitführt.