Phonic 1 vs. Sesame Preview: Das Dead-Air-Problem – auf zwei entgegengesetzte Arten gelöst

Phonic 1 und Sesame Preview werden beide als Konversations-Sprachmodelle verkauft, und sie verfolgen nicht dasselbe Ziel. Phonic 1 – der Anbieter schreibt es Phonic-1 – ist ein Speech-to-Speech-Endpunkt für 0,07 US-Dollar pro Minute, der am 29. Oktober 2026 kommerziell verfügbar wurde und direkt mit 87,1 den ersten Platz im Speech to Speech Index von Artificial Analysis erreichte. Sesame Preview ist die kostenlose Begleit-App hinter den Stimmen Maya, Miles, Simone und Charlie: keine öffentliche API, keine Preisliste, keine Zeile in irgendeinem unabhängigen Leaderboard und ein erklärter Plan, Ihnen 2027 eine Brille zu verkaufen. Setzt man die beiden Namen in einen Satz, fällt als Erstes auf, dass nur eines von beiden gekauft werden kann.

Das Zweite, was dabei herausfällt, ist interessanter. Beide Produkte sind unterhalb der Marketingebene Antworten auf dieselbe kleine Demütigung: die halbe Sekunde Stille, während die Maschine entscheidet, was sie sagen soll. Phonic geht sie an, indem es die Arbeit erledigt, bevor der Anrufer fertig ist. Sesame geht sie an, indem es besser darin wird zu erkennen, wann der Anrufer fertig ist. Das sind wirklich unterschiedliche Engineering-Wetten, sie werden mit Instrumenten gemessen, die sich nicht überschneiden, und die Wahl zwischen ihnen ergibt sich daraus, auf welche Wette dein Produkt angewiesen ist – nicht aus einer Benchmark-Tabelle.

Was jedes Einzelne tatsächlich ist, bevor der Vergleich unscharf wird

Phonic 1 ist ein End-to-End-Sprachmodell, Audio als Eingabe und Audio als Ausgabe, ohne dazwischenliegende Kaskade aus Transkribieren, Denken und Sprechen. Es wurde mit TypeScript- und Python-SDKs, einer CLI und einem No-Code-Agent-Builder, 51 dokumentierten Sprachen mit einem Sprachwechsel mitten im Gespräch, der die Sprecheridentität beibehält, einer dokumentierten intelligence_level-Einstellung, die standardmäßig auf standard steht und auf high erhöht werden kann, sowie Unternehmensbedingungen ausgeliefert, die SOC 2 Type II, ein HIPAA-BAA, Zero-Data-Retention und eine SLA mit 99,9 % Verfügbarkeit umfassen.

Sesame Preview ist kein Modell, das man mietet. Es ist ein Consumer-Produkt – eine iOS- und Web-App, kostenlos, ab Ende Mai 2026 in 39 Ländern ausgerollt, mit vier benannten Agenten mit persistentem Gedächtnis, paralleler Websuche, die mitten im Satz läuft, Notizfunktion, einem Textmodus und einem Inkognitomodus. Sesames angekündigtes Ziel dafür sind unter 300 ms bis zur ersten Audioausgabe, und das Unternehmen hat öffentlich offen gesagt, dass das Modell in Ton und Tempo noch „zu eifrig und oft unangemessen“ sei. Es gibt keine Enterprise-Stufe und keine Möglichkeit, die Produktionsstimme zu lizenzieren.

Das Einzige, das den Namen Sesame in einen Build trägt, ist Sesame CSM-1B, veröffentlicht unter Apache 2.0 am 13. März 2025. Es ist ein Basis-Sprachmodell für Konversationen, englischsprachig ausgerichtet, entwickelt, um Mimi-Audiotokens bedingt auf vorherige Turns zu generieren. Es ist nicht die Stimme in der App: Die Preview-Charaktere stammen aus einem kuratierten Fine-Tune und einem Voice-Cast, die nie veröffentlicht wurden. Tester, die beide ausprobiert haben, beschreiben den offenen Checkpoint als hörbar schwächer als die App, was „einfach das Sesame-Modell selbst hosten" zu einem anderen Produkt macht und nicht zu einer lizenzfreien Abkürzung.

Zwei Angriffe in derselben halben Sekunde

Phonics Markteinführungs-Versprechen ist das Konkreteste in dieser Kategorie: Es besagt, dass Phonic-1 das einzige Modell ist, das handeln kann, während der Anrufer noch spricht. In der Demonstration, die das Unternehmen veröffentlicht hat, löste das Modell alle fünf Tool-Aufrufe mitten im Satz aus und antwortete 1,1 Sekunden nachdem der Anrufer aufgehört hatte; im selben Skript setzt es GPT-Live-1 bei 15,7 Sekunden an. Verstehen Sie das als Demonstration eines Designs, nicht als Benchmark – es ist eine vom Anbieter ausgewählte Aufgabe an einem vom Anbieter gewählten Skript. Aber das Design ist der Punkt. Wenn die Suche bereits abgeschlossen ist, wenn der Turn endet, muss das Modell nie brillant darin sein, das Ende des Turns vorherzusagen; es muss nur vermeiden, im Weg zu stehen.

Sesame schlug den entgegengesetzten Weg ein und machte die Vorhersage selbst zu einem Forschungsprogramm. Im August 2026 veröffentlichte es TurnBench, einen offenen Benchmark für die Dynamik des Sprecherwechsels: 30 Stunden im Studio aufgezeichnetes Zweikanal-Dialogmaterial, 154 Gespräche, 106 Synchronsprecher über sechs Register hinweg, dreifach annotiert mit einem Fleiss' Kappa von 0,78, bewertet anhand des Recall bei gedeckelter Falschpositivrate mit vorzeichenbehafteter Latenz im Median. Der zentrale Befund ist der, den man sich merken sollte: Menschliche Sprecher beginnen einen Sprecherwechsel im Median 151 ms bevor die andere Person aufhört zu sprechen, und kein System in diesem Bereich erreicht das innerhalb des Falschpositivbudgets. Semantische Detektoren sind selektiv und langsam; akustische Detektoren sind schnell und verrauscht. Nichts ist beides.

Das ist die Weggabelung, klar ausgesprochen. Sesame versucht, die Lücke zwischen 151 ms menschlicher Vorahnung und den 368 ms bis 1.234 ms zu schließen, die die besten Detektoren schaffen. Phonic versucht, die Lücke irrelevant zu machen, indem es die Arbeit beseitigt, die sie füllt. Beide sind legitim. Nur einer von ihnen ist heute für Sie als Endpunkt verfügbar, und es ist nicht derjenige, der den Benchmark veröffentlicht hat.

Das Gremium, das einen von ihnen bewertet – und derjenige, den es außen vor lässt.

Der Speech-to-Speech-Index von Artificial Analysis ist der einzige unabhängige zusammengesetzte Index in diesem Bereich, und Phonic 1 steht zum Zeitpunkt dieses Schreibens an seiner Spitze. Die entscheidenden Zeilen:

Phonic 1 (High) — Index 87,1, Erster Platz; Zeit bis zum ersten Audio 0,61 s; 4,20 $ pro Stunde Eingangs-Audio.

• Grok Voice 3.0 — 86.9; 0.81 s; $4.80 pro Stunde.

• GPT-Live-1 (Astra, mittel) — 83,2; 1,34 s; 5,83 $ pro Stunde.

• Gemini 3.8 Live Extended Thinking (High) — 82,6; 1,35 s; 3,50 $ pro Stunde.

Eleven Realtime v1 Max — 77,3; 0,57 s; 4,80 $ pro Stunde.

Beachten Sie die letzte Zeile. Eleven Realtime v1 Max ist schneller darin, die erste Audioausgabe zu erreichen, als Phonic 1 — 0,57 s gegenüber 0,61 s — und liegt 9,8 Indexpunkte niedriger. Die Zeit bis zur ersten Audioausgabe ist nicht der Wettbewerb, den Phonic gewonnen hat; Phonic gewann den Gesamtwert, der auch sprachliches Schlussfolgern, agentisches Aufgabenverhalten, menschliche Präferenz und Aufgabenerfolg gewichtet. Wer „schnellste“ aus einer einzigen Spalte zitiert, zitiert die falsche Spalte.

Nun die Asymmetrie. In dieser Rangliste gibt es keine Zeile „Sesame Preview“, und es gibt auch keine Möglichkeit, dass eine erscheint: Der Index führt Modelle durch eine API-Testumgebung, und Sesame Preview hat keine API. Auch Sesames eigene Instrumente schließen diese Lücke nicht. TurnBench wird von Sesame veröffentlicht und enthält zum Zeitpunkt dieses Textes keinen Sesame-Eintrag – die Liste führt Voice-Activity-Projection-Modelle, ESPnet, Kyutais semantischen VAD, Gemini 3.1 Live, OpenAI Realtime und Moshi auf, aber nicht die eigene Produktionsstimme des Unternehmens. Das ist kein Skandal; Benchmark-Autorschaft und Benchmark-Einreichung sind verschiedene Vorgänge, und eine Begleit-App hat keinen stabilen Endpunkt, auf den man eine Bewertung richten könnte. Es bedeutet aber, dass die beiden prominenten Zahlen in diesem Vergleich – 87,1 auf der einen Seite, unter 300 ms auf der anderen – nicht dieselbe Art von Aussage sind. Eine wurde von einem Dritten mit einer Testumgebung gemessen. Die andere ist eine vom Anbieter genannte Zielvorgabe für ein Produkt, das niemand außerhalb des Unternehmens instrumentiert hat.

Die Spalte, in der Phonic 1 verliert – Phonic' eigenen Belegen zufolge

Wenn Sie sich Sesame Preview ansehen, weil es wie ein Mensch klingt, hat dieser Vergleich eine unangenehme Antwort – und sie stammt aus dem eigenen Pressematerial von Phonic, nicht von einem Kritiker.

Phonic beauftragte bei Podonos, einem externen Dienstleister für Hörertests, blinde paarweise Hörtests und berichtete die Ergebnisse in seinem Launch-Beitrag. Phonic-1 wurde gegenüber GPT-Live-1 mit 61,5 % zu 32,0 % bevorzugt, gegenüber Grok Voice 3 mit 66,5 % zu 26,5 % und gegenüber Eleven v4 Turbo mit 78,0 % zu 14,0 %. Die Überschrift, die das Unternehmen als Aufhänger wählte, ist die, bei der es unterlag: Menschliche Sprecher wurden gegenüber Phonic-1 mit 57,0 % zu 32,0 % bevorzugt, was der Beitrag so beschreibt, dass die Menschen in etwa 60 % der Fälle gewannen, wobei noch erheblicher Spielraum für Verbesserungen besteht. Dies sind vom Anbieter in Auftrag gegebene und vom Anbieter berichtete Zahlen, und keine davon wurde unabhängig repliziert – aber es sind die Zahlen des Anbieters, und sie besagen, dass Phonic 1 die beste synthetische Stimme in seinem Vergleichsset ist und immer noch kein Mensch.

Unabhängige Präferenzdaten weisen in dieselbe Richtung. In der Speech Agent Arena, die in den zusammengesetzten Index einfließt, belegt Phonic 1 bei der Zuhörerpräferenz mit Elo 1.012 den achten Platz von 30, während es beim Aufgabenerfolg mit 92,3 % den vierten Platz belegt. Das Modell, das den Index anführt, ist nicht das Modell, mit dem Zuhörer am liebsten sprechen möchten. Das ist dieselbe Diskrepanz, die wir bei Grok Voice 3.0 von der entgegengesetzten Seite gesehen haben – xAI führte die Arena an und verlor die Agentic-Spalte –, und es ist der strukturelle Grund dafür, dass ein Direktvergleich zwischen diesen beiden nicht mit einer einzigen Zahl entschieden werden kann.

Der Ruf von Sesame ruht inzwischen genau auf jener Säule und auf nichts Rigoroseres. Die Demo von Maya and Miles ging im Februar 2025 wegen Atemzügen, Zögern, Selbstkorrekturen und Lachen viral, und die kursierende Behauptung war, dass Hörende die Stimmen in kurzen Ausschnitten nicht zuverlässig von Menschen unterscheiden konnten. Das ist ein Eindruck, den ein Publikum gewonnen hat, kein bewerteter Test, und er wurde nie mit Phonic 1 im selben Raum gestellt. Es gibt kein veröffentlichtes Experiment, in dem Hörende Sesame Preview und Phonic 1 direkt nacheinander hören. Wer Ihnen sagt, welche besser klingt, sagt Ihnen, welche er gehört hat.

Was eine Minute kostet und warum die Minute die falsche Einheit ist

Die Preisliste ist kurz und unausgewogen:

• Phonic 1 — 0,07 $ pro Minute bei Starter ohne Mindestumsatz, 10 gleichzeitige Anrufe, 10 Agenten und 3 Sitze; 0,065 $ pro Minute bei Pro bei einem monatlichen Mindestumsatz von 200 $, rund 3.100 Minuten, mit 50 gleichzeitigen Anrufen; Enterprise individuell. Wer sich vor dem 30. November anmeldet, erhält 250 $ Guthaben, und Kunden, die aus einer Kaskade migrieren, erhalten drei Monate kostenlos.

• Sesame Preview — $0. Nicht pro Minute, nicht pro Platz, nicht pro Agent. Kostenlos in der App.

• Sesame CSM-1B — Die Gewichte sind kostenlos, doch die Rechnung besteht aus Ihren GPU-Stunden plus der Ingenieurszeit, um Turn-Taking, Kontextkonditionierung und ein Sprachmodell rund um einen Checkpoint herum aufzubauen, der nicht selbstständig Text erzeugen kann.

Führt man den produktiven Vergleich durch, bricht der Pro-Minute-Rahmen zusammen. Zehntausend Minuten pro Monat bei Phonic 1 Starter kosten 700 US-Dollar – für ein Callcenter ein Rundungsfehler, für ein Nebenprojekt ein echtes Budget. Sesame verlangt nichts, weil Sesame keine Minuten verkauft – es verkauft vor einem Brillen-Launch 2027 eine tägliche Gewohnheit, und eine Gewohnheit wird pro Person, pro Jahr, über Hardware monetarisiert, nicht pro Audiominute. Eine Preisliste mit einer kostenlosen App zu vergleichen, heißt, einen Anbieter mit einer Werbetafel zu vergleichen.

Was bleibt, ist die ehrliche Version der Kostenfrage: Was kostet es, auszuliefern? Für Phonic 1 lautet die Antwort: ein Vertrag, ein Websocket und zehn gleichzeitige Calls im Starter-Tarif, es sei denn, man zahlt für Pro. Für Sesame Preview lautet die Antwort, dass es keine Zahl gibt, weil es kein Angebot gibt. Das, was einem auslieferbaren Sesame am nächsten kommt, ist CSM-1B, und das, was bei CSM-1B einer Preisliste am nächsten kommt, ist eine GPU-Rechnung.

Drei Käufer, drei unterschiedliche Antworten

Sie verlagern Anrufvolumen von einer Kaskade weg, und die Anrufe müssen abgeschlossen werden. Phonic 1, und es geht um die Agentic-Spalte statt um den Composite. Tool-Aufrufe, die ausgelöst werden, bevor der Anrufer zu sprechen aufhört, sind der Unterschied zwischen einem Agenten, der den Termin bucht, und einem, der den Anrufer dazu bringt, sich zu wiederholen. Die 0,07 $ sind günstig angesichts der Kosten eines fehlgeschlagenen Intake-Anrufs, und das Nebenläufigkeitslimit ist das, was Sie vor Ihrer Festlegung dimensionieren sollten.

Ihr Produkt ist, wie es klingt. Ein Begleiter, ein Coach, ein Tutor, eine Markenstimme – alles, bei dem der Grund, warum der Nutzer bleibt, die Stimme selbst ist. Sesame Preview ist der Referenzpunkt, und Phonic 1 ist noch nicht die Antwort: Im eigenen Blindtest des Anbieters übertreffen Menschen es mit einem Verhältnis von fast zwei zu eins. Aber der Referenzpunkt ist nicht käuflich, sodass die praktischen Optionen ein lizenziertes Stimmmodell mit einem gemessenen Präferenzwert oder CSM-1B und viel eigene Entwicklungsarbeit sind.

Sie wollen die Aufteilung – Sprachausgabe im Sesame-Stil mit einem agentischen Backend. Das ist die Kombination, auf die die Roadmaps beider Unternehmen hinauslaufen und die keines von beiden verkauft. Die umsetzbare Version ist CSM-1B oder ein anderes offenes Sprachmodell für die Stimme und ein konventionelles Textmodell dahinter für das Denken, von Ihnen zusammengeschaltet. Diese Textstufe ist gewöhnliche Chat-Inferenz, also die Ebene, auf die eine API für über 200 Modelle ohne Aufschlag tatsächlich zutrifft: ein einziger Schlüssel für den Reasoning-Teil, Anbieter-Listenpreis unverändert durchgereicht, die Routing-DSL, um Turn-Taking-Geplauder und richtlinienlastiges Reasoning innerhalb desselben Aufrufs an verschiedene Modelle zu schicken, und automatisches Failover, damit ein Ausfall eines Anbieters das Gespräch nicht beendet. Weder Phonic 1 noch Sesame Preview ist in diesem Katalog – Phonic 1, weil es ein Endpunkt eines einzelnen Anbieters ist, und Sesame Preview, weil es keinen Endpunkt zum Routing gibt –, daher ist dies eine Aussage über die Hälfte des Stacks, die Sie selbst zusammenbauen, keine Behauptung über eines der oben genannten Modelle.

Was würde diese Antwort ändern?

Drei Dinge, in aufsteigender Reihenfolge ihrer Wahrscheinlichkeit.

Phonic veröffentlicht Hörtest-Werte für die Standard-Intelligenz-Einstellung. Jeder Wert in diesem Artikel, einschließlich der 87,1 und der 0,61 s, wurde mit Hoch erzeugt. Die API verwendet standardmäßig Standard, dokumentiert als Modus mit geringerer Latenz, und niemand hat veröffentlicht, was diese Konfiguration mit der Qualität oder der Zeit bis zum ersten Audio macht. Eine Integration, die diese Einstellung nie anfasst, läuft mit einer nicht gemessenen Variante.

Sesame öffnet einen Endpunkt oder setzt seine eigene Produktionsstimme auf sein eigenes Turn-Taking-Board. Beides würde dies von einem Vergleich eines Produkts mit einem Ruf in einen Vergleich zweier messbarer Dinge verwandeln. Nichts davon steht auf der Roadmap, die Sesame beschrieben hat; diese führt über Android und dann 2027 zu Brillen.

Jemand betreibt beide im selben Raum. Ein einzelner Blindtest mit den Produktionsstimmen von Sesame Preview und Phonic 1 auf denselben Prompts würde die Frage nach der Natürlichkeit an einem Nachmittag klären, und er kann von niemandem durchgeführt werden, der nicht bei Sesame arbeitet, weil eines der beiden Systeme für Außenstehende nicht erreichbar ist.

Bis eines davon eintritt, ist die vertretbare Lesart diese: Phonic 1 ist das einzige der beiden, das Sie einsetzen können, es liegt in der einzigen unabhängigen Gesamtbewertung vorn, die eines der beiden überhaupt bewertet, es gewinnt bei der Wette, dass die Arbeit vor dem Ende des Turns erledigt ist, und es ist messbar noch keine menschliche Stimme. Sesame Preview ist das besser klingende Ding, das Sie nicht bekommen können – von einem Unternehmen, das es derzeit nicht zum Verkauf anbietet. Das sind keine zwei Optionen in einem Menü. Das eine stammt von einem Anbieter, das andere ist eine Demo, und je schneller Sie aufhören, ihre Datenblätter zu vergleichen, desto schneller können Sie entscheiden, welche der beiden Ihr Produkt tatsächlich gebraucht hat.