Realtime-Venus vs. Sesame Preview: Was man bekommen kann, ist nicht das, was gut ist

Realtime-Venus und Sesame Preview wurden von Laboren mit völlig unterschiedlichen Vorstellungen davon entwickelt, wofür ein Voice-Modell gedacht ist, und sie sind aus entgegengesetzten Richtungen in dieselbe Falle getappt. Sesame Preview ist eine kostenlose Consumer-App – iOS seit Mai 2026, Android seit Anfang August – mit vier Konversationsagenten, Live-Websuche während der Anrufe und einer Stimme, die von Rezensenten als Best-in-Class bezeichnet wurde. Die offenen Gewichte, die Sesame veröffentlicht hat, sind ein anderes, kleineres Modell, das das Unternehmen selbst nicht als die Stimme präsentiert, die man in der Demo gehört hat. Realtime-Venus, das 9B-Vollduplex-System vom Venus Team von Ant Group und der Tsinghua University, ging den umgekehrten Weg: Die herunterladbaren Artefakte sind das echte Modell, und es gibt überhaupt kein Produkt. In beiden Fällen ist die Kluft zwischen dem, was verfügbar ist, und dem, was beeindruckend ist, das Nützlichste, was man verstehen sollte, bevor man irgendetwas rund um eines der beiden plant.

Was jedes einzelne tatsächlich ist

Sesame Preview ist ein Produkt. Sesame ist ein Labor aus San Francisco, das 2023 von Brendan Iribe, Ankit Kumar und Ryan Brown gegründet wurde, unterstützt von a16z, Sequoia, Spark und Matrix, und sein Sprachassistent für Verbraucher kommt mit vier Persönlichkeiten — Maya, Miles, Simone und Charlie — jede mit einem ausgeprägten Temperament und einer eigenen Stimme. Der Agent kann mitten im Gespräch das Web durchsuchen, Notizen und Erinnerungen anlegen und nach einem Anruf eine Zusammenfassung senden. Der Speicher ist pro Agent und synchronisiert sich zwischen Web und Mobilgeräten, wenn Sie angemeldet sind, mit einem Inkognitomodus, der vergangene Erinnerungen liest, ohne neue zu schreiben. Er ist kostenlos, zeigt keine Werbung, und das Unternehmen erklärt, dass es keine Daten verkauft.

Realtime-Venus ist ein Forschungsrelease. Zwei 9B-Checkpoints unter Apache-2.0 auf Hugging Face – Realtime-Venus-Omni für audiovisuelle Interaktion und Realtime-Venus-Audio für sprachliche Interaktion – plus ein technischer Bericht, der am 12. September 2026 bei arXiv eingereicht wurde, eine Projektseite und ein begleitendes Repository, das die Komponente Realtime-Venus-Harness enthält. Es gibt keine App, keine API, keinen Preis und keine Ankündigung vom Anbieter. Das Repository wird von keinem Inferenzanbieter bereitgestellt, und Downloads werden nicht erfasst.

Die Falle, in beide Richtungen

Sesames Version ist die klassische Open-Washing-Form, und Sesame ist diesbezüglich ehrlicher als die meisten. Der CSM-Checkpoint, den das Labor unter Apache-2.0 veröffentlicht hat, ist ein Basismodell zur Sprachgenerierung – ein Llama-Backbone, der einen Mimi-Codec-Decoder speist –, und die Dokumentation sagt ausdrücklich, dass es nicht die Stimme der App und kein End-to-End-Sprach-zu-Sprach-System ist. Es kann keinen Text generieren und wurde hauptsächlich auf englischen Daten trainiert, mit begrenzten Fähigkeiten außerhalb davon. Was Sesame Preview antreibt, ist ein größeres Produktionsmodell, das nicht veröffentlicht wurde. Wenn Sie also nach der Stimme aus der Demo gesucht haben, haben Sie ihre Forschungslinie gefunden und nicht die Sache selbst. Wenn einer der vier Agenten Ihren Anruf beantwortet, hören Sie etwas, das Sie nicht herunterladen können.

Realtime-Venus’ Version ist das Spiegelbild und wohl auch die seltsamere Variante. Alles Veröffentlichte ist echt: echte Gewichte, echter Code, ein echter Bericht, eine permissive Lizenz. Was fehlt, ist jegliche Möglichkeit, es zu nutzen, ohne eine GPU zu besitzen. Zwei 9B-Checkpoints in BF16 sind jeweils ungefähr achtzehn Gigabyte an Gewichten, bevor Aktivierungsspeicher dazukommt, und beide sind darauf ausgelegt, eine kontinuierliche Ein-Sekunden-Streaming-Schleife mit Live-Audio- und Videoeingabe laufen zu lassen. Das ist ein Deployment der Serverklasse. Eine Consumer-App, die dieselbe Fähigkeit auf ein Telefon bringt, macht etwas, das dieses Release nicht versucht, und die Kluft zwischen einem herunterladbaren und einem lauffähigen Modell ist genau die Stelle, an der die meisten, die es haben wollen, hängen bleiben werden.

Messbarkeit ist der schärfere Unterschied

Keines der beiden Modelle verfügt über eine unabhängige Bewertung der Stimmqualität, doch die Gründe dafür sind unterschiedlich.

• Sesame Preview — kein Arena-Eintrag, keine veröffentlichte Bewertung der Produktionsstimme. Sein Ruf stützt sich auf Rezensenten und auf die Wirkung der Original-Demo auf die Zuhörer, was eine Art echter Evidenz ist und völlig unquantifiziert.

• CSM-1B — der offene Checkpoint ist ein Basis-Generierungsmodell; er wird nicht gegen konversationelle Systeme gebenchmarkt, weil er keines ist.

• Realtime-Venus — eine selbst gemeldete Voice-Kennzahl, ein VoiceBench-AlpacaEval-Score von 4,81, den sein Bericht als übereinstimmend mit dem besten Vergleichswert beschreibt. Keine unabhängige Drittpartei hat es bewertet.

• Was weder der eine noch der andere Ihnen liefert — eine Zahl, die von jemandem stammt, der kein eigenes Interesse am Ergebnis hat. Wenn die Stimmqualität Ihr Kaufkriterium ist, lässt sich der gesamte Vergleich nicht bewerten, und der ehrliche Weg ist, sich beide anzuhören und selbst zu entscheiden, statt sich einer Tabelle zu beugen.

Sprecherwechsel, bei dem beide etwas zu beweisen haben

Sesames Ruf basierte genau darauf. Die Demo, die das Labor berühmt machte, war eine Stimme mit Atem, Zögern und Unterbrechungs-Timing – überzeugend genug, dass Zuhörer annahmen, eine Person sei in der Leitung. Das ist eine Behauptung über Gesprächsdynamik, und genau das ist das Verkaufsargument des Produkts.

Realtime-Venus erhebt dieselbe Behauptung, mit Zahlen unterlegt. Auf Full-Duplex-Bench v1.5 meldet sein Audio-Checkpoint, auf 75 % der Nutzerunterbrechungen zu reagieren, mit Fortsetzungsraten von 97 % bei Backchannels, 88 % bei fremdgerichteter Sprache und 86 % bei Hintergrundsprache – es wird angegeben, dass es Gemini 3.1 Live und GPT-4o bei allen drei Fortsetzungsmetriken übertrifft. Diese Zahlen stammen aus seinem eigenen Bericht, und niemand hat sie reproduziert.

Der Vergleich ist also eine Demo ohne Zahl gegen eine Zahl ohne Demo, was eine wirklich unangenehme Situation ist und eine treffende Beschreibung davon, wie diese ganze Kategorie derzeit über sich selbst berichtet. Das Einzige, was sich mit Sicherheit sagen lässt, ist, dass keine der beiden Behauptungen eine unabhängige Prüfung überstanden hat, und 97 % Fortsetzung unter Backchannels ist hoch genug, dass sie eine verdient, bevor sie als gesichert zitiert wird.

Was Sie tatsächlich bauen können

Sesame Preview bietet einem Entwickler nichts. Es gibt keine API, keine Modellkennung, keine Preisliste und keinen angekündigten Plan dafür. Anrufe sind auf dreißig Minuten begrenzt, wenn man angemeldet ist, andernfalls auf fünf, Englisch ist die einzige offiziell unterstützte Sprache, und der Agent recherchiert und merkt sich Dinge, führt aber keine Aufgaben aus — er wird den Flug nicht buchen. Der kostenlose Tarif ist das Produkt. Das ist ein vollkommen gutes Angebot für Endverbraucher und eine Sackgasse für die Integration.

Realtime-Venus gibt einem Entwickler alles außer einem Ort, an dem er es ausführen kann. Die Gewichte sind permissiv lizenziert, der Code lädt mit Standard-Transformers-Aufrufen, Full-Duplex-Streaming wird mit einem einzigen Methodenwechsel aktiviert, und die dokumentierte Schleife besteht aus einer Sekunde Streaming-Prefill, gefolgt von Streaming-Generierung, wiederholt. Langvideo-Gedächtnis wird mit einem memory-minutes-Parameter aktiviert und als training-free beschrieben, was für eine Fähigkeit, die normalerweise Fine-Tuning erfordert, ungewöhnlich ist. Zwei Einschränkungen sind dokumentiert, statt entdeckt werden zu müssen: eine Frame-Obergrenze, die langes Video stillschweigend abschneidet, sofern nicht eine Konstante vor dem Utility-Import erhöht wird, und eine CJK-Schriftart-Anforderung für nichtlateinische Untertitel, die in Duplex-Video gerendert werden.

Daran ändert all das nichts: Der Harness – die Komponente, die die asynchronen Delegationen ausführt, den prägendsten Teil der Architektur – liegt in einem separaten GitHub-Repository, ist weit weniger dokumentiert als das Modell und ist der Teil, dessen Produktionsreife am schwersten einzuschätzen ist. In einem echten Deployment ist der Delegationspfad gewöhnliche Textinferenz hinter einem dialogorientierten Frontend. OrcaRouter führt weder Realtime-Venus noch Sesame Preview; beide Sprachschichten liegen außerhalb dessen, was wir anbieten, und das sagen wir klar, statt eine Hosting-Beziehung anzudeuten, die nicht existiert. Fast 200 Textmodelle hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag ist die Hälfte dieser Architektur, die wir sehr wohl abdecken, mit automatischem Failover, damit eine delegierte Aufgabe einen Upstream-Ausfall übersteht, einer Routing-DSL, die mehrere Modelle zu einem Aufruf zusammensetzt, und Modellfusion, wenn das Urteilsvermögen eines einzelnen Modells nicht ausreicht. Es ist der käufliche Teil eines Designs, dessen interessanter Teil nicht zum Verkauf steht.

Die ehrliche Empfehlung

Wenn Sie ein Verbraucher sind, der die heute bestklingende Konversationsstimme möchte und sie nicht integrieren muss, ist Sesame Preview kostenlos, auf beiden mobilen Plattformen verfügbar, und sein Ruf ist so verdient, dass Rezensenten es immer wieder betonen. Nutzen Sie es und genießen Sie es.

Wenn Sie ein Forscher oder ein gut ausgestattetes Engineering-Team sind, das einen offenen audio-visuellen Vollduplex-Stack benötigt, den man inspizieren und feinabstimmen kann, ist Realtime-Venus eine der sehr wenigen echten Optionen, und die Tatsache, dass die Benchmarks auf Selbstauskunft beruhen, ändert nichts daran, dass die Gewichte tatsächlich offen und die Architektur tatsächlich dokumentiert sind.

Wenn Sie ein Produktteam sind, das in diesem Quartal eine Voice-Layer ausliefern möchte, ist keines von beiden Ihre Lösung – und die nützliche Erkenntnis aus der Gegenüberstellung ist das Warum. Ein Labor hat etwas Hervorragendes gebaut und den guten Teil geschlossen gehalten; das andere hat alles veröffentlicht und es Ihnen überlassen, die Infrastruktur bereitzustellen. Die Kategorie hat bewiesen, dass sie eine Stimme erschaffen kann, die es wert ist, gehört zu werden, und hat noch nicht entschieden, ob diese Stimme in irgendeiner anderen Form als einer App käuflich zu erwerben sein sollte.