Eleven Realtime v1 Max vs Sesame Preview: la voz que conquista el oído pierde la tarea

Pregúntele a alguien qué asistente de voz suena más humano y le dirá S​esame Preview. Pregunte qué modelo puede poner una empresa detrás de un número de teléfono y la respuesta es Eleven Realtime v1 Max, un modelo de voz a voz anunciado el 20 de octubre de 2026 que resuelve el 87,1 % de las tareas en una evaluación fija, responde en 0,57 segundos y está disponible a través de ElevenAgents o de una API Realtime compatible con O​penAI. S​esame Preview es una aplicación de consumo con cuatro compañeros con nombre y sin forma de comprar la voz que contiene. Los incidentes de IA documentados y los fallos de agentes detrás de los modelos de esta clase se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.

Eso no es un golpe definitivo, porque los dos productos persiguen cosas distintas y el argumento a favor de la voz de S​esame es real. Los investigadores de S​esame fueron de los primeros en hablar en público de la idea de que el ritmo conversacional —el mm-hmm, el solapamiento, la disposición a ceder a mitad de frase— es el valle inquietante, no el timbre. La documentación de E​levenLabs hace la misma apuesta desde la dirección opuesta: se describe a Mini como capaz de detectar si quien habla ha terminado o simplemente está interrumpiendo. Dos laboratorios, una tesis, modelos de negocio opuestos.

Donde la comparación se vuelve interesante es en lo que cada una ha medido realmente. E​levenLabs publica seis cifras y un socio de evaluación. S​esame publica una experiencia.

Qué es cada uno, exactamente

Eleven Realtime v1 Max es una única red que realiza reconocimiento, toma de turnos, razonamiento y generación de voz de forma conjunta, y está pensada para tareas complejas con uso de herramientas de varios pasos: atención al cliente, cualificación de leads y programación asistida. Su alternativa económica, Eleven Realtime v1 Mini, es la opción predeterminada para los nuevos agentes de ElevenAgents y está orientada a una conversación natural a menor coste. Se puede acceder a Max de dos maneras: desde el menú desplegable de ElevenAgents, donde ElevenLabs gestiona por ti el LLM, el modelo TTS, el proveedor de ASR y la configuración de razonamiento, o mediante una API Realtime que habla el protocolo de eventos Realtime de OpenAI sobre WebSocket en wss://api.elevenlabs.io/v1/convai/realtime.

S​esame Preview es un asistente de voz de consumo gratuito: cuatro agentes con nombre —Maya, Miles, Simone y Charlie— disponibles en iOS y en la web, descritos por casi todos los que lo prueban como el asistente de voz más natural del mercado. Mantiene el contexto entre sesiones, busca en la web y crea recordatorios. No reserva, compra ni archiva nada. No hay un nivel empresarial, ni precios publicados, ni una API pública para la voz que se escucha en la aplicación.

Ambos son sistemas conversacionales full-duplex con una toma de turnos lo bastante buena como para que la gente deje de notarlo. Ahí es donde termina el parecido y donde la pregunta de «cuál es mejor» deja de tener una única respuesta.

Los números que tiene uno de ellos

Artificial Analysis evaluó Eleven Realtime v1 Max de forma independiente con el mismo conjunto de pruebas que aplica a todos los modelos de voz a voz. Estas son sus cifras, no las de ElevenLabs:

• Razonamiento del habla (Big Bench Audio) — Máx. 98,8%

• Dinámicas conversacionales (Full-Duplex-Bench) — Máx. 94,1%

• Tasa de éxito de tareas — Máx. 87.1%

• Preferencia de Arena (Elo) — Máx. 997

• Tiempo hasta el primer audio — Máx. 0,57 s

• Coste por hora de audio de entrada — Máx. $4.80

• Rendimiento agéntico (τ-Voice) — Max no medido

• Índice de voz a voz — Max sin puntuación

Sesame Preview no aparece en ninguna de estas filas. No tiene una API pública, así que ningún banco de pruebas independiente puede ejecutarlo, y el comportamiento de la propia aplicación nunca ha sido medido en finalización de tareas o latencia por nadie fuera de Sesame. Cuando la gente dice que Sesame suena mejor, está describiendo una impresión auditiva, y es una impresión legítima; simplemente no es la misma medición que la de una arena con una metodología y un modelo de preferencias detrás.

Eso corta en ambas direcciones. El Elo 997 de la arena es un número real de oyentes reales, y sitúa a Max por detrás del 1.064 de G​rok Voice 3.0, el 1.047 de G​PT-Live-1 (Sol, low) y el 1.078 de G​emini 3.8 Live. E​levenLabs gana en las filas de razonamiento y velocidad y no gana en la fila de preferencia. Si tu intuición es que la voz de S​esame supera a la de Max, el resultado de la arena es coherente con esa intuición: simplemente resultó medido contra otros modelos de API, no contra S​esame.

La cuestión de los pesos abiertos, que es donde fallan la mayoría de las comparaciones

Todo artículo que elogia la voz de S​esame está elogiando la app, y la voz de la app es un modelo de producción cerrado que S​esame nunca ha publicado como endpoint. Lo que S​esame ha publicado como código abierto es CSM-1B, un modelo de voz conversacional de 1B en la familia Moshi, bajo Apache-2.0. Es un bloque de síntesis, no un asistente: un backbone Llama predice el primer codebook de Mimi, un decodificador Llama más pequeño predice el resto, y un códec Mimi convierte eso en una forma de onda de 24 kHz. Está orientado primero al inglés, clona una voz a partir de un clip de referencia corto y no puede generar texto en absoluto: se combina con un modelo de lenguaje separado.

Quienes han probado ambos describen la voz de CSM-1B como claramente más débil que la de la aplicación Preview, y la propia ficha del modelo de Sesame respalda esa interpretación: una variante de CSM con ajuste fino impulsa la demo interactiva, y esa variante no es el checkpoint que puedes descargar.

Así que la versión honesta de «S​esame vs E​levenLabs» es esta. S​esame tiene una voz cerrada preciosa que no puedes invocar, y un pequeño bloque de síntesis abierto que sí puedes, y no son el mismo modelo. E​levenLabs tiene un modelo invocable cuya voz es mediblemente buena pero no la que más gusta, y un precio. La asimetría que le importa a quien construye no es cuál suena mejor; es cuál tiene un endpoint, y ahí no hay comparación.

Dónde aparece el merge en producción

El argumento de ElevenLabs es que fusionar el reconocimiento, la toma de turnos, el razonamiento y la voz en un único sistema ajustado elimina las costuras que deja un sistema en cascada.

En ElevenAgents, la fusión es literal y tiene un coste: mientras se configura un modelo Realtime, el LLM, el esfuerzo de razonamiento, el presupuesto de pensamiento, las llamadas a herramientas en paralelo, el tiempo de espera en cascada, el modelo TTS, el modo expresivo y el proveedor de ASR los gestiona ElevenLabs y se ignoran en el agente. Un nodo de flujo de trabajo no puede sobrescribirlos, y el agente no puede usar un LLM personalizado ni Amazon Bedrock en absoluto. Elige el modelo y eliges toda la pila que hay debajo.

La matriz de cumplimiento es desigual de una manera que sorprenderá a quienes estén implementando esto en las distintas regiones:

• Residencia de datos — Max funciona en EE. UU. y la UE, pero no en India ni Singapur, donde solo se ofrece Mini

• Modo de retención cero y HIPAA: Max es compatible en EE. UU. y la UE; Mini no es compatible con ninguna de las dos.

Límite de tokens — Max requiere 1.024 tokens o ningún límite, y los nodos de flujo de trabajo no pueden anularlo.

• Transferencias de agentes — un agente en modo Realtime solo puede transferir a otros agentes en modo Realtime y recibir transferencias de ellos, aunque se permite Mini-to-Max

• Transporte — sin WebRTC en el lanzamiento; la Realtime API es solo WebSocket

Esas reglas se aplican al publicar, no al guardar: un borrador que infringe una se guarda sin problema y falla al publicar, con un error que indica el ajuste. Si estás haciendo un prototipo, es una molestia menor. Si estás enviando a una cola regulada, decide qué variante puedes usar en qué entorno, y la más barata no siempre es la que cumple las normas.

¿Cuál pertenece a tu stack?

Elige Eleven Realtime v1 Max cuando la voz es un medio para un fin y la llamada tiene que producir un resultado: triaje de soporte, programación de citas, cualificación. Hoy mismo obtienes un endpoint, un protocolo de eventos compatible con OpenAI que convierte la migración desde una integración de Realtime en un cambio de dos cadenas, una tasa medida de éxito en la tarea del 87,1 %, el razonador potente más rápido del mercado y un precio que puedes modelar en 4,80 $ por hora de audio. Acepta que todavía está en fase de despliegue, que su comportamiento agéntico no está medido y que su voz no encabeza la arena de preferencias.

Elige S​esame Preview cuando estés estudiando cómo debería sentirse la calidad conversacional, o construyendo un producto de consumo en el que la conversación es el producto. Es gratis, es lo que mejor suena de todo lo que la mayoría de la gente ha probado, y es una buena forma de calibrar tu criterio. No planifiques una integración en torno a él: no hay nada con lo que integrarlo, y CSM-1B no es el modelo de la aplicación.

Elige CSM-1B solo si quieres un bloque de síntesis abierto y autoalojable y estás dispuesto a construir el resto —un ASR, un modelo de lenguaje, una capa de toma de turnos— a su alrededor. Es Apache-2.0 y es genuinamente útil en ese papel. No es un competidor de Max y nunca lo fue.

El híbrido, y la mitad con la que un router puede ayudar

Los productos de voz más serios acaban mezclando modelos en lugar de elegir uno. Un modelo que suene natural en los turnos de apertura y confirmación, donde se perciben la calidez y la latencia; un modelo fiable para tareas en los turnos de transacción, donde un error significa una reserva perdida. Ni Eleven Realtime ni Sesame lo facilitan dentro de una sola conexión: la API Realtime de ElevenLabs es un producto separado de ElevenAgents y solo funciona sobre WebSocket, y Sesame no tiene una API con la que combinar.

Donde una capa de enrutamiento sí se gana su lugar es una capa más abajo, en el trabajo que delega el modelo de voz. En OrcaRouter eso es 209 modelos de 16 proveedores upstream detrás de una sola clave, al precio de lista del proveedor sin margen, con conmutación por error automática cuando un proveedor falla. La fusión de modelos permite que un panel responda en conjunto cuando el juicio de un solo modelo no es suficiente; el DSL de enrutamiento compone varios en una sola llamada. Eleven Realtime v1 Max en sí no está en nuestro catálogo —no existe un endpoint de terceros para él—, así que el límite honesto es que podemos enrutar la recuperación, el resumen y el análisis posterior a la llamada, no la voz.

Lo que cambiaría este artículo es un benchmark que mida la naturalidad de la misma manera en que la arena mide la preferencia, aplicado tanto a la app de Sesame como a los modelos de la API —o un endpoint para la voz de producción de Sesame. Cualquiera de los dos convertiría una elección entre acceso y experiencia en una comparación real. Hasta entonces, a uno de estos modelos puedes llamarlo y al otro solo puedes admirarlo, y eso decide más que cualquier prueba de escucha.