Fish Audio Live 3 vs Sesame Preview: Dos respuestas a la toma de turnos, una de ellas medible

Sesame construyó {{1}}un benchmark{{/1}} para el problema exacto que {{2}}Fish Audio Live 3{{/2}} dice haber resuelto, y luego {{2}}Fish Audio{{/2}} lanzó {{3}}un modelo{{/3}} que no figura en él. Esa es {{4}}la versión breve de esta comparación{{/4}}. {{5}}Sesame Preview{{/5}} — {{6}}el producto de consumo de cuatro agentes que ejecuta el Conversational Speech Model del laboratorio{{/6}} — publicó {{1}}TurnBench{{/1}} en agosto de 2026: treinta horas de habla de dos personas con anotación triple, una tabla de clasificación pública, un visor interactivo de conversaciones y resultados para {{7}}catorce sistemas{{/7}}. {{2}}Fish Audio Live 3{{/2}}, anunciado el 10 de noviembre de 2026, sostiene que la sincronización conversacional debería aprenderse dentro del modelo de voz en lugar de imponerse mediante umbrales de silencio, y publica {{3}}tres llamadas de muestra{{/3}} y {{4}}una cifra de 186 milisegundos{{/4}}. {{5}}El argumento{{/5}} es el mismo argumento. {{6}}La evidencia{{/6}} no es la misma evidencia.

Todo lo demás se deriva de la forma tan distinta en que las dos empresas convirtieron ese argumento en un producto. Live 3 se vende: $0.035 por minuto en la Agent Platform de Fish Audio durante una promoción que finaliza el 31 de diciembre de 2026, una API documentada y una opción on-premises para empresas. Sesame Preview se regala: cuatro personalidades fijas en una app para iOS y Android, sin API, sin identificador de modelo para la voz en la app y sin nada por token ni por minuto. Con uno de ellos puedes construir esta semana. Al otro solo puedes escucharlo.

La prueba que existe, y por qué Live 3 no está en ella

La alternancia de turnos es una capacidad poco común: la industria acordó una forma de medirla antes de que llegaran los modelos, y Sesame es en gran parte la razón. TurnBench, publicado el 28 de agosto de 2026 y desarrollado junto con Carnegie Mellon University, Mundo AI y Oto, puntúa a los sistemas según cómo gestionan exactamente los eventos que hacen que un agente telefónico suene mal: un acuse de recibo que no debería arrebatar el turno, una interrupción que sí debería hacerlo, una pausa que no es un final. La tabla de clasificación es pública, el conjunto de desarrollo es de autoservicio y los resultados abarcan catorce sistemas.

Fish Audio Live 3 no está entre ellos, y tampoco lo está ningún otro modelo dúplex de Fish Audio. Eso no es un escándalo —un modelo lanzado en noviembre no puede estar en una tabla de clasificación de agosto—, pero es el dato más útil de esta comparación, porque te dice qué tipo de afirmación está haciendo cada empresa. Sesame puso su propio producto en una prueba pública que ayudó a diseñar, donde cualquiera puede consultar la puntuación. Fish Audio puso su producto en una lista de precios promocional, donde cualquiera puede consultar el precio.

Ambos son lanzamientos legítimos. Solo uno de ellos permite que un desconocido verifique aquello de lo que trata el marketing.

Lo que cada parte entrega realmente

Qué es: Fish Audio Live 3 es un modelo de voz dúplex completo que sustenta una plataforma de agentes; Sesame Preview es una aplicación de asistente para consumidores con cuatro agentes, Maya, Miles, Simone y Charlie, cada uno con su propia memoria.

• Distribución — Live 3: plataforma de autoservicio, API documentada, empresa on-premises. Sesame Preview: aplicaciones para iOS y Android, gratuitas, sin API, sin ID de modelo para la voz en la aplicación.

• Precio — Live 3: $0.035/min promocional, $0.07 de lista, más $0.01/min para llamadas telefónicas y $1.20/mes por número. Sesame Preview: no hay precio publicado ni nivel de plan publicado; la aplicación se puede descargar gratis.

• Idiomas — Live 3: solo inglés en el lanzamiento, según las propias palabras de Fish Audio, aunque la plataforma en cuestión anuncia voces en más de 30 idiomas. Sesame Preview: centrado en el inglés, entrenado principalmente en inglés según las propias notas de investigación del laboratorio.

• Independencia — Live 3: no hay ningún benchmark publicado de ningún tipo a 11 de noviembre de 2026, ni ninguna fila en el panel de voz a voz de Artificial Analysis. Sesame Preview: tampoco hay una puntuación independiente para la voz de la aplicación, pero sí una tabla pública de clasificación de toma de turnos que la compañía ayudó a crear y publica.

• Apertura — Live 3: sin pesos, sin licencia, sin repositorio. Sesame: un checkpoint abierto, CSM-1B, Apache-2.0 en Hugging Face desde marzo de 2025 — que no es la voz de la aplicación.

• Interfaz — Live 3: tú lo integras. Sesame Preview: tú hablas con él.

El problema de vocabulario que ambas empresas comparten

Ninguno de los dos productos publica lo suficiente como para permitirte comparar aquello que realmente te importa, y ambos usan la misma palabra para referirse a ello. Fish Audio lo llama el ritmo de la conversación y describe un número de teléfono leído por fragmentos —«415… 555… 0132»—, donde un agente convencional oye tres finales de turno separados. El marketing de Sesame llama a ese mismo comportamiento presencia, y sus notas de publicación de octubre de 2026 dicen que la empresa actualizó su Conversational Speech Model para mejorar la expresividad y la pronunciación, con menos adulación y menos frases repetidas. Ambas afirmaciones son infalsables tal como están escritas. Ninguna incluye una cifra.

La diferencia es que {{1}}Sesame{{/1}} entregó la regla. Si {{2}}Fish Audio{{/2}} quiere hacer la comparación con base en los méritos, el conjunto de desarrollo de {{3}}TurnBench{{/3}} está abierto y es autoevaluable; la tabla de clasificación está esperando una entrada.

Qué puede hacer un constructor con cada uno, y qué no puede hacer

Aquí es donde los dos productos dejan de ser comparables por completo. {{1}}Sesame Preview{{/1}} no es un componente. No hay endpoint, ni API de sesión, ni forma de poner su voz detrás de tu propio número de teléfono, y el único checkpoint de Sesame que alguien fuera de la app puede cargar es {{2}}CSM-1B{{/2}}, un modelo de 1.000 millones de parámetros de marzo de 2025 que es anterior a la voz de la app actual por un año y medio de trabajo. Un equipo que quiera el toque conversacional de Sesame en un producto no tiene, hoy, ningún camino para conseguirlo que no implique esperar.

Live 3 es el modelo opuesto. Está cerrado en lo que importa —sin pesos, sin forma de alojarlo por tu cuenta fuera de un contrato empresarial—, pero está abierto en lo que te permite lanzar: un creador de agentes, una API documentada, telefonía y una tarifa por minuto. La capa de razonamiento es una parte separada y reemplazable; el agente puede apuntar a un endpoint compatible con OpenAI para el pensamiento mientras la voz sigue siendo de Fish Audio. Esa estructura es lo que hace que un equipo pequeño pueda desplegarlo un martes.

En lo que respecta específicamente a la parte de razonamiento, OrcaRouter incluye más de 200 modelos con una sola clave al precio de lista del proveedor y sin margen alguno, con conmutación automática por error cuando un backend falla en mitad de una llamada y un DSL de enrutamiento para decidir qué modelo se encarga de cada tipo de turno. Fish Audio Live 3 no es uno de esos modelos: no existe un endpoint de terceros para un modelo de voz dúplex cerrado, y aquí no hay nada que enrutar. El trabajo del router en este stack comienza donde termina la voz.

¿Cuál ver, y para qué?

Tres señales resolverían esta comparación, y ninguna de ellas es una nota de prensa. Una entrada de Live 3 en TurnBench o una fila en la tabla de voz a voz de Artificial Analysis convertirían el argumento conductual de Fish Audio en una puntuación con un número al lado. Una API para desarrolladores de Sesame —la empresa ha dicho que las herramientas para desarrolladores están por llegar, sin una fecha— convertiría la voz de la app en algo que un producto podría alquilar. Y un segundo checkpoint abierto de Sesame, más reciente que CSM-1B, daría a la comunidad de pesos abiertos lo que el lanzamiento de Live 3 conspicuamente no dio.

Hasta que llegue uno de esos, la clasificación honesta depende por completo de lo que estés comprando. Si quieres la conversación con mejor sonido disponible hoy y estás dispuesto a tenerla dentro de la app de otra persona, Sesame Preview es el producto más impresionante y el más honesto sobre cómo debería juzgársele. Si necesitas una voz en producción este trimestre, Sesame no es candidato y la comparación se reduce a una sola pregunta sobre Live 3: si un minuto promocional de $0.035 y un piso de reconocimiento de 186 milisegundos son evidencia suficiente para apostar una línea telefónica. Para la mayoría de los equipos, la respuesta es sí para un piloto y todavía no para una nómina, y el benchmark que cambiaría esa respuesta ya existe, con una fila en blanco.