Gemini 3.8 Live vs. Sesame Preview: La voz que puedes admirar vs. la que puedes llamar

El agente de voz de Sesame obtiene 4,5 sobre 5 en "sonar humano". El de Gemini 3.8 Live obtiene 4,0. El de Sesame también completa el 71 % de los flujos de reserva, mientras que el de Gemini 3.8 Live completa el 78 %, y el de Sesame comete errores de llamada a función aproximadamente al doble de frecuencia. Si eliges un stack de voz para un negocio que reserva citas, el modelo que suena mejor pierde —y pierde por razones que no tienen nada que ver con lo bien que suena.

Esas cifras provienen de una comparación directa de terceros en 1.500 llamadas de clientes por modelo sobre guiones de reserva, y conllevan dos advertencias que importan. No son nuestras ni se replicaron de forma independiente, y el lado de Gemini utilizó la generación Gemini Live de principios de 2026, no el modelo del que trata este artículo. Gemini 3.8 Live es el lanzamiento de voz a voz de Google del 15 de septiembre de 2026, disponible ya en la Live API. Sesame Preview es el asistente de voz de consumo de Sesame, gratuito en iOS desde mayo de 2026 y disponible de forma general en Android desde principios de agosto de 2026, construido en torno a cuatro agentes con nombre —Maya, Miles, Simone, Charlie— y ampliamente descrito como el asistente de voz de sonido más humano al que cualquiera haya hablado.

La comparación no es realmente modelo contra modelo. Es un producto que puedes poner en producción contra una experiencia que solo puedes visitar.

La forma de cada cosa

Gemini 3.8 Live es una superficie para desarrolladores. Se distribuye como gemini-3.8-live y gemini-3.8-live-extended-thinking en la Live API, con un precio de 0,005 $ por minuto de audio de entrada y 0,018 $ por minuto de salida, con texto a 0,75 $ y 4,50 $ por millón de tokens, y entrada de imagen o vídeo a 1,00 $ por millón. Maneja 97 idiomas con cambio a mitad de conversación, procesa la entrada visual casi en tiempo real, ejecuta llamadas a herramientas y a la API en segundo plano mientras la conversación continúa, e inserta una marca de agua con SynthID en cada segundo del audio generado. La variante Extended Thinking razona y habla a la vez, narrando el progreso para que la línea no quede en silencio durante una tarea larga. La posición reportada por el proveedor, Google, es la segunda en la Speech Agent Arena, con el primer puesto en el Speech to Speech Quality Index de Artificial Analysis, con 82,6 para la familia. Cifras de Google, esta semana, sin reproducir.

Sesame Preview es una aplicación para consumidores. Solo está disponible en inglés. Tiene un límite de 30 minutos por llamada, que se reduce a cinco minutos cuando no has iniciado sesión. Sus agentes mantienen el contexto entre sesiones, buscan en la web y configuran recordatorios, pero no reservan, compran ni tramitan nada. No existe una versión empresarial ni precios públicos.

Ambos son sistemas conversacionales full-duplex con una toma de turnos lo bastante buena como para que la gente deje de notarla. Ahí es donde termina el parecido.

Lo que realmente muestra el único cara a cara que tenemos

La comparación de CallSphere ejecutó scripts de flujo de reservas a volumen y reportó cuatro cifras por modelo. En finalización, Gemini Live completó el 78% de las reservas frente al 71% de Sesame Maya. En errores de llamada a función, Gemini Live registró un 3,3% frente al 6,7% de Maya. En latencia p95, Maya fue más rápida: 480 ms frente a 640 ms. Y en la medida subjetiva, "sonaba humano", puntuada de 1 a 5, Maya obtuvo 4,5 frente al 4,0 de Gemini Live.

Si se leen en conjunto, emerge un patrón que ninguna fila por sí sola muestra. Sesame gana las dos filas que un humano nota y pierde las dos filas que un negocio nota. La naturalidad y la latencia son lo que siente quien llama; la tasa de finalización y la tasa de errores son lo que aparece en la conciliación. Una voz que suena como una persona pero pierde una de cada quince llamadas en un flujo de reservas no es un mejor agente de voz —es una mejor demo.

Dos advertencias honestas. La comparación proviene del blog de un único proveedor, no de una evaluación revisada por pares, y 1.500 llamadas por modelo en un solo tipo de guion es una muestra muy limitada. Y las cifras de Gemini describen la generación de Gemini Live que se lanzó a principios de 2026, que está al menos un modelo completo por detrás de 3.8 Live. Aplicar esas cifras a Gemini 3.8 Live sería una conjetura. Nadie ha publicado una comparación directa en la que participe el modelo 3.8.

La parte en la que casi todos los artículos se equivocan

Todo artículo que elogia la voz de Sesame está elogiando la app, y la voz de la app es un modelo de producción más grande y cerrado que Sesame nunca ha lanzado como API. No hay forma de comprarlo, licenciarlo ni invocarlo. Si has leído que el timing conversacional de Sesame es el mejor del mercado y has concluido que puedes tenerlo, la conclusión no se sigue de la evidencia.

Lo que Sesame ha publicado realmente como código abierto es CSM-1B — la variante de modelo conversacional de 1B, publicada bajo Apache-2.0 dentro de la familia Moshi. Es un bloque de síntesis, no un asistente: un backbone Llama predice el primer codebook de Mimi y un decodificador Llama más pequeño predice el resto, que un códec Mimi convierte en una forma de onda de 24 kHz. Es solo para inglés, clona una voz a partir de un clip de referencia limpio de 10 a 15 segundos, y no puede generar texto en absoluto: se combina con un modelo de lenguaje aparte. Quienes han ejecutado ambos describen la voz de CSM-1B como claramente más débil que la de la aplicación Preview. Está disponible alojado a $7 por millón de caracteres de un único proveedor externo, aproximadamente $0.35 por hora de audio, o gratis si lo autoalojas.

La ficha del modelo dice en voz alta lo que normalmente se calla: una variante con ajuste fino de CSM impulsa la demo de voz interactiva, que no es el checkpoint que puedes descargar. Así que la versión honesta de «Sesame vs Gemini» es esta: Sesame tiene una hermosa voz cerrada a la que no puedes acceder, y un pequeño bloque de síntesis abierto al que sí puedes, y no son lo mismo. Google tiene un modelo al que puedes llamar y es el que anuncian. Esa asimetría vale más para quien construye que cualquier puntuación de naturalidad.

Espec. contraste

• Lo que obtienes — Gemini 3.8 Live, una API que puedes invocar hoy, frente a Sesame Preview, una app de consumo gratuita sin API para su voz de producción

• Voz de producción licenciable — Gemini 3.8 Live sí, pago por minuto vs. Sesame Preview no, nunca se lanzó

• Artefacto abierto — Gemini 3.8 Live ninguna, cerrado vs Sesame Preview CSM-1B, Apache-2.0, un modelo diferente y más débil

• Idiomas — Gemini 3.8 Live 97 vs Sesame Preview solo inglés

• Llamada a herramientas — Gemini 3.8 Live realiza llamadas a herramientas en segundo plano y a la API durante la conversación, mientras que los agentes de Sesame Preview recuerdan el contexto y buscan en la web, pero no ejecutan tareas

• Límite de sesión — Gemini 3.8 Live no publicado por Google vs Sesame Preview 30 minutos, 5 cuando no se ha iniciado sesión

• Naturalidad — Gemini 3.8 Live sin medición en este eje frente a Sesame Preview, calificado como el mejor de su clase en impresiones de escucha, sin ninguna prueba de referencia independiente de ninguna de las dos.

• Latencia — Gemini 3.8 Live no publicada, frente a Sesame Preview: 250–450 ms de extremo a extremo para Maya, primer byte de streaming por debajo de 300 ms, según medición de terceros

• Ruta empresarial — Vista previa privada de Gemini 3.8 Live en Gemini Enterprise, próximamente en Customer Experience vs Sesame Preview none

• Dirección declarada — Integraciones de la API Live de Gemini 3.8 Live con Agora, LiveKit, Pipecat, Fishjam y otros frente a asociaciones de investigación de Sesame Preview y hardware de gafas previsto para 2027

La fila de naturalidad es la que la gente discute, y fíjate en lo que dice: ninguno de los dos modelos tiene un benchmark independiente sobre lo humano que suena. Lo que existe es que la app de Sesame sea elogiada por oyentes y que Google quede en segundo lugar en una arena. No son la misma medición, y la arena al menos tiene una metodología.

Lo que cuesta operativamente la naturalidad

El error consiste en tratar la naturalidad como una característica que se añade. Es un intercambio que se hace, y el intercambio suele ser a costa de la fiabilidad de las herramientas — porque los comportamientos que hacen que una voz suene humana, las vacilaciones, los solapamientos, la disposición a ceder a mitad de frase, los produce un modelo que está gastando capacidad en la prosodia y la toma de turnos en lugar de en la gramática estricta de una llamada a función. Ese es el mecanismo que hay detrás de la tasa de error del 6,7 % frente al 3,3 %, de forma mucho más plausible que cualquier afirmación sobre que un laboratorio sea mejor en ingeniería.

También tiene un costo de infraestructura que nadie presupuesta. Una voz que suena humana eleva las expectativas, y quien llama y cree que está hablando con una persona no tolera un "No entendí eso" dos veces seguidas. El propio límite de 30 minutos de Sesame es un reconocimiento silencioso de que esta clase de modelo es costosa de ejecutar de forma continua —un límite que Google no publica para 3.8 Live, lo cual no es lo mismo que decir que no exista.

¿Cuál pertenece a tu stack?

Elige Gemini 3.8 Live cuando la voz sea un medio para un fin: programación de citas, triaje, soporte, cualquier cosa en la que quien llama quiera un resultado. Obtienes una API hoy, tarifas publicadas, un bucle de herramientas que se ejecuta en segundo plano, 97 idiomas y una vía empresarial si la necesitas.

Elige Sesame Preview cuando estés estudiando cómo debería sentirse la calidad conversacional, o cuando estés creando una experiencia de consumo en la que la propia llamada sea el producto. Es gratis, es genuinamente lo que mejor suena de todo lo disponible, y es un buen lugar para calibrar tu gusto. No planifiques una integración de producción en torno a él, porque no hay nada con lo que integrarlo.

La mayoría de los equipos serios terminan con un híbrido, y el híbrido es donde el enrutamiento deja de ser opcional. Pon un modelo que suene natural en los turnos de apertura y reconocimiento, donde la latencia y la calidez se perciben, y pon un modelo fiable para herramientas en los turnos de transacción, donde un error es una reserva perdida. OrcaRouter está construido para ese tipo de stack: la fusión de modelos permite que un panel de modelos responda en conjunto cuando el juicio de un solo modelo no es lo bastante bueno, el DSL de enrutamiento compone varios en una sola llamada, y la conmutación por error desvía el tráfico de un modelo que empieza a comportarse mal sin necesidad de un nuevo despliegue. Cuando un proveedor sí publica una tarifa, trasladamos el precio de lista del proveedor sin recargo, así que una reducción de precio llega a tu factura el mismo día.

Qué hay que observar: una API para la voz de producción de Sesame, o un benchmark que mida la naturalidad tal como la arena mide la calidad. Cualquiera de las dos convertiría esto de 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 lo zanja más rápido que cualquier puntuación.

La mayoría de los equipos serios terminan con un híbrido, y el híbrido es donde el enrutamiento deja de ser opcional. Pon un modelo que suene natural en los turnos de apertura y de reconocimiento, donde la latencia y la calidez se perciben, y pon un modelo fiable para herramientas en los turnos de transacción, donde un error es una reserva perdida. OrcaRouter está diseñado para ese tipo de stack - la fusión de modelos permite que un panel de modelos responda en conjunto cuando el juicio de un solo modelo no es lo suficientemente bueno, el DSL de enrutamiento compone varios en una sola llamada, y la conmutación por error desvía el tráfico de un modelo que empieza a comportarse mal sin necesidad de volver a desplegar.