Grok Voice 3.0 vs Sesame Preview: La voz que gana todas las pruebas de escucha es la que no tiene API

Pregunta a una sala llena de gente cuál de estos suena más como una persona y obtendrás una sola respuesta. Sesame Preview es el asistente de voz gratuito de Sesame —cuatro agentes llamados Maya, Miles, Simone y Charlie, en iOS desde mayo de 2026 y de forma generalizada en Android desde principios de agosto— y produjo los clips virales que hicieron de «el modo de voz mejor de su clase» una frase a la que los reseñadores no dejan de recurrir. G​rok Voice 3.0, anunciado por S​paceXAI el 14 de octubre de 2026, es el modelo de voz a voz con la puntuación más alta en la tabla pública, con 86,9, invocable a través de un endpoint en tiempo real documentado a 0,08 $ por minuto. Esos dos hechos no se contradicen, y la brecha entre ellos es todo el enfrentamiento: uno de estos es una voz que la gente juzga con los oídos, y la otra es una voz que un tercero puede medir.

La segunda mitad de esa brecha es el acceso. Sesame Preview no tiene API, ni identificador de modelo, ni tarifa, ni un plan declarado para tener una, y la voz de producción en la aplicación es un modelo cerrado más grande que el laboratorio nunca ha lanzado. G​rok Voice 3.0 es un componente que se alquila por minuto. Si eliges por oído, quieres Sesame. Si eliges por si puedes lanzar algo, la decisión ya está tomada para ti.

Lo que es cada uno, para que conste

Despojados del marketing, los dos productos ni siquiera son el mismo tipo de cosa.

• Qué es — Grok Voice 3.0 es un modelo de voz a voz que está detrás del WebSocket en tiempo real de SpaceXAI, con herramientas con alcance de sesión y transcripciones devueltas; Sesame Preview es una aplicación de consumo con cuatro agentes conversacionales, memoria por agente que se sincroniza entre la web y el móvil, búsqueda web en vivo durante una llamada y un resumen que se envía después.

• Precio — $0.08 por minuto de audio más $0.004 por entrada de texto, unos $4.80 por hora, para G​rok Voice 3.0; gratis para el usuario, sin anuncios y sin un nivel de pago declarado para Sesame Preview.

• Acceso para desarrolladores — un endpoint documentado, tokens efímeros para conexiones del lado del cliente, y un endpoint de voz personalizada que entrena una voz a partir de un clip de referencia de hasta 120 segundos para G​rok Voice 3.0; nada en absoluto para Sesame Preview.

• Pesos — cerrados por ambos lados, con una excepción: Sesame ha publicado CSM-1B, un checkpoint con licencia Apache-2.0 que no es la voz de la aplicación.

• Puntuación independiente — 86,9 en el Índice Speech to Speech de Artificial Analysis con cinco componentes legibles para Grok Voice 3.0; ninguno para la voz de Sesame Preview, y ninguno publicado por Sesame tampoco.

• Límites — Grok Voice 3.0 no tiene un límite de sesión declarado, y su generación predecesora se comercializaba destacando su tasa de error de palabras en 24 idiomas; Sesame Preview es solo en inglés, con un límite de llamada de 30 minutos que se reduce a cinco minutos cuando no se ha iniciado sesión, y sin ejecución de tareas — los agentes hablan, no reservan, compran ni archivan nada.

Esa última viñeta es la que pone fin a la mayoría de las evaluaciones. Un producto de voz al que no se puede llamar no es un componente; es un competidor.

El checkpoint abierto, y lo que no es

Sesame ha sido inusualmente directo sobre la brecha entre su demo y su descarga, y es el hecho más importante para cualquiera que esté sopesando las dos.

CSM-1B es un modelo de habla conversacional de 1B publicado bajo Apache 2.0 el 23 de abril de 2026: una columna vertebral con arquitectura Llama que alimenta un decodificador separado y el códec Mimi de Kyutai, y produce habla en inglés monofónica a 24 kHz a partir de un contexto de aproximadamente 4000 tokens. Es un modelo base de generación de habla. A juicio de las personas que han probado ambos, es una voz claramente más débil que la de la aplicación, y la propia documentación de Sesame es explícita en que no es un sistema de voz a voz de extremo a extremo y no puede generar texto.

Así que la descarga es un linaje de investigación, no el producto. Alguien que fue a buscar la voz de la demo encontró el modelo más pequeño que salió del mismo laboratorio, y lo que responde cuando uno de los cuatro agentes descuelga es un modelo de producción que nunca se ha lanzado. Lo alojan proveedores de inferencia de terceros a unos $7 por millón de caracteres —aproximadamente $0.35 por hora de audio sintetizado— o gratis en tu propio hardware, y nadie ha publicado tampoco un benchmark independiente de él.

Para ponerlo en perspectiva, esos $0,35 por hora son el audio más barato de esta comparación por un factor de trece, y también son la opción menos útil, porque un checkpoint de 1B que no puede mantener una conversación en dúplex no compite en precio con G​rok Voice 3.0. Compite con la herramienta de narración que ya estuvieras usando.

¿Por qué la prueba de oído y el índice no coinciden, y cuál de los dos está equivocado?

No están en conflicto. Responden a preguntas distintas, y solo una de ellas puede responderse en público.

La reputación de Sesame Preview se basa en cómo suena una voz para quien escucha: la respiración, la vacilación, el momento de una interrupción, la impresión de que hay una persona al otro lado de la línea. Eso es evidencia real de algún tipo —la demo convenció a cientos de miles de personas y a reseñadores que no tenían ningún incentivo para ser generosos— y está completamente sin cuantificar. No hay entrada en la arena, ni evaluación publicada de la voz de producción, ni recuento de muestras. Toda afirmación de calidad en cualquier dirección es una impresión auditiva.

El 86,9 de Grok Voice 3.0 es el tipo opuesto de evidencia. Se descompone en razonamiento del habla cerca del techo, 97,0 % en Full Duplex Bench, 71,6 % en τ-Voice, un Elo de arena de 1070 y 94,8 % de éxito en tareas, cada uno medido bajo un harness publicado que un equipo externo puede leer, comprobar la aritmética y con el que puede discrepar. Un índice compuesto es una elección de ponderación, y el componente de arena se congela en el momento en que un modelo pasa a ser elegible en lugar de hacer seguimiento del Elo en vivo, pero la discrepancia está disponible para cualquiera, que es lo que lo convierte en una medición y no en una afirmación.

Lo que la junta no mide es si disfrutas hablar con él. Y hay un número específico en el lanzamiento que cae justo en ese eje: Grok Voice 3.0 empieza a hablar en 0,81 segundos, y el modelo al que retira empezaba en 0,70. El buque insignia es 0,11 segundos más lento en arrancar que su propio predecesor, que es precisamente el tipo de detalle que un oyente nota antes de que lo note un benchmark.

Lo que te dice el diseño de cuatro agentes

Las cuatro personalidades de Sesame no son un detalle de marketing; son una decisión arquitectónica, y es la opuesta a la que tomó S​paceXAI.

Maya, Miles, Simone y Charlie son voces fijas con temperamentos fijos, y la memoria tiene un alcance por agente. Ese es un producto construido en torno a la suposición de que la voz es el entregable y la personalidad es la característica. No hay personalización de voz, ni clonación, ni una vía desde la aplicación para consumidores hacia una API — el nivel gratuito es el producto, y la dirección declarada de la compañía son las alianzas de investigación y un dispositivo de hardware planificado en lugar de una plataforma para desarrolladores.

G​rok Voice 3.0 va en la dirección opuesta. Viene con el conjunto de voces integrado de S​paceXAI, y un endpoint aparte de voz personalizada entrena una voz a partir de un clip de referencia de hasta 120 segundos, y el voice_id resultante funciona tanto en la API en tiempo real como en la conversión de texto a voz en streaming. Su sesión acepta herramientas, así que el agente puede llamar a tu backend a mitad de la conversación en lugar de solo hablar de él.

Cuál es mejor depende de si estás vendiendo una experiencia o construyendo una. Un producto de voz que incluye cuatro personalidades fijas excelentes ha resuelto el branding y la integración en una sola decisión. Un producto de voz con un endpoint de clonación te ha entregado una superficie de cumplimiento y un flujo de trabajo de localización en una sola decisión. Ninguno de los dos es un error, y apuntan a clientes diferentes.

Dónde acaba en realidad la cuestión del enrutamiento

OrcaRouter no ofrece ninguna de estas dos capas de voz. Grok Voice 3.0 vive detrás del propio WebSocket en tiempo real de SpaceXAI, y nada puede interponerse en una sesión de audio dúplex que pertenece a un solo proveedor; Sesame Preview no tiene ningún endpoint al que enrutar. Decir lo contrario sería describir una capacidad que no existe, y esta categoría está llena de plataformas que hacen exactamente eso.

Lo que es enrutable es la capa de la que ambos productos dependen en silencio. Los agentes de Sesame buscan en la web a mitad de conversación y envían un resumen después; el array de herramientas de Grok Voice 3.0 llega a cualquier backend que le responda, y todo lo que sea más pesado que una llamada en línea se convierte en una solicitud a un modelo de texto por detrás de la conversación. Ese trabajo se mide por solicitudes, es donde se acumula una porción significativa del coste por llamada, y es la mitad de un producto de voz que puedes mantener constante mientras el modelo de audio subyacente cambia — lo cual, dado que grok-voice-latest/ ya se ha movido dos veces en un trimestre, es una propiedad que conviene tener. Doscientos siete modelos de más de una docena de proveedores upstream detrás de una sola clave, al precio de lista del proveedor sin margen, con conmutación automática por error cuando un proveedor se degrada, un DSL de enrutamiento para componer varios modelos en una sola llamada, y fusión de modelos cuando el juicio de un solo modelo no basta. Como no se aplica ningún margen, una rebaja de precio de un proveedor en cualquiera de esos modelos está activa aquí el mismo día.

La recomendación, dividida según quién eres

Si eres un consumidor que quiere la voz conversacional con mejor sonido disponible hoy y no tienes intención de integrar nada, Sesame Preview es gratis, está en ambas plataformas móviles, su reputación está lo suficientemente merecida como para que los reseñadores sigan confirmándola, y nada en este artículo cambia eso. Úsala y disfrútala.

Si estás construyendo, la decisión ya está tomada y vale la pena interiorizar el razonamiento. No puedes llamar a Sesame Preview, no puedes fijar su voz y no puedes compararlo con nada — así que toda conversación de compras al respecto termina en el mismo punto, que es una prueba de escucha entre dos opciones que ninguna de las partes puede puntuar. G​rok Voice 3.0 te da un tarifario, una cadena de modelo versionada, una transcripción, un endpoint de clonación y una puntuación de tabla con la que puedes discutir. Lo primero que debes hacer con él es fijar tu versión, porque el alias ya se ha movido a ella sin preguntar.

Y si eres un investigador que quiere el fallo interesante: el resumen honesto de este emparejamiento es que la categoría ha demostrado que puede crear una voz que vale la pena escuchar y todavía no ha decidido si esa voz debería poder comprarse en alguna forma que no sea una app. Sesame construyó la mejor experiencia y la mantuvo cerrada. S​paceXAI construyó el mejor componente y publicó el número. Atento a la versión de Sesame que tenga una API — ese es el lanzamiento que haría obsoleta esta página.

Esa brecha entre lo que mide un marcador y lo que encuentra un despliegue es la razón por la que el registro importa: los fallos de IA documentados y los incidentes de agentes en torno a modelos de esta clase se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.