Phonic 1 vs Sesame Preview: el problema del silencio en emisión, resuelto de dos maneras opuestas

Phonic 1 y Sesame Preview se venden ambos como modelos de voz conversacional, y no persiguen el mismo trabajo. Phonic 1 —el proveedor lo escribe Phonic-1— es un endpoint de voz a voz a $0.07 por minuto que se comercializó el 29 de octubre de 2026 y pasó directamente al primer puesto del Speech to Speech Index de Artificial Analysis con 87.1. Sesame Preview es la aplicación complementaria gratuita detrás de las voces Maya, Miles, Simone y Charlie: sin API pública, sin tarifario, sin aparición en ninguna clasificación independiente, y con un plan declarado de venderte gafas en 2027. Pon los dos nombres en una sola frase y lo primero que surge es que solo uno de ellos se puede comprar.

La segunda cosa que se desprende es más interesante. Ambos productos son, más allá del marketing, respuestas a la misma pequeña humillación: el medio segundo de silencio mientras la máquina decide qué decir. Phonic la ataca haciendo el trabajo antes de que quien llama termine. Sesame la ataca mejorando su capacidad de saber cuándo ha terminado quien llama. Son apuestas de ingeniería genuinamente distintas, se miden con instrumentos que no se solapan, y la elección entre ellas se deriva de cuál apuesta depende tu producto — no de una tabla de benchmarks.

Lo que cada uno es en realidad, antes de que la comparación se vuelva resbaladiza.

Phonic 1 es un modelo de voz de extremo a extremo, audio de entrada y audio de salida, sin una cascada intermedia de transcribir, pensar y hablar. Se lanzó con SDK de TypeScript y Python, una CLI y un generador de agentes sin código, 51 idiomas documentados con cambio a mitad de conversación que conserva la identidad del hablante, un ajuste documentado intelligence_level que por defecto es standard y puede elevarse a high, y términos empresariales que incluyen SOC 2 Type II, un BAA de HIPAA, retención de datos cero y un SLA de disponibilidad del 99,9 %. Se vende por minuto en tres niveles, y la empresa detrás tiene aproximadamente diez personas de MIT y Stanford que recaudaron una Serie A de 27,5 millones de dólares liderada por First Round.

Sesame Preview no es un modelo que se alquila. Es un producto de consumo —una app para iOS y web, gratuita, desplegada en 39 países desde finales de mayo de 2026— que incluye cuatro agentes con nombre, memoria persistente, búsqueda web paralela que se ejecuta a mitad de frase, toma de notas, un modo de mensajería de texto y un modo incógnito. El objetivo declarado de Sesame para este producto es un primer audio por debajo de 300 ms, y la empresa ha admitido públicamente que el modelo todavía es «demasiado ansioso y a menudo inapropiado» en tono y ritmo. No hay nivel empresarial ni forma de licenciar la voz de producción.

Lo único que realmente lleva el nombre de Sesame a una compilación es Sesame CSM-1B, publicado bajo Apache 2.0 el 13 de marzo de 2025. Es un modelo base de voz conversacional, con el inglés como prioridad, creado para generar tokens de audio Mimi condicionados por los turnos previos. No es la voz de la aplicación: los personajes de Preview provienen de un ajuste fino curado y de un elenco de voces que nunca se publicaron. Los revisores que han probado ambos describen el checkpoint abierto como audiblemente más débil que la aplicación, lo que convierte «solo autoalojar el modelo Sesame» en un producto diferente, no en un atajo libre de licencias.

Dos ataques en el mismo medio segundo

La afirmación de lanzamiento de Phonic es lo más concreto de esta categoría: dice que Phonic-1 es el único modelo capaz de actuar mientras quien llama todavía está hablando. En la demostración que publicó la empresa, el modelo ejecutó las cinco llamadas a herramientas a mitad de frase y respondió 1,1 segundos después de que quien llamaba dejó de hablar; con el mismo guion, sitúa a GPT-Live-1 en 15,7 segundos. Léelo como una demostración de un diseño, no como un benchmark: es una tarea seleccionada por el proveedor sobre un guion elegido por el proveedor. Pero el diseño es lo importante. Si la búsqueda ya está hecha cuando termina el turno, el modelo nunca tiene que ser brillante prediciendo el final del turno; solo tiene que evitar estorbar.

Sesame tomó el camino contrario e hizo de la propia predicción un programa de investigación. En agosto de 2026 publicó TurnBench, un benchmark abierto para la dinámica de toma de turnos: 30 horas de diálogo de dos canales grabado en estudio, 154 conversaciones, 106 actores de voz en seis registros, anotado por triplicado con un kappa de Fleiss de 0,78, puntuado según el recall con una tasa de falsos positivos acotada y latencia con signo en la mediana. El hallazgo principal es el que merece la pena retener: los hablantes humanos inician una transferencia de turno una mediana de 151 ms antes de que la otra persona deje de hablar, y ningún sistema del campo iguala eso dentro del presupuesto de falsos positivos. Los detectores semánticos son selectivos y lentos; los detectores acústicos son rápidos y ruidosos. Nada es ambas cosas a la vez.

Esa es la bifurcación en el camino, dicho sin rodeos. Sesame intenta cerrar la brecha entre 151 ms de anticipación humana y los 368 ms a 1.234 ms que logran los mejores detectores. Phonic intenta hacer que la brecha sea irrelevante eliminando el trabajo que la llena. Ambas son legítimas. Solo una de ellas está disponible para ti como endpoint hoy, y no es la que publicó el benchmark.

El tablero que puntúa a uno de ellos — y el que se queda al margen

El Speech to Speech Index de Artificial Analysis es el único índice compuesto independiente del sector, y Phonic 1 ocupa el primer puesto en él a día de hoy. Las filas que importan:

• Phonic 1 (High) — índice 87,1, primero; tiempo hasta el primer audio 0,61 s; $4,20 por hora de audio de entrada.

• Grok Voice 3.0 — 86.9; 0.81 s; $4.80 por hora.

• GPT-Live-1 (Astra, media) — 83,2; 1,34 s; 5,83 $ por hora.

• Gemini 3.8 Live Extended Thinking (High) — 82,6; 1,35 s; 3,50 $ por hora.

• Eleven Realtime v1 Max — 77,3; 0,57 s; 4,80 $ por hora.

Observe la última fila. Eleven Realtime v1 Max es más rápido que Phonic 1 en llegar al primer audio — 0,57 s frente a 0,61 s — y se sitúa 9,8 puntos de índice por debajo. El tiempo hasta el primer audio no es la prueba que ganó Phonic; ganó la puntuación compuesta, que también pondera el razonamiento del habla, el comportamiento en tareas agénticas, la preferencia humana y el éxito en la tarea. Cualquiera que cite "el más rápido" a partir de una sola columna está citando la columna equivocada.

Ahora, la asimetría. No hay una fila de Sesame Preview en esa tabla de clasificación, y no hay manera de que aparezca: el índice ejecuta los modelos mediante un arnés de pruebas de API, y Sesame Preview no tiene API. Los propios instrumentos de Sesame tampoco llenan ese vacío. TurnBench es publicado por Sesame y, a la fecha de este texto, no incluye ninguna entrada de Sesame; la tabla enumera modelos de proyección de actividad de voz, ESPnet, el VAD semántico de Kyutai, Gemini 3.1 Live, OpenAI Realtime y Moshi, pero no la propia voz de producción de la empresa. Eso no es un escándalo; la autoría de un benchmark y el envío a un benchmark son actos distintos, y una app complementaria no tiene un endpoint estable al que apuntar un evaluador. Pero sí significa que las dos cifras destacadas de esta comparación —87.1 en un lado, menos de 300 ms en el otro— no son el mismo tipo de afirmación. Una la midió un tercero en un arnés de pruebas. La otra es un objetivo declarado por el proveedor sobre un producto que nadie fuera de la empresa ha instrumentado.

La columna donde Phonic 1 pierde, según la propia evidencia de Phonic

Si la razón por la que estás considerando Sesame Preview es que suena como una persona, esta comparación tiene una respuesta incómoda, y proviene del propio material de prensa de Phonic y no de un crítico.

Phonic encargó pruebas de escucha comparativas a ciegas por pares a Podonos, un servicio externo de pruebas de escucha, y publicó los resultados en su publicación de lanzamiento. Phonic-1 fue preferido frente a GPT-Live-1 por un 61,5 % a 32,0 %, frente a Grok Voice 3 por un 66,5 % a 26,5 % y frente a Eleven v4 Turbo por un 78,0 % a 14,0 %. El titular con el que la empresa decidió abrir es precisamente el que perdió: los actores de voz humanos fueron preferidos frente a Phonic-1 por un 57,0 % a 32,0 %, lo que la publicación describe como una victoria de los humanos en aproximadamente el 60 % de los casos, con un margen considerable de mejora aún por delante. Son cifras encargadas y reportadas por el propio proveedor, y ninguna ha sido replicada de forma independiente; pero son las cifras del proveedor, y dicen que Phonic 1 es la mejor voz sintética de su conjunto de comparación y que aún no es humana.

Los datos independientes de preferencia apuntan en la misma dirección. En la Speech Agent Arena que alimenta el índice compuesto, Phonic 1 ocupa el octavo puesto de 30 en preferencia de los oyentes con un Elo de 1.012, mientras que ocupa el cuarto en éxito de tareas con un 92,3%. El modelo que encabeza el índice no es el modelo con el que los oyentes más quieren hablar. Esa es la misma división que vimos en Grok Voice 3.0 desde el lado opuesto —xAI dominó la arena y perdió la columna agéntica—, y es la razón estructural por la que un enfrentamiento directo entre estos dos no puede resolverse con un solo número.

La reputación de Sesame, mientras tanto, se apoya exactamente en esa columna y en nada más riguroso. La demo de Maya and Miles se hizo viral en febrero de 2025 por sus respiraciones, vacilaciones, autocorrecciones y risas, y la afirmación que circuló fue que los oyentes no podían distinguir de forma fiable las voces de humanos en clips cortos. Eso es una impresión formada por una audiencia, no una prueba puntuada, y nunca se la ha puesto en la misma sala que Phonic 1. No hay ningún experimento publicado en el que un oyente escuche Sesame Preview y Phonic 1 uno tras otro. Cualquiera que te diga cuál suena mejor te está diciendo cuál ha escuchado.

Cuánto cuesta un minuto y por qué el minuto es la unidad equivocada

La hoja de precios es breve y desequilibrada:

• Phonic 1: 0,07 USD por minuto en Starter sin mínimo, 10 llamadas simultáneas, 10 agentes y 3 asientos; 0,065 USD por minuto en Pro con un mínimo mensual de 200 USD, aproximadamente 3.100 minutos, con 50 llamadas simultáneas; para empresas, personalizado. Las altas antes del 30 de noviembre reciben 250 USD en créditos, y los clientes que migran desde un cascade obtienen tres meses gratis.

• Sesame Preview — $0. No por minuto, ni por puesto, ni por agente. Gratis en la app.

• Sesame CSM-1B — los pesos son gratuitos, y la factura son tus horas de GPU más el tiempo de ingeniería para ensamblar la alternancia de turnos, el condicionamiento de contexto y un modelo de lenguaje alrededor de un checkpoint que no puede producir texto por sí solo.

Haz la comparación productiva y el encuadre por minuto se desmorona. Diez mil minutos al mes en Phonic 1 Starter cuestan 700 dólares, lo que es un error de redondeo para un centro de llamadas y un presupuesto real para un proyecto secundario. Sesame no cobra nada porque Sesame no vende minutos: vende un hábito diario de cara a un lanzamiento de gafas en 2027, y un hábito se monetiza por persona, por año, en hardware, no por minuto de audio. Comparar un tarifario con una app gratuita es comparar a un proveedor con una valla publicitaria.

Lo que deja la versión honesta de la pregunta sobre el costo: ¿cuánto cuesta lanzar? Para Phonic 1, la respuesta es un contrato, un websocket y diez llamadas concurrentes en Starter, a menos que pagues por Pro. Para Sesame Preview, la respuesta es que no hay una cifra, porque no hay una oferta. Lo más parecido a un Sesame lanzable es CSM-1B, y lo más parecido que CSM-1B tiene a una lista de tarifas es una factura de GPU.

Tres compradores, tres respuestas diferentes

Estás moviendo el volumen de llamadas fuera de una cascada y las llamadas tienen que completarse. Phonic 1, y el caso es la columna agentic en lugar de la compuesta. Las llamadas a herramientas que se disparan antes de que quien llama deje de hablar son la diferencia entre un agente que reserva la cita y otro que hace que quien llama tenga que repetirse. Los $0,07 son baratos frente al costo de una llamada de admisión fallida, y el techo de concurrencia es lo que hay que dimensionar antes de comprometerte.

Tu producto es cómo suena. Un compañero, un coach, un tutor, una voz de marca — cualquier cosa en la que el motivo por el que el usuario se queda sea la propia voz. Sesame Preview es el punto de referencia y Phonic 1 aún no es la respuesta: en la propia prueba ciega del proveedor, los humanos lo superaron casi dos a uno. Pero el punto de referencia no está a la venta, así que las opciones prácticas son un modelo de voz con licencia y una puntuación de preferencia medida, o CSM-1B y mucha ingeniería por tu cuenta.

Quieres la separación — habla al estilo de Sesame con un backend agéntico. Esta es la combinación a la que apuntan las hojas de ruta de ambas empresas y que ninguna de las dos vende. La versión que se puede construir es CSM-1B u otro modelo abierto de voz para la parte de voz, y un modelo de texto convencional detrás para la parte del pensamiento, conectados por ti. Esa etapa de texto es inferencia de chat normal, que es la capa donde una sola API para más de 200 modelos con 0% de margen se aplica realmente: una única clave para la parte de razonamiento, el precio de lista del proveedor transferido sin cambios, el DSL de enrutamiento para enviar charla de toma de turnos y razonamiento intensivo en políticas a modelos distintos dentro de la misma llamada, y conmutación por error automática para que un fallo puntual de un proveedor no ponga fin a la conversación. Ni Phonic 1 ni Sesame Preview están en ese catálogo — Phonic 1 porque es un endpoint de un único proveedor y Sesame Preview porque no hay ningún endpoint que enrutar — así que esto es una afirmación sobre la mitad de la pila que montas tú mismo, no una afirmación sobre ninguno de los modelos anteriores.

¿Qué cambiaría esta respuesta?

Tres cosas, en orden ascendente de probabilidad.

Phonic publica cifras de pruebas de escucha para la configuración de inteligencia estándar. Todas las puntuaciones de este artículo, incluidos el 87,1 y los 0,61 s, se generaron con la configuración alta. La API usa por defecto la configuración estándar, documentada como el modo de menor latencia, y nadie ha publicado qué efecto tiene esa configuración sobre la calidad ni sobre el tiempo hasta el primer audio. Una integración que nunca modifica la configuración está ejecutando una variante no medida.

Sesame abre un endpoint, o pone su propia voz de producción en su propio panel de toma de turnos. Cualquiera de las dos opciones convertiría esto de una comparación de un producto frente a una reputación en una comparación de dos cosas medibles. Ninguna de las dos está en la hoja de ruta que Sesame ha descrito, que pasa por Android y luego por las gafas en 2027.

Alguien ejecuta ambos en la misma sala. Una sola prueba ciega con las voces de producción de Sesame Preview y Phonic 1 sobre los mismos prompts resolvería la cuestión de la naturalidad en una tarde, y no puede ser realizada por nadie que no trabaje en Sesame, porque uno de los dos sistemas no es accesible para una persona externa.

Hasta que ocurra una de esas cosas, la lectura defendible es esta: Phonic 1 es el único de los dos que puedes desplegar, encabeza el único compuesto independiente que puntúa a cualquiera de ellos, gana la apuesta de que el trabajo esté hecho antes de que acabe el turno, y es medible que todavía no es una voz humana. Sesame Preview es lo que mejor suena y no puedes tener, de una empresa que actualmente no se dedica a venderlo. Esas no son dos opciones de un mismo menú. Son un proveedor y una demo, y cuanto más rápido dejes de comparar sus hojas de especificaciones, más rápido podrás decidir cuál era el que tu producto realmente necesitaba.