Eleven Realtime v1 Max vs Sesame Preview : la voix qui séduit l’oreille perd sur la tâche

Demandez à quelqu’un quel assistant vocal a la voix la plus humaine et vous entendrez S​esame Preview. Demandez quel modèle une entreprise peut placer derrière un numéro de téléphone et la réponse est E​leven Realtime v1 Max, un modèle parole-à-parole annoncé le 20 octobre 2026, qui résout 87,1 % des tâches sur une évaluation fixe, répond en 0,57 seconde et est disponible via E​levenAgents ou une API Realtime compatible avec O​penAI. S​esame Preview est une application grand public avec quatre compagnons nommés et aucun moyen d’acheter la voix qu’elle contient. Les incidents d’IA documentés et les défaillances d’agents derrière les modèles de cette catégorie sont recensés dans l’OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et son indicateur de contestation.

Ce n’est pas un K.-O., car les deux produits poursuivent des objectifs différents et l’argument en faveur de la voix de Sesame est bien réel. Les chercheurs de Sesame ont été parmi les premiers à affirmer publiquement que le timing conversationnel — le mm-hmm, le chevauchement, la volonté de céder la parole au milieu d’une phrase — est la vallée de l’étrange, pas le timbre. La documentation d’ElevenLabs fait le même pari dans l’autre sens : Mini est présenté comme capable de détecter si un locuteur a fini de parler ou s’il ne fait que placer une interjection. Deux labos, une thèse, des modèles économiques opposés.

Là où la comparaison devient intéressante, c’est ce que chacun a réellement mesuré. ElevenLabs publie six chiffres et un partenaire d’évaluation. Sesame publie une expérience.

Ce que chacun est, précisément

Eleven Realtime v1 Max est un réseau unique qui assure ensemble la reconnaissance, la gestion des tours de parole, le raisonnement et la génération vocale, positionné pour des tâches complexes avec une utilisation d'outils en plusieurs étapes : support client, qualification des prospects, planification assistée. Son pendant économique, Eleven Realtime v1 Mini, est l'option par défaut pour les nouveaux agents ElevenAgents et vise une conversation naturelle à moindre coût. Max est accessible de deux manières — depuis le menu déroulant ElevenAgents, où ElevenLabs gère pour vous le LLM, le modèle TTS, le fournisseur ASR et les paramètres de raisonnement, ou via une API Realtime qui parle le protocole d'événements Realtime d'OpenAI sur WebSocket à l'adresse wss://api.elevenlabs.io/v1/convai/realtime.

Sesame Preview est un assistant vocal grand public gratuit : quatre agents nommés — Maya, Miles, Simone, Charlie — disponibles sur iOS et sur le web, décrit par presque tous ceux qui l’essaient comme l’assistant vocal le plus naturel du marché. Il conserve le contexte d’une session à l’autre, effectue des recherches sur le web et crée des rappels. Il ne réserve rien, n’achète rien et ne classe aucun document. Il n’existe pas d’offre entreprise, aucun tarif publié ni d’API publique pour la voix que l’on entend dans l’application.

Tous deux sont des systèmes conversationnels en duplex intégral dont l’alternance des tours de parole est suffisamment bonne pour qu’on finisse par ne plus y prêter attention. C’est là que s’arrête la similitude, et où la question « lequel est le meilleur » cesse d’avoir une réponse unique.

Les nombres que l’un d’eux possède

Artificial Analysis a évalué Eleven Realtime v1 Max de manière indépendante sur le même banc d’essai que celui qu’Artificial Analysis applique à chaque modèle parole à parole. Ce sont ses chiffres, pas ceux d’ElevenLabs :

• Raisonnement vocal (Big Bench Audio) — Max 98,8 %

• Dynamique conversationnelle (Full-Duplex-Bench) — Max 94,1 %

• Taux de réussite des tâches — Max 87,1 %

• Préférence d'arène (Elo) — Max 997

• Délai avant le premier son — max. 0,57 s

• Coût par heure d’audio d’entrée — Max 4,80 $

• Performance agentique (τ-Voice) — Max non mesuré

• Indice Speech to Speech — Max non évalué

S​esame Preview n’apparaît sur aucune de ces lignes. Il n’a pas d’API publique, donc aucun harnais indépendant ne peut l’exécuter, et le comportement de l’application elle-même n’a jamais été évalué sur l’achèvement des tâches ou la latence par quiconque en dehors de S​esame. Quand les gens disent que S​esame sonne mieux, ils rapportent une impression d’écoute, et elle est légitime — ce n’est simplement pas la même mesure qu’une arène avec une méthodologie et un modèle de préférence derrière elle.

Cela joue dans les deux sens. L'Elo d'arène de 997 est une valeur bien réelle, issue de vrais auditeurs, et place Max derrière les 1 064 de G​rok Voice 3.0, les 1 047 de G​PT-Live-1 (Sol, low) et les 1 078 de G​emini 3.8 Live. E​levenLabs remporte les lignes raisonnement et vitesse et ne remporte pas la ligne de préférence. Si votre intuition est que la voix de S​esame bat celle de Max, le résultat de l'arène est cohérent avec cette intuition — il se trouve simplement qu'il a été mesuré face à d'autres modèles API, et non face à S​esame.

La question des modèles à poids ouverts, là où la plupart des comparaisons se trompent

Chaque texte qui fait l’éloge de la voix de S​esame fait l’éloge de l’application, et la voix de l’application est un modèle de production fermé que S​esame n’a jamais publié comme point de terminaison. Ce que S​esame a ouvert en source, c’est CSM-1B, un modèle de parole conversationnelle de 1B de la famille Moshi, sous Apache-2.0. Ce n’est pas un assistant, mais un bloc de synthèse : un backbone Llama prédit le premier codebook Mimi, un décodeur Llama plus petit prédit le reste, et un codec Mimi transforme cela en une forme d’onde à 24 kHz. Il est conçu en priorité pour l’anglais, clone une voix à partir d’un court extrait de référence et ne peut pas du tout générer de texte — il faut l’associer à un modèle de langage distinct.

Les personnes qui ont testé les deux décrivent la voix de CSM-1B comme nettement plus faible que celle de l’application Preview, et la fiche modèle de S​esame elle-même va dans ce sens : une variante fine-tunée de CSM alimente la démo interactive, et cette variante n’est pas le checkpoint que l’on peut télécharger.

Donc, la version honnête de « S​esame vs E​levenLabs », la voici. S​esame a une magnifique voix fermée que l’on ne peut pas appeler, et un petit bloc de synthèse ouvert que l’on peut appeler, et il ne s’agit pas du même modèle. E​levenLabs a un modèle appelable dont la voix est objectivement bonne mais pas la plus appréciée, et un prix. L’asymétrie qui compte pour quelqu’un qui construit n’est pas de savoir lequel sonne mieux ; c’est de savoir lequel a un endpoint, et l’écart n’est pas mince.

Où la fusion apparaît en production

L’argument d’ElevenLabs est que fusionner reconnaissance, gestion des tours de parole, raisonnement et voix en un seul système ajusté élimine les coutures que laisse une cascade.

Dans ElevenAgents, la fusion est littérale et elle a un coût : tant qu’un modèle Realtime est défini, le LLM, l’effort de raisonnement, le budget de réflexion, les appels d’outils en parallèle, le délai d’expiration en cascade, le modèle TTS, le mode expressif et le fournisseur ASR sont tous gérés par ElevenLabs et ignorés sur l’agent. Un nœud de workflow ne peut pas les remplacer, et l’agent ne peut pas du tout utiliser de LLM personnalisé ni Amazon Bedrock. Choisissez le modèle et vous choisissez toute la pile en dessous.

La matrice de conformité est inégale d’une manière qui surprendra ceux qui déploient cela dans différentes régions :

• Résidence des données — Max fonctionne aux États-Unis et dans l’UE, mais pas en Inde ni à Singapour, où seul Mini est proposé

• Mode zéro rétention et HIPAA — Max est pris en charge aux États-Unis et dans l’UE ; Mini n’est pris en charge ni sous l’un ni sous l’autre.

• Limite de tokens — Max exige 1 024 tokens ou aucune limite, et les nœuds de workflow ne peuvent pas la remplacer

• Transferts d’agents — un agent en mode Realtime ne peut transférer qu’vers et depuis d’autres agents en mode Realtime, bien que le transfert Mini-to-Max soit autorisé

• Transport — pas de WebRTC au lancement ; l’API Realtime est uniquement WebSocket

Ces règles sont appliquées au moment de la publication, pas de l’enregistrement : un brouillon qui en enfreint une s’enregistre sans problème et échoue lorsque vous publiez, avec une erreur qui nomme le paramètre concerné. Si vous faites du prototypage, c’est un désagrément mineur. Si vous déployez vers une file réglementée, cela détermine quelle variante vous pouvez utiliser dans quel environnement, et la moins chère n’est pas toujours celle qui est conforme.

Lequel appartient à votre stack

Choisissez Eleven Realtime v1 Max lorsque la voix est un moyen au service d’une fin et que l’appel doit produire un résultat — tri des demandes de support, planification, qualification. Vous disposez dès aujourd’hui d’un point de terminaison, d’un protocole d’événements compatible OpenAI qui fait de la migration depuis une intégration Realtime une modification de deux chaînes de caractères, d’un taux de réussite mesuré de 87,1 % sur les tâches, du modèle de raisonnement puissant le plus rapide du classement et d’un tarif que vous pouvez modéliser à 4,80 $ par heure d’audio. Acceptez qu’il soit encore en cours de déploiement, que son comportement agentique ne soit pas mesuré et que sa voix ne domine pas l’arène des préférences.

Choisissez S​esame Preview lorsque vous étudiez ce que devrait être la qualité d'une conversation, ou que vous concevez un produit grand public où la conversation est le produit. C'est gratuit, c'est ce qui sonne le mieux parmi tout ce que la plupart des gens ont essayé, et c'est un excellent moyen de calibrer votre goût. Ne prévoyez pas d'intégration autour de lui : il n'y a rien avec quoi l'intégrer, et CSM-1B n'est pas le modèle utilisé dans l'application.

Choisissez CSM-1B uniquement si vous voulez un bloc de synthèse ouvert et auto-hébergeable et que vous êtes prêt à construire le reste — un ASR, un modèle de langage, une couche de gestion des tours de parole — autour de lui. Il est sous licence Apache-2.0 et il est réellement utile dans ce rôle. Il n'est pas un concurrent de Max et n'a jamais été conçu pour l'être.

L'hybride, et la moitié dont un routeur peut s'occuper

La plupart des produits vocaux sérieux finissent par mélanger des modèles plutôt que d’en choisir un seul. Un modèle à la sonorité naturelle sur les tours d’ouverture et d’accusé de réception, où l’on ressent la chaleur et la latence ; un modèle fiable pour les tâches sur les tours de transaction, où une erreur équivaut à une réservation perdue. Ni Eleven Realtime ni Sesame ne facilitent cela au sein d’une seule connexion — l’API Realtime d’ElevenLabs est un produit distinct d’ElevenAgents et fonctionne uniquement via WebSocket, et Sesame ne dispose d’aucune API avec laquelle effectuer ce mélange.

Là où une couche de routage mérite vraiment sa place, c’est un niveau en dessous, sur le travail que le modèle vocal délègue. Sur OrcaRouter, cela représente 209 modèles de 16 fournisseurs en amont derrière une seule clé, au prix catalogue du fournisseur sans marge ajoutée, avec bascule automatique en cas d’erreur d’un fournisseur. La fusion de modèles permet à un panel de répondre ensemble lorsque le jugement d’un seul modèle ne suffit pas ; le DSL de routage en compose plusieurs en un seul appel. Eleven Realtime v1 Max lui-même n’est pas dans notre catalogue — il n’existe aucun point de terminaison tiers pour ce modèle — la limite honnête est donc que nous pouvons router la récupération, le résumé et l’analyse post-appel, mais pas la voix.

Ce qui changerait cet article, c’est un benchmark qui mesure le naturel de la même manière que l’arène mesure la préférence, portant à la fois sur l’application de S​esame et sur les modèles d’API — ou un endpoint pour la voix de production de S​esame. L’un ou l’autre transformerait un choix entre accès et expérience en une véritable comparaison. En attendant, vous pouvez appeler l’un de ces modèles, tandis que l’autre ne peut qu’être admiré, et cela tranche plus que n’importe quel test d’écoute.