Fish Audio Live 3 vs Sesame Preview : deux réponses à l’alternance des tours de parole, dont une mesurable

Sesame a construit un benchmark pour exactement le problème que Fish Audio Live 3 affirme avoir résolu, puis Fish Audio a commercialisé un modèle qui n'y figure pas. C'est la version courte de cette comparaison. Sesame Preview — le produit grand public à quatre agents fonctionnant sur le Conversational Speech Model du laboratoire — a publié TurnBench en août 2026 : trente heures de parole à deux personnes annotée par trois annotateurs, un classement public, une visionneuse interactive de conversations et des résultats pour quatorze systèmes. Fish Audio Live 3, annoncé le 10 novembre 2026, soutient que le rythme conversationnel doit être appris à l'intérieur du modèle de parole plutôt qu'imposé par des seuils de silence, et publie trois appels d'exemple ainsi qu'un chiffre de 186 millisecondes. L'argument est le même. Les preuves ne sont pas les mêmes.

Tout le reste découle de la manière très différente dont les deux entreprises ont transformé cet argument en produit. Live 3 est vendu : 0,035 $ par minute sur l’Agent Platform de Fish Audio pendant une promotion qui se termine le 31 décembre 2026, avec une API documentée et une option sur site pour les entreprises. Sesame Preview est offert gratuitement : quatre personnalités fixes dans une application iOS et Android, sans API, sans identifiant de modèle pour la voix dans l’application, et sans aucun tarif au token ou à la minute. Avec l’un, vous pouvez développer dès cette semaine. Avec l’autre, vous ne pouvez qu’écouter.

Le test qui existe, et pourquoi Live 3 n’y figure pas

La gestion des tours de parole est l’une de ces rares capacités pour lesquelles l’industrie s’est accordée sur une méthode de mesure avant l’arrivée des modèles, et Sesame y est pour beaucoup. TurnBench, publié le 28 août 2026 et développé avec Carnegie Mellon University, Mundo AI et Oto, évalue les systèmes sur leur manière de gérer précisément les événements qui font qu’un agent téléphonique sonne faux : un signe d’acquiescement qui ne devrait pas voler la parole, une interruption qui le devrait, une pause qui n’est pas une fin. Le classement est public, l’ensemble de développement est en libre-service, et les résultats portent sur quatorze systèmes.

Fish Audio Live 3 n’en fait pas partie, et aucun autre modèle duplex de Fish Audio non plus. Ce n’est pas un scandale — un modèle sorti en novembre ne peut pas figurer dans un classement d’août — mais c’est le fait le plus utile de cette comparaison, car il vous dit quel type d’affirmation chaque entreprise avance. Sesame a placé son propre produit sur un test public qu’elle a contribué à concevoir, où chacun peut vérifier le score. Fish Audio a placé son produit sur une grille tarifaire promotionnelle, où chacun peut vérifier le prix.

Les deux sont des lancements légitimes. Un seul d’entre eux permet à un inconnu de vérifier ce sur quoi porte le marketing.

Ce que chaque partie livre réellement

• De quoi il s’agit — Fish Audio Live 3 est un modèle vocal full-duplex derrière une plateforme d’agents ; Sesame Preview est une application d’assistant grand public avec quatre agents, Maya, Miles, Simone et Charlie, chacun doté de sa propre mémoire.

• Distribution — Live 3 : plateforme en libre-service, API documentée, entreprise sur site. Sesame Preview : applications iOS et Android, gratuites, pas d’API, aucun ID de modèle pour la voix dans l’application.

• Prix — Live 3 : 0,035 $/min en promotion, 0,07 $ au prix public, plus 0,01 $/min pour les appels téléphoniques et 1,20 $/mois par numéro. Sesame Preview : aucun prix publié et aucun niveau de forfait publié ; l'application est gratuite à télécharger.

• Langues — Live 3 : uniquement l’anglais au lancement, selon les propres mots de Fish Audio, alors même que la plateforme environnante annonce des voix dans plus de 30 langues. Sesame Preview : centré sur l’anglais, entraîné principalement sur l’anglais selon les propres notes de recherche du laboratoire.

• Indépendance — Live 3 : aucun benchmark publié, quel qu’il soit, à la date du 11 novembre 2026, et aucune ligne au classement speech-to-speech d’Artificial Analysis. Sesame Preview : pas non plus de score indépendant pour la voix de l’application, mais un classement public de prise de parole que l’entreprise a contribué à créer et qu’elle publie.

• Ouverture — Live 3 : aucun poids, aucune licence, aucun dépôt. Sesame : un point de contrôle ouvert, CSM-1B, Apache-2.0 sur Hugging Face depuis mars 2025 — qui n'est pas la voix de l'application.

• Interface — Live 3 : vous l’intégrez. Sesame Preview : vous lui parlez.

Le problème de vocabulaire que les deux entreprises partagent

Fish Audio l’appelle le rythme de la conversation et décrit un numéro de téléphone lu par segments — « 415… 555… 0132 » — là où un agent classique entend trois fins de tour distinctes. Le marketing de Sesame appelle ce même comportement la présence, et ses notes de version d’octobre 2026 indiquent que l’entreprise a mis à jour son Conversational Speech Model pour améliorer l’expressivité et la prononciation, avec moins de flagornerie et moins de phrases répétées. Les deux affirmations sont non falsifiables telles qu’écrites. Aucun des deux ne publie de chiffre.

La différence, c'est que Sesame a livré la règle. Si Fish Audio veut une comparaison sur le fond, l'ensemble de développement de TurnBench est ouvert et permet l'auto-évaluation ; le tableau des scores attend une entrée.

Ce qu’un constructeur peut faire avec chacun, et ce qu’il ne peut pas faire.

C’est ici que les deux produits cessent complètement d’être comparables. Sesame Preview n’est pas un composant. Il n’y a pas de point de terminaison, pas d’API de session, aucun moyen de placer sa voix derrière votre propre numéro de téléphone, et le seul checkpoint Sesame que quiconque en dehors de l’application peut charger est CSM-1B, un modèle à 1 milliard de paramètres de mars 2025, antérieur d’un an et demi de travail à la voix de l’application actuelle. Une équipe qui veut retrouver la sensation conversationnelle de Sesame dans un produit n’a, aujourd’hui, aucun moyen d’y parvenir sans attendre.

Live 3 est le pari inverse. Il est fermé de la manière qui compte — pas de poids, aucun moyen de l’héberger vous-même en dehors d’un contrat d’entreprise — mais il est ouvert de la manière qui vous permet de livrer : un constructeur d’agents, une API documentée, la téléphonie et un tarif à la minute. La couche de raisonnement est une partie distincte et remplaçable ; l’agent peut pointer vers un point de terminaison compatible OpenAI pour la réflexion, tandis que la parole reste celle de Fish Audio. C’est cette structure qui le rend déployable par une petite équipe un mardi.

Pour la partie dédiée au raisonnement en particulier, OrcaRouter embarque plus de 200 modèles derrière une seule clé au prix catalogue du fournisseur, sans marge, avec un basculement automatique en cas d’erreur d’un backend en cours d’appel et un DSL de routage pour décider quel modèle traite quel type de tour de parole. Fish Audio Live 3 ne fait pas partie de ces modèles — il n’existe pas de point de terminaison tiers pour un modèle vocal duplex fermé, et il n’y a rien à router ici. Le rôle du routeur dans cette pile commence là où la parole s’arrête.

Lequel regarder, et pour quoi ?

Trois signaux permettraient de trancher cette comparaison, et aucun d’eux n’est un communiqué de presse. Une entrée Live 3 sur TurnBench ou une ligne sur le tableau speech-to-speech d’Artificial Analysis transformerait l’argument comportemental de Fish Audio en un score accompagné d’un chiffre. Une API développeur Sesame — l’entreprise a dit que des outils pour développeurs arrivaient, sans date — transformerait la voix de l’application en quelque chose qu’un produit pourrait louer. Et un deuxième checkpoint ouvert de Sesame, plus récent que CSM-1B, donnerait à la communauté des poids ouverts ce que le lancement de Live 3 n’a manifestement pas fourni.

D’ici à ce que l’un de ces produits se concrétise, le classement honnête dépend entièrement de ce que vous achetez. Si vous voulez la conversation la plus agréable à écouter disponible aujourd’hui et que vous acceptez qu’elle se déroule dans l’application de quelqu’un d’autre, Sesame Preview est le produit le plus impressionnant et le plus honnête quant à la manière dont il devrait être jugé. Si vous avez besoin d’une voix en production ce trimestre, Sesame n’est pas un candidat et la comparaison se réduit à une seule question concernant Live 3 : une minute promotionnelle à 0,035 $ et un seuil d’accusé de réception de 186 millisecondes suffisent-ils comme preuves pour parier sur une ligne téléphonique ? Pour la plupart des équipes, la réponse est oui pour un pilote et pas encore pour une embauche — et le benchmark qui changerait cette réponse existe déjà, avec une ligne laissée vide.