Gemini 3.8 Live vs Sesame Preview : la voix que l'on peut admirer vs celle que l'on peut appeler

L’agent vocal de Sesame obtient une note de 4,5 sur 5 sur le critère « semblait humain ». Celui de Gemini 3.8 Live obtient 4,0. Celui de Sesame termine aussi 71 % des parcours de réservation, tandis que celui de Gemini 3.8 Live en termine 78 %, et celui de Sesame commet des erreurs d’appel de fonction environ deux fois plus souvent. Si vous choisissez un stack vocal pour une entreprise qui prend des rendez-vous, le modèle qui sonne mieux perd — et il perd pour des raisons qui n’ont rien à voir avec la qualité de sa voix.

Ces chiffres proviennent d'un comparatif direct mené par un tiers sur 1 500 appels clients par modèle, à partir de scripts de réservation, et ils comportent deux réserves importantes. Ils ne sont pas les nôtres et n'ont pas été reproduits de manière indépendante, et le côté Gemini utilisait la génération Gemini Live du début 2026, et non le modèle dont traite cet article. Gemini 3.8 Live est la version de conversion parole-à-parole de Google sortie le 15 septembre 2026, disponible dès maintenant sur la Live API. Sesame Preview est l'assistant vocal grand public de Sesame, gratuit sur iOS depuis mai 2026 et largement disponible sur Android depuis début août 2026, construit autour de quatre agents nommés — Maya, Miles, Simone, Charlie — et largement décrit comme l'assistant vocal à la voix la plus humaine auquel quiconque ait parlé.

L’opposition n’est pas vraiment un modèle contre un modèle. C’est un produit que vous pouvez mettre en production face à une expérience que vous ne pouvez que visiter.

La forme de chaque chose

Gemini 3.8 Live est une surface pour développeurs. Il est livré sous les noms gemini-3.8-live et gemini-3.8-live-extended-thinking sur la Live API, au tarif de 0,005 $ par minute d'audio en entrée et de 0,018 $ par minute en sortie, avec le texte à 0,75 $ et 4,50 $ par million de tokens et l'entrée d'image ou de vidéo à 1,00 $ par million. Il gère 97 langues avec changement en cours de conversation, traite les entrées visuelles en temps quasi réel, exécute les appels d'outils et d'API en arrière-plan pendant que la conversation se poursuit, et applique un filigrane SynthID sur chaque seconde d'audio généré. La variante Extended Thinking raisonne et parle en même temps, narrant sa progression pour que la ligne ne reste pas silencieuse pendant une longue tâche. Le classement rapporté par le fournisseur Google place le modèle en deuxième position dans la Speech Agent Arena, avec la première place de la famille sur le Speech to Speech Quality Index d'Artificial Analysis, à 82,6. Des chiffres de Google, cette semaine, non reproduits.

Sesame Preview est une application grand public. Elle est uniquement disponible en anglais. La durée d’un appel est limitée à 30 minutes, une limite qui tombe à cinq minutes lorsque vous êtes déconnecté. Ses agents conservent le contexte d’une session à l’autre, effectuent des recherches sur le Web et créent des rappels — mais ils ne réservent, n’achètent ni ne déposent quoi que ce soit. Il n’existe pas d’offre entreprise ni de tarification publique.

Tous deux sont des systèmes conversationnels en duplex intégral dont l’alternance des tours de parole est suffisamment bonne pour que les gens cessent de la remarquer. C’est là que s’arrête la ressemblance.

Ce que montre réellement le seul face-à-face dont nous disposons

La comparaison CallSphere a exécuté des scripts de flux de réservation en volume et a rapporté quatre chiffres par modèle. Pour le taux d'achèvement, Gemini Live a mené à bien 78 % des réservations, contre 71 % pour Sesame Maya. Pour les erreurs d'appel de fonction, Gemini Live affichait 3,3 %, contre 6,7 % pour Maya. Pour la latence p95, Maya était plus rapide — 480 ms contre 640 ms. Et pour la mesure subjective, « semblait humain », notée de 1 à 5, Maya a obtenu 4,5, contre 4,0 pour Gemini Live.

Lisez-les ensemble et un motif apparaît qu'aucune ligne isolée ne montre. Sesame l'emporte sur les deux lignes qu'un humain remarque et perd sur les deux lignes qu'une entreprise remarque. Le naturel et la latence sont ce qu'un appelant ressent ; le taux d'achèvement et le taux d'erreur sont ce qui apparaît dans la réconciliation. Une voix qui ressemble à une personne mais qui laisse tomber un appel sur quinze dans un parcours de réservation n'est pas un meilleur agent vocal — c'est une meilleure démo.

Deux réserves honnêtes. La comparaison provient du blog d'un seul fournisseur, et non d'une évaluation revue par les pairs, et 1 500 appels par modèle sur un seul type de script constituent un échantillon restreint. Et les chiffres de Gemini décrivent la génération de Gemini Live commercialisée au début de 2026, qui accuse au moins un modèle complet de retard sur 3.8 Live. Appliquer ces chiffres à Gemini 3.8 Live relèverait de la supposition. Personne n'a publié de comparaison directe portant sur le modèle 3.8.

La partie que presque tous les articles ratent

Chaque article qui loue la voix de Sesame loue l'application, et la voix de l'application est un modèle de production plus grand et fermé que Sesame n'a jamais publié en tant qu'API. Il n'existe aucun moyen de l'acheter, d'en obtenir une licence ou de l'appeler. Si vous avez lu que le timing conversationnel de Sesame est le meilleur du marché et en avez conclu que vous pouvez l'obtenir, cette conclusion ne découle pas des éléments présentés.

Ce que Sesame a réellement rendu open source, c'est CSM-1B — la variante de modèle vocal conversationnel 1B, publiée sous Apache-2.0 dans la famille Moshi. C'est un bloc de synthèse, pas un assistant : une base Llama prédit le premier codebook Mimi et un décodeur Llama plus petit prédit le reste, qu'un codec Mimi transforme en une forme d'onde de 24 kHz. Il est uniquement en anglais, il clone une voix à partir d'un clip de référence propre de 10 à 15 secondes, et il ne peut pas du tout générer de texte — vous l'associez à un modèle de langage séparé. Les personnes qui ont testé les deux décrivent la voix de CSM-1B comme nettement plus faible que celle de l'application Preview. Il est disponible en mode hébergé à 7 $ par million de caractères auprès d'un seul fournisseur tiers, soit environ 0,35 $ par heure d'audio, ou gratuitement si vous l'auto-hébergez.

La fiche de modèle dit tout haut ce qui se pense tout bas : une variante affinée de CSM alimente la démo vocale interactive, qui n’est pas le checkpoint que vous pouvez télécharger. Donc la version honnête de « Sesame vs Gemini » est celle-ci : Sesame a une belle voix fermée à laquelle vous n’avez pas accès, et un petit bloc de synthèse ouvert auquel vous avez accès, et ce ne sont pas la même chose. Google a un seul modèle que vous pouvez appeler, et c’est celui dont ils font la promotion. Cette asymétrie vaut plus pour un développeur que n’importe quel score de naturel.

Contraste des spécifications

• Ce que vous obtenez — Gemini 3.8 Live une API appelable dès aujourd’hui vs Sesame Preview une application grand public gratuite sans API pour sa voix de production

• Voix de production disponible sous licence — Gemini 3.8 Live : oui, paiement à la minute vs Sesame Preview : non, jamais publié

• Artefact ouvert — Gemini 3.8 Live none, fermé vs Sesame Preview CSM-1B, Apache-2.0, un modèle différent et plus faible

• Langues — Gemini 3.8 Live 97 vs Sesame Preview anglais uniquement

• Appel d'outils — appels d'outils et d'API en arrière-plan de Gemini 3.8 Live pendant la conversation vs les agents Sesame Preview qui mémorisent le contexte et recherchent sur le web mais n'exécutent pas de tâches

• Limite de session — Gemini 3.8 Live non publié par Google vs Sesame Preview 30 minutes, 5 lorsqu’on est déconnecté

• Naturel — Gemini 3.8 Live non mesuré sur cet axe, contre Sesame Preview jugé meilleur de sa catégorie sur les impressions d'écoute, sans aucun benchmark indépendant pour l'un comme pour l'autre

• Latence — Gemini 3.8 Live non publiée vs Sesame Preview 250–450 ms de bout en bout pour Maya, premier octet en streaming inférieur à 300 ms, selon une mesure tierce

• Parcours Entreprise — Aperçu privé de Gemini 3.8 Live dans Gemini Enterprise, bientôt disponible dans Customer Experience vs Sesame Preview aucun

• Orientation annoncée — intégrations de la Live API de Gemini 3.8 Live avec Agora, LiveKit, Pipecat, Fishjam et d’autres, par rapport aux partenariats de recherche Sesame Preview et au matériel de lunettes connectées prévu pour 2027

La ligne sur le naturel est celle qui fait débat, et remarquez ce qu’elle dit : aucun des deux modèles ne dispose d’un benchmark indépendant sur son naturel à l’oreille. Ce qui existe, c’est l’application de Sesame louée par les auditeurs et Google classé deuxième dans une arène. Ce ne sont pas les mêmes mesures, et l’arène a au moins une méthodologie.

Ce que coûte le naturel sur le plan opérationnel

L’erreur est de considérer le naturel comme une fonctionnalité que l’on ajoute. C’est un compromis que l’on fait, et ce compromis se fait généralement au détriment de la fiabilité des outils — car les comportements qui donnent à une voix une apparence humaine, les hésitations, les chevauchements, la propension à passer la main au milieu d’une phrase, sont produits par un modèle qui dépense de la capacité sur la prosodie et la gestion des tours de parole plutôt que sur la grammaire stricte d’un appel de fonction. C’est là le mécanisme derrière le taux d’erreur de 6,7 % contre 3,3 %, bien plus plausiblement que toute affirmation selon laquelle un laboratoire serait meilleur en ingénierie.

Cela a aussi un coût d’infrastructure que personne ne budgète. Une voix qui sonne humaine fait monter les attentes, et un appelant qui croit parler à une personne ne tolère pas deux fois d’affilée un « Je n’ai pas bien saisi ». Le plafond de 30 minutes de Sesame est un aveu discret : cette catégorie de modèle coûte cher à faire tourner en continu — un plafond que Google ne publie pas pour 3.8 Live, ce qui n’est pas la même chose que de dire qu’il n’en existe pas.

Lequel appartient à votre stack

Choisissez Gemini 3.8 Live lorsque la voix est un moyen et non une fin : planification, triage, support, tout ce où l'appelant veut un résultat. Vous obtenez une API dès aujourd'hui, des tarifs publiés, une boucle d'outils qui s'exécute en arrière-plan, 97 langues, et un parcours entreprise si vous en avez besoin.

Choisissez Sesame Preview lorsque vous étudiez ce que la qualité conversationnelle devrait donner comme sensation, ou lorsque vous créez une expérience grand public où l’appel lui-même est le produit. C’est gratuit, c’est véritablement ce qui sonne le mieux parmi tout ce qui est disponible, et c’est un excellent endroit pour calibrer vos goûts. Ne prévoyez pas d’intégration en production autour de lui, car il n’y a rien avec quoi l’intégrer.

La plupart des équipes sérieuses finissent par adopter un hybride, et c’est dans l’hybride que le routage cesse d’être optionnel. Placez un modèle au rendu naturel sur les tours d’ouverture et d’accusé de réception, où la latence et la chaleur se font sentir, et placez un modèle fiable pour les outils sur les tours de transaction, où une erreur équivaut à une réservation perdue. OrcaRouter est conçu pour ce type de stack — la fusion de modèles permet à un panel de modèles de répondre ensemble lorsque le jugement d’un seul modèle ne suffit pas, le DSL de routage en compose plusieurs en un seul appel, et le failover détourne le trafic d’un modèle qui commence à mal se comporter, sans redéploiement. Lorsqu’un fournisseur publie bel et bien un tarif, nous répercutons le prix catalogue du fournisseur sans marge, de sorte qu’une baisse de prix se répercute sur votre facture le jour même.

Ce qu'il faut surveiller : une API pour la voix de production de Sesame, ou un benchmark qui mesure le naturel comme l'arène mesure la qualité. L'un ou l'autre transformerait ce choix entre accès et expérience en une véritable comparaison. D'ici là, l'un de ces modèles est appelable et l'autre ne peut qu'être admiré, et cela tranche la question plus vite que n'importe quel score.

La plupart des équipes sérieuses finissent par adopter une architecture hybride, et c'est dans cette hybridation que le routage cesse d'être facultatif. Placez un modèle au ton naturel sur les tours d'ouverture et d'accusé de réception, là où la latence et la chaleur se ressentent, et placez un modèle fiable pour les outils sur les tours de transaction, là où une erreur équivaut à une réservation perdue. OrcaRouter est conçu pour ce type d'architecture - la fusion de modèles permet à un panel de modèles de répondre ensemble lorsque le jugement d'un seul modèle ne suffit pas, le DSL de routage en compose plusieurs en un seul appel, et le basculement automatique détourne le trafic d'un modèle qui commence à mal se comporter, sans redéploiement.