Grok Voice 3.0 vs Sesame Preview : la voix qui remporte chaque test d'écoute est celle sans API

Demandez à une salle pleine de gens lequel de ces sons ressemble le plus à une personne et vous obtiendrez une seule réponse. Sesame Preview est l'assistant vocal gratuit de Sesame — quatre agents nommés Maya, Miles, Simone et Charlie, disponibles sur iOS depuis mai 2026 et largement sur Android depuis début août — et c'est lui qui a produit les clips viraux qui ont fait de « mode vocal de référence » une expression que les critiques ne cessent d'employer. G​rok Voice 3.0, annoncé par S​paceXAI le 14 octobre 2026, est le modèle parole-à-parole le mieux noté du classement public avec 86,9, accessible via un endpoint temps réel documenté à 0,08 $ la minute. Ces deux faits ne se contredisent pas, et l'écart entre eux constitue tout l'enjeu de la confrontation : l'un est une voix que les gens jugent à l'oreille, l'autre est une voix qu'un tiers peut mesurer.

La seconde moitié de cet écart, c’est l’accès. Sesame Preview n’a pas d’API, pas d’identifiant de modèle, pas de grille tarifaire et aucun plan annoncé pour en proposer une, et la voix de production dans l’application est un modèle fermé plus grand que le laboratoire n’a jamais publié. G​rok Voice 3.0 est un composant que l’on loue à la minute. Choisissez à l’oreille, et vous voulez Sesame. Choisissez en fonction de votre capacité à livrer quelque chose, et la décision a été prise à votre place.

Ce que chacun est, officiellement

Dépouillés du marketing, les deux produits ne sont même pas du même genre.

• Ce que c'est — G​rok Voice 3.0 est un modèle parole-à-parole derrière le WebSocket en temps réel de S​paceXAI, avec des outils limités à la session et des transcriptions renvoyées ; Sesame Preview est une application grand public avec quatre agents conversationnels, une mémoire par agent qui se synchronise entre le web et le mobile, une recherche web en direct pendant un appel, et un résumé envoyé ensuite.

• Prix — 0,08 $ par minute d’audio plus 0,004 $ par saisie de texte, environ 4,80 $ l’heure, pour Grok Voice 3.0 ; gratuit pour l’utilisateur, sans publicité et sans niveau payant annoncé pour Sesame Preview.

• Accès développeur — un endpoint documenté, des jetons éphémères pour les connexions côté client, et un endpoint de voix personnalisée qui entraîne une voix à partir d'un clip de référence allant jusqu'à 120 secondes pour G​rok Voice 3.0 ; rien du tout pour Sesame Preview.

• Poids — fermés des deux côtés, à une exception près : Sesame a publié CSM-1B, un checkpoint Apache-2.0 qui n’est pas la voix utilisée dans l’application.

• Score indépendant — 86,9 sur l'Artificial Analysis Speech to Speech Index avec cinq composants lisibles pour Grok Voice 3.0 ; aucun pour la voix Sesame Preview, et aucun publié par Sesame non plus.

• Limites — G​rok Voice 3.0 n’a aucun plafond de session annoncé, et sa génération précédente était commercialisée sur son taux d’erreur de mots dans 24 langues ; Sesame Preview n’existe qu’en anglais, avec une limite d’appel de 30 minutes qui tombe à cinq minutes lorsqu’on est déconnecté, et aucune exécution de tâche — les agents parlent, ils ne réservent rien, n’achètent rien et ne classent aucun document.

Ce dernier point est celui qui met fin à la plupart des évaluations. Un produit vocal que l’on ne peut pas appeler n’est pas un composant ; c’est un concurrent.

Le checkpoint ouvert, et ce qu’il n’est pas

Sesame s'est montré d'une franchise inhabituelle au sujet de l'écart entre sa démo et sa version téléchargeable, et c'est, de loin, le fait le plus important pour quiconque met les deux en balance.

CSM-1B est un modèle de parole conversationnel de 1B publié sous Apache 2.0 le 23 avril 2026 : une ossature d’architecture Llama alimentant un décodeur séparé et le codec Mimi de Kyutai, produisant de la parole anglaise mono à 24 kHz à partir d’un contexte d’environ 4 000 tokens. C’est un modèle de génération de parole de base. Selon l’évaluation de personnes qui ont utilisé les deux, sa voix est nettement moins bonne que celle de l’application, et la documentation de Sesame elle-même précise explicitement qu’il ne s’agit pas d’un système parole-à-parole de bout en bout et qu’il ne peut pas générer de texte.

Donc le téléchargement est une lignée de recherche, pas le produit. Quelqu'un qui est parti chercher la voix de la démo a trouvé le modèle plus petit issu du même laboratoire, et ce qui répond lorsqu'un des quatre agents décroche est un modèle de production qui n'a jamais été publié. Il est hébergé par des fournisseurs d'inférence tiers à environ 7 $ par million de caractères — environ 0,35 $ par heure d'audio synthétisé — ou gratuit sur votre propre matériel, et personne n'en a publié de benchmark indépendant non plus.

Pour donner un ordre de grandeur, ces 0,35 $ de l'heure représentent l'audio le moins cher de cette comparaison, par un facteur de treize, et c'est aussi la ligne la moins utile, car un checkpoint 1B incapable de tenir une conversation en duplex n'est pas en concurrence avec G​rok Voice 3.0 sur le prix. Il est en concurrence avec l'outil de narration que vous utilisiez déjà, quel qu'il soit.

Pourquoi le test à l'oreille et l'indice se contredisent, et lequel des deux est erroné

Ils ne sont pas en conflit. Ils répondent à des questions différentes, et l’on ne peut répondre qu’à une seule d’entre elles en public.

La réputation de Sesame Preview repose sur la façon dont une voix sonne à l’oreille d’un auditeur : le souffle, l’hésitation, le moment d’une interruption, l’impression qu’une personne est au bout du fil. C’est un vrai type de preuve — la démo a convaincu des centaines de milliers de personnes et de critiques qui n’avaient aucune raison d’être généreux — et elle est totalement non quantifiée. Il n’y a pas d’entrée dans une arène, pas d’évaluation publiée de la voix de production, et aucun décompte d’échantillons. Toute affirmation de qualité, dans un sens comme dans l’autre, est une impression d’écoute.

Le 86,9 de Grok Voice 3.0 est le type de preuve opposé. Il se décompose en un raisonnement vocal proche du plafond, 97,0 % sur Full Duplex Bench, 71,6 % sur τ-Voice, un Elo d’arène de 1 070 et 94,8 % de réussite aux tâches, chacun mesuré dans le cadre d’un harnais d’évaluation publié qu’une équipe extérieure peut lire, dont elle peut vérifier les calculs et qu’elle peut contester. Un indice composite est un choix de pondération, et la composante arène est figée au moment où un modèle devient éligible plutôt que de suivre l’Elo en direct — mais le désaccord est à la portée de tous, ce qui en fait une mesure plutôt qu’une affirmation.

Ce que le classement ne mesure pas, c’est si vous prenez plaisir à lui parler. Et il y a un chiffre précis dans la version qui tombe pile sur cet axe : G​rok Voice 3.0 commence à parler en 0,81 seconde, et le modèle qu’il remplace commençait à parler en 0,70 seconde. Le modèle phare est 0,11 seconde plus lent au démarrage que son propre prédécesseur, ce qui est exactement le genre de détail qu’un auditeur remarque avant même qu’un benchmark ne le fasse.

Ce que la conception à quatre agents vous apprend

Les quatre personnalités de Sesame ne sont pas un détail marketing ; elles constituent une décision architecturale, et elle est à l’opposé de celle que S​paceXAI a prise.

Maya, Miles, Simone et Charlie sont des voix fixes avec des tempéraments fixes, et la mémoire est délimitée par agent. C’est un produit conçu autour de l’hypothèse que la voix est le livrable et que la personnalité est la fonctionnalité. Il n’existe aucune personnalisation de la voix, aucun clonage, et aucun passage de l’application grand public vers une API — l’offre gratuite est le produit, et l’orientation déclarée de l’entreprise repose sur des partenariats de recherche et un appareil matériel prévu plutôt que sur une plateforme pour développeurs.

G​rok Voice 3.0 va dans l'autre sens. Il est livré avec le jeu de voix intégré de S​paceXAI, et un point d'accès distinct pour les voix personnalisées entraîne une voix à partir d'un extrait de référence pouvant aller jusqu'à 120 secondes, le voice_id obtenu fonctionnant à la fois avec l'API temps réel et la synthèse vocale en streaming. Sa session accepte des outils, ce qui permet à l'agent d'appeler votre backend en pleine conversation plutôt que de simplement en parler.

Lequel des deux est meilleur dépend de si vous vendez une expérience ou si vous en construisez une. Un produit vocal qui embarque quatre excellentes personnalités fixes a résolu l’image de marque et l’intégration en une seule décision. Un produit vocal doté d’un point de terminaison de clonage vous a donné une surface de conformité et un flux de travail de localisation en une seule décision. Ni l’un ni l’autre n’est une erreur, et ils ciblent des clients différents.

Où la question du routage atterrit réellement

OrcaRouter ne dessert aucune de ces couches vocales. G​rok Voice 3.0 se trouve derrière le WebSocket temps réel propre à S​paceXAI, et rien ne peut s'interposer dans une session audio duplex détenue par un seul fournisseur ; Sesame Preview n'a absolument aucun point de terminaison vers lequel acheminer. Dire le contraire reviendrait à décrire une capacité qui n'existe pas, et cette catégorie est pleine de plateformes qui font exactement cela.

Ce qui est routable, c'est la couche dont les deux produits dépendent discrètement. Les agents de Sesame cherchent sur le web en pleine conversation et envoient un résumé ensuite ; le tableau d'outils de Grok Voice 3.0 atteint n'importe quel backend qui lui répond, et tout ce qui est plus lourd qu'un appel en ligne devient une requête vers un modèle textuel derrière la conversation. Ce travail est facturé à la requête, c'est là qu'une part significative du coût par appel s'accumule, et c'est la moitié d'un produit vocal que vous pouvez maintenir constante pendant que le modèle audio qui la sous-tend change — ce qui, étant donné que grok-voice-latest/ a désormais changé deux fois en un trimestre, est une propriété qu'il vaut la peine d'avoir. Deux cent sept modèles issus de plus d'une douzaine de fournisseurs en amont derrière une seule clé, au prix catalogue du fournisseur sans aucune marge, avec basculement automatique lorsqu'un fournisseur se dégrade, un DSL de routage pour composer plusieurs modèles en un seul appel, et la fusion de modèles quand le jugement d'un seul modèle ne suffit pas. Comme rien n'est majoré, une baisse de prix d'un fournisseur sur l'un de ces modèles est effective ici le jour même.

La recommandation, ventilée selon qui vous êtes

Si vous êtes un consommateur qui veut la voix conversationnelle la plus agréable à écouter disponible aujourd’hui et n’a aucune intention d’intégrer quoi que ce soit, Sesame Preview est gratuit, il est disponible sur les deux plateformes mobiles, sa réputation est suffisamment méritée pour que les évaluateurs ne cessent de la confirmer, et rien dans cet article ne change cela. Utilisez-le et profitez-en.

Si vous développez, la décision est déjà prise et le raisonnement mérite d’être intériorisé. Vous ne pouvez pas appeler Sesame Preview, vous ne pouvez pas épingler sa voix, et vous ne pouvez pas le comparer à quoi que ce soit — donc chaque conversation d’achat à son sujet se termine au même endroit, à savoir un test d’écoute entre deux options qu’aucune des parties ne peut noter. G​rok Voice 3.0 vous donne une grille tarifaire, une chaîne de modèle versionnée, une transcription, un point de terminaison de clonage et un score de classement que vous pouvez contester. La première chose à faire avec, c’est d’épingler votre version, car l’alias a déjà été déplacé dessus sans prévenir.

Et si vous êtes un chercheur qui veut l'échec intéressant : le résumé honnête de cet appariement, c'est que la catégorie a prouvé qu'elle sait produire une voix qui vaut la peine d'être écoutée et n'a pas encore décidé si cette voix devait être achetable sous une autre forme qu'une application. Sesame a construit la meilleure expérience et l'a gardée fermée. S​paceXAI a construit le meilleur composant et a publié le chiffre. Guettez la version de Sesame qui aura une API — c'est la sortie qui rendrait cette page obsolète.

Cet écart entre ce qu'un tableau de bord mesure et ce qu'un déploiement rencontre est la raison pour laquelle ce bilan compte : les défaillances documentées de l'IA et les incidents d'agents liés aux modèles de cette classe sont recensés dans the OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et son indicateur de contestation.