Phonic 1 vs Sesame Preview : le problème des silences, résolu de deux façons opposées

Phonic 1 et Sesame Preview sont tous deux commercialisés comme des modèles vocaux conversationnels, et ils ne visent pas le même objectif. Phonic 1 — le fournisseur l'écrit Phonic-1 — est un endpoint speech-to-speech à 0,07 $ la minute, devenu disponible commercialement le 29 octobre 2026 et directement propulsé à la première place de l'indice Speech to Speech d'Artificial Analysis avec un score de 87,1. Sesame Preview est l'application compagnon gratuite qui se cache derrière les voix Maya, Miles, Simone et Charlie : pas d'API publique, pas de grille tarifaire, aucune ligne dans un classement indépendant, et un projet annoncé de vous vendre des lunettes en 2027. Mettez les deux noms dans une même phrase et la première chose qui en ressort, c'est qu'un seul des deux peut être acheté.

La deuxième chose qui en ressort est plus intéressante. Derrière le marketing, les deux produits répondent à la même petite humiliation : la demi-seconde de silence pendant laquelle la machine décide ce qu’elle va dire. Phonic s’y attaque en faisant le travail avant que l’appelant ait terminé. Sesame s’y attaque en améliorant sa capacité à savoir quand l’appelant a terminé. Ce sont là des paris d’ingénierie véritablement différents, mesurés par des instruments qui ne se recoupent pas, et le choix entre eux découle du pari sur lequel repose votre produit — et non d’un tableau de référence.

Ce que chacun est réellement, avant que la comparaison ne devienne ambiguë.

Phonic 1 est un modèle vocal de bout en bout, entrée audio et sortie audio, sans cascade transcrire-puis-réfléchir-puis-parler entre les deux. Il est livré avec des SDK TypeScript et Python, une CLI et un constructeur d'agents sans code, 51 langues documentées avec un changement en cours de conversation qui préserve l'identité du locuteur, un réglage documenté intelligence_level qui vaut par défaut standard et peut être augmenté jusqu'à élevé, ainsi que des conditions pour les entreprises comprenant SOC 2 Type II, un BAA HIPAA, aucune conservation des données et un SLA de disponibilité de 99,9 %. Il est vendu à la minute en trois niveaux, et l'entreprise derrière compte environ dix personnes issues du MIT et de Stanford qui ont levé une série A de 27,5 millions de dollars menée par First Round.

Sesame Preview n’est pas un modèle que l’on loue. C’est un produit grand public — une application iOS et web, gratuite, déployée dans 39 pays à partir de fin mai 2026, comprenant quatre agents nommés dotés d’une mémoire persistante, une recherche web parallèle qui s’exécute en cours de phrase, la prise de notes, un mode texto et un mode incognito. L’objectif annoncé par Sesame pour ce produit est un premier audio en moins de 300 ms, et l’entreprise a publiquement reconnu que le modèle était encore « trop empressé et souvent inapproprié » sur le plan du ton et du rythme. Il n’existe pas d’offre entreprise et aucun moyen d’obtenir une licence pour la voix de production.

La seule chose qui porte bel et bien le nom Sesame dans une version compilée est Sesame CSM-1B, publié sous Apache 2.0 le 13 mars 2025. C'est un modèle de parole conversationnelle de base, orienté anglais en priorité, conçu pour générer des tokens audio Mimi conditionnés par les tours précédents. Ce n'est pas la voix de l'application : les personnages de Preview proviennent d'un fine-tune sélectionné et d'un casting vocal qui n'ont jamais été publiés. Les évaluateurs qui ont testé les deux décrivent le checkpoint ouvert comme audiblement plus faible que l'application, ce qui fait de « il suffit d'auto-héberger le modèle Sesame » un produit différent, et non un raccourci sans licence.

Deux attaques sur la même demi-seconde

L'argument de lancement de Phonic est l'élément le plus concret de cette catégorie : il affirme que Phonic-1 est le seul modèle capable d'agir pendant que l'appelant parle encore. Dans la démonstration publiée par l'entreprise, le modèle a déclenché les cinq appels d'outils en pleine phrase et a répondu 1,1 seconde après que l'appelant s'est tu ; sur le même script, elle situe GPT-Live-1 à 15,7 secondes. À lire comme la démonstration d'une conception, pas comme un benchmark — il s'agit d'une tâche choisie par le fournisseur sur un script choisi par le fournisseur. Mais c'est bien la conception qui compte. Si la recherche est déjà effectuée au moment où le tour se termine, le modèle n'a jamais besoin d'être brillant pour prédire la fin du tour ; il lui suffit de ne pas se mettre en travers du chemin.

Sesame a pris l'autre voie et a fait de la prédiction elle-même un programme de recherche. En août 2026, elle a publié TurnBench, un benchmark ouvert pour la dynamique de prise de tour : 30 heures de dialogue à double canal enregistré en studio, 154 conversations, 106 acteurs vocaux sur six registres, triple-annoté avec un kappa de Fleiss de 0,78, évalué sur le rappel à un taux de faux positifs plafonné, avec une latence signée à la médiane. Le résultat principal est celui à retenir : les locuteurs humains commencent un transfert de tour à une médiane de 151 ms avant que l'autre personne ne cesse de parler, et aucun système du domaine ne l'égale dans le budget de faux positifs. Les détecteurs sémantiques sont sélectifs et lents ; les détecteurs acoustiques sont rapides et bruyants. Rien n'est les deux à la fois.

C'est la croisée des chemins, dite sans détour. Sesame tente de combler l'écart entre les 151 ms d'anticipation humaine et les 368 ms à 1 234 ms que les meilleurs détecteurs parviennent à atteindre. Phonic tente de rendre cet écart sans objet en supprimant le travail qui le comble. Les deux sont légitimes. Une seule d'entre elles vous est aujourd'hui accessible comme point de terminaison, et ce n'est pas celle qui a publié le benchmark.

Le jury qui note l’un d’eux — et celui qu’il laisse de côté

L’indice Speech to Speech d’Artificial Analysis est le seul indicateur composite indépendant du secteur, et Phonic 1 en occupe le sommet à l’heure où nous écrivons. Les lignes qui comptent :

• Phonic 1 (High) — indice 87,1, premier ; délai jusqu'au premier audio 0,61 s ; 4,20 $ par heure d'audio en entrée.

• Grok Voice 3.0 — 86,9 ; 0,81 s ; 4,80 $ par heure.

• GPT-Live-1 (Astra, medium) — 83,2 ; 1,34 s ; 5,83 $ par heure.

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

• Eleven Realtime v1 Max — 77.3 ; 0.57 s ; 4,80 $ par heure.

Notez la dernière ligne. Eleven Realtime v1 Max est plus rapide que Phonic 1 pour atteindre le premier audio — 0,57 s contre 0,61 s — et se situe 9,8 points d’indice plus bas. Le temps jusqu’au premier audio n’est pas le concours que Phonic a remporté ; c’est le composite qu’il a remporté, qui prend aussi en compte le raisonnement vocal, le comportement en tâche agentique, la préférence humaine et la réussite de la tâche. Quiconque cite « le plus rapide » à partir d’une seule colonne cite la mauvaise colonne.

Maintenant, l’asymétrie. Il n’y a pas de ligne Sesame Preview dans ce classement, et rien ne permet qu’une telle ligne y apparaisse : l’index fait passer les modèles par un banc de test API, et Sesame Preview n’a pas d’API. Les instruments de mesure de Sesame ne comblent pas non plus cette lacune. TurnBench est publié par Sesame et, au moment de la rédaction, ne comporte aucune entrée Sesame — le classement recense des modèles de projection de l’activité vocale, ESPnet, le VAD sémantique de Kyutai, Gemini 3.1 Live, OpenAI Realtime et Moshi, mais pas la voix de production de l’entreprise elle-même. Ce n’est pas un scandale ; la paternité d’un benchmark et la soumission à un benchmark sont deux actes différents, et une application compagne n’a pas de point de terminaison stable vers lequel diriger un évaluateur. Mais cela signifie que les deux chiffres phares de cette comparaison — 87,1 d’un côté, moins de 300 ms de l’autre — ne sont pas du même type d’affirmation. L’un a été mesuré par un tiers sur un banc de test. L’autre est un objectif annoncé par le fournisseur concernant un produit que personne à l’extérieur de l’entreprise n’a instrumenté.

La colonne où Phonic 1 perd, selon les propres preuves de Phonic

Si la raison pour laquelle vous vous penchez sur Sesame Preview est qu'il sonne comme une personne, cette comparaison a une réponse inconfortable, et elle provient des propres documents de presse de Phonic plutôt que d'un critique.

Phonic a commandé à Podonos, un service tiers de tests d’écoute, des tests d’écoute en aveugle par paires, et a publié les résultats dans son article de lancement. Phonic-1 a été préféré à GPT-Live-1 par 61,5 % contre 32,0 %, à Grok Voice 3 par 66,5 % contre 26,5 %, et à Eleven v4 Turbo par 78,0 % contre 14,0 %. L’accroche que l’entreprise a choisie de mettre en avant est celle qu’elle a perdue : les comédiens de voix humains ont été préférés à Phonic-1 par 57,0 % contre 32,0 %, ce que l’article décrit comme des humains l’emportant environ 60 % du temps, avec une marge d’amélioration encore substantielle. Ce sont des chiffres commandés et rapportés par le fournisseur, et aucun n’a été répliqué de manière indépendante — mais ce sont les chiffres du fournisseur, et ils indiquent que Phonic 1 est la meilleure voix de synthèse de son ensemble de comparaison, sans être pour autant une voix humaine.

Les données de préférence indépendantes vont dans le même sens. Sur la Speech Agent Arena qui alimente le score composite, Phonic 1 se classe huitième sur 30 pour la préférence des auditeurs avec un Elo de 1 012, tout en se classant quatrième pour la réussite des tâches à 92,3 %. Le modèle qui occupe la tête de l’indice n’est pas celui avec lequel les auditeurs veulent le plus converser. C’est la même césure que nous avons observée dans Grok Voice 3.0, mais depuis le côté opposé — xAI dominait l’arène et perdait sur le volet agentique — et c’est la raison structurelle pour laquelle un duel entre ces deux modèles ne peut pas être tranché par un seul chiffre.

La réputation de Sesame, quant à elle, repose précisément sur cette colonne et sur rien de plus rigoureux. La démo Maya and Miles est devenue virale en février 2025 pour ses respirations, ses hésitations, ses autocorrections et ses rires, et l’affirmation qui a circulé était que les auditeurs ne pouvaient pas distinguer de manière fiable les voix de celles d’humains sur de courts extraits. Il s’agit d’une impression formée par un public, non d’un test noté, et elle n’a jamais été confrontée directement à Phonic 1. Il n’existe aucune expérience publiée dans laquelle un auditeur écoute Sesame Preview et Phonic 1 l’un après l’autre. Quiconque vous dit lequel sonne mieux vous dit lequel il a entendu.

Combien coûte une minute, et pourquoi la minute est la mauvaise unité

La grille tarifaire est courte et déséquilibrée :

• Phonic 1 — 0,07 $ par minute sur Starter sans minimum, 10 appels simultanés, 10 agents et 3 sièges ; 0,065 $ par minute sur Pro avec un minimum mensuel de 200 $, soit environ 3 100 minutes, avec 50 appels simultanés ; offre entreprise sur mesure. Les inscriptions avant le 30 novembre bénéficient de 250 $ de crédits, et les clients qui migrent depuis une cascade bénéficient de trois mois gratuits.

• Sesame Preview — 0 $. Pas par minute, pas par siège, pas par agent. Gratuit dans l’application.

• Sesame CSM-1B — les poids sont gratuits, mais la facture correspond à vos heures de GPU plus le temps d’ingénierie nécessaire pour assembler la prise de tour, le conditionnement contextuel et un modèle de langage autour d’un checkpoint incapable de produire du texte par lui-même.

Effectuez la comparaison productive et le cadrage à la minute s’effondre. Dix mille minutes par mois sur Phonic 1 Starter coûtent 700 $, soit une erreur d’arrondi pour un centre d’appels et un vrai budget pour un projet parallèle. Sesame ne facture rien parce que Sesame ne vend pas des minutes — elle vend une habitude quotidienne en amont d’un lancement de lunettes en 2027, et une habitude se monétise par personne, par an, sur du matériel, pas par minute d’audio. Comparer une grille tarifaire à une application gratuite, c’est comparer un fournisseur à un panneau publicitaire.

Ce qui laisse la version honnête de la question du coût : combien coûte la livraison ? Pour Phonic 1, la réponse est un contrat, un websocket et dix appels simultanés sur Starter, sauf si vous payez pour Pro. Pour Sesame Preview, la réponse est qu’il n’y a pas de chiffre, parce qu’il n’y a pas d’offre. Ce qui ressemble le plus à un Sesame livrable, c’est CSM-1B, et ce que CSM-1B a de plus proche d’une grille tarifaire, c’est une facture de GPU.

Trois acheteurs, trois réponses différentes

Vous déplacez le volume d’appels hors d’une cascade et les appels doivent aboutir. Phonic 1, et le cas est celui de la colonne agentique plutôt que du composite. Les appels d’outils qui se déclenchent avant que l’appelant ne s’arrête font la différence entre un agent qui prend le rendez-vous et un autre qui oblige l’appelant à se répéter. Le $0.07 est bon marché face au coût d’un appel d’accueil échoué, et le plafond de concurrence est l’élément à dimensionner avant de vous engager.

Votre produit, c’est sa voix. Un compagnon, un coach, un tuteur, une voix de marque — tout produit où la raison pour laquelle l’utilisateur reste, c’est la voix elle-même. Sesame Preview est la référence, et Phonic 1 n’est pas encore la solution : lors du test à l’aveugle du fournisseur lui-même, les humains le battent presque deux contre un. Mais la référence n’est pas achetable, donc les options pratiques sont un modèle vocal sous licence avec un score de préférence mesuré, ou CSM-1B et beaucoup de votre propre ingénierie.

Vous voulez la séparation — une parole à la saveur de Sesame avec un backend agentique. C'est la combinaison vers laquelle pointent les feuilles de route des deux entreprises et qu'aucune des deux ne commercialise. La version que l'on peut construire, c'est CSM-1B ou un autre modèle vocal ouvert pour la voix, et un modèle de texte classique derrière pour la réflexion, câblés ensemble par vos soins. Cette étape de texte est une inférence de chat ordinaire, et c'est la couche où une API unique pour plus de 200 modèles avec 0 % de marge s'applique réellement : une seule clé pour le volet raisonnement, le prix catalogue du fournisseur transmis tel quel, le DSL de routage pour envoyer les bavardages de prise de tour et le raisonnement à forte densité de règles vers des modèles différents au sein du même appel, et un basculement automatique pour qu'un hoquet d'un fournisseur ne mette pas fin à la conversation. Ni Phonic 1 ni Sesame Preview ne figurent dans ce catalogue — Phonic 1 parce qu'il s'agit d'un point de terminaison mono-fournisseur et Sesame Preview parce qu'il n'y a aucun point de terminaison à router — il s'agit donc d'une affirmation sur la moitié de la pile que vous assemblez vous-même, et non d'une revendication concernant l'un ou l'autre des modèles ci-dessus.

Qu’est-ce qui changerait cette réponse ?

Trois choses, par ordre croissant de probabilité.

Phonic publie des chiffres de tests d'écoute pour le standard paramètre d'intelligence. Chaque score de cet article, y compris le 87,1 et le 0,61 s, a été produit en high. Par défaut, l'API utilise standard, documenté comme le mode à plus faible latence, et personne n'a publié ce que cette configuration fait à la qualité ou au temps jusqu'au premier audio. Une intégration qui ne touche jamais à ce paramètre exécute une variante non mesurée.

Sesame ouvre un endpoint, ou place sa propre voix de production sur son propre tableau de gestion des tours de parole. L’une ou l’autre de ces options transformerait cette situation d’une comparaison d’un produit avec une réputation en une comparaison de deux choses mesurables. Aucune des deux ne figure sur la feuille de route décrite par Sesame, qui passe par Android, puis par des lunettes connectées en 2027.

Quelqu’un fait tourner les deux systèmes dans la même pièce. Un seul test à l’aveugle avec les voix de production de Sesame Preview et Phonic 1 sur les mêmes consignes permettrait de trancher la question de la naturalité en un après-midi, et il ne peut être mené par quiconque ne travaille pas chez Sesame, car l’un des deux systèmes n’est pas accessible à une personne extérieure.

Jusqu’à ce que l’une de ces choses se produise, l’interprétation défendable est la suivante : Phonic 1 est le seul des deux que vous pouvez déployer, il arrive en tête du seul composite indépendant qui évalue l’un ou l’autre, il l’emporte sur le pari du travail accompli avant la fin du tour, et il n’est, de manière mesurable, pas encore une voix humaine. Sesame Preview est ce qui sonne le mieux et que vous ne pouvez pas avoir, d’une entreprise qui n’est pas actuellement dans le métier de le vendre. Ce ne sont pas deux options d’un même menu. C’est un fournisseur et une démo, et plus vite vous arrêterez de comparer leurs fiches techniques, plus vite vous pourrez décider lequel votre produit avait réellement besoin.