Eleven Realtime v1 Max לעומת Sesame Preview: הקול שכובש את האוזן מפסיד במשימה
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 12 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 139 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 952 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 51 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 829 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 47 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 94 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
שאל מישהו איזה עוזר קולי נשמע הכי אנושי ותשמע את Sesame Preview. שאל איזה מודל ארגון יכול להעמיד מאחורי מספר טלפון והתשובה היא Eleven Realtime v1 Max, מודל דיבור-לדיבור שהוכרז ב-20 באוקטובר 2026, שפותר 87.1% מהמשימות בהערכה קבועה, עונה תוך 0.57 שניות וזמין דרך ElevenAgents או דרך Realtime API תואם OpenAI. Sesame Preview היא אפליקציה לצרכנים עם ארבעה בני לוויה בעלי שמות ואין דרך לרכוש את הקול שבתוכה. תקריות ה-AI המתועדות וכשלי הסוכנים שמאחורי המודלים בקטגוריה הזו נאספים בארכיון התקריות של OrcaRouter AI, שבו לכל רשומה מקורות משלה, חומרה, דירוג מהימנות וסימון שנוי במחלוקת.
זה לא נוקאאוט, מפני ששני המוצרים רודפים אחרי דברים שונים, והטיעון בעד הקול של Sesame מבוסס. החוקרים של Sesame היו מוקדמים וגלויים לגבי הרעיון שתזמון שיחתי — ההמ־המ, החפיפה, הנכונות לוותר באמצע משפט — הוא עמק המוזרות, לא הטימבר. התיעוד של ElevenLabs מהמר על אותו דבר מהכיוון ההפוך: Mini מתואר כמי שמזהה אם דובר סיים או רק מתפרץ. שתי מעבדות, תזה אחת, מודלים עסקיים מנוגדים.
הנקודה שבה ההשוואה הופכת למעניינת היא מה שכל אחד מהם בעצם מדד. ElevenLabs מפרסמת שישה מספרים ושותף להערכה. Sesame מפרסמת חוויה.
מה בדיוק כל אחד מהם
Eleven Realtime v1 Maxהיא רשת אחת שמבצעת זיהוי, ניהול תורות, הסקה ויצירת קול יחד, ומיועדת למשימות מורכבות עם שימוש בכלים מרובה-שלבים: תמיכת לקוחות, סינון לידים ותיאום פגישות בסיוע. האח הזול שלה, Eleven Realtime v1 Mini, הוא ברירת המחדל עבור סוכני ElevenAgents חדשים ומכוון לשיחה טבעית בעלות נמוכה יותר. ניתן להגיע אל Max בשתי דרכים — מהתפריט הנפתח של ElevenAgents, שבו ElevenLabs מנהלת עבורך את מודל ה-LLM, מודל ה-TTS, ספק ה-ASR והגדרות ההסקה, או דרך Realtime API שמדבר בפרוטוקול האירועים Realtime של OpenAI מעל WebSocket בכתובת wss://api.elevenlabs.io/v1/convai/realtime.
Sesame Preview הוא עוזר קולי חינמי לצרכנים: ארבעה סוכנים בעלי שמות — Maya, Miles, Simone, Charlie — זמינים ב-iOS ובווב, ומתוארים כמעט על ידי כל מי שמנסה אותו כעוזר הקולי הטבעי ביותר בשוק. הוא שומר על הקשר בין סשנים, מחפש באינטרנט וקובע תזכורות. הוא אינו מבצע הזמנות, אינו קונה ואינו מגיש דבר. אין מסלול ארגוני, אין תמחור מפורסם ואין API ציבורי לקול ששומעים באפליקציה.
שתיהן מערכות שיחה בדופלקס מלא, עם חילופי תורות כה טובים שאנשים מפסיקים לשים לב אליהם. כאן נגמר הדמיון, וכאן השאלה "מה עדיף" מפסיקה לקבל תשובה אחת.
המספרים שיש לאחד מהם
Artificial Analysis בחנה את Eleven Realtime v1 Max באופן עצמאי באמצעות אותה מערכת בדיקה שהיא מחילה על כל מודל דיבור-לדיבור. אלו הנתונים שלה, ולא של ElevenLabs:
• הסקת דיבור (Big Bench Audio) — מקסימום 98.8%
• דינמיקה שיחתית (Full-Duplex-Bench) — מקסימום 94.1%
• שיעור הצלחת המשימות — מקסימום 87.1%
• העדפת Arena (Elo) — מקסימום 997
• זמן עד לאודיו הראשון — מקסימום 0.57 שנ׳
עלות לשעת אודיו קלט — מקסימום $4.80
• ביצועים אגנטיים (τ-Voice) — Max לא נמדד
• מדד דיבור לדיבור — Max לא קיבל ציון
Sesame Preview אינו מופיע באף אחת מהשורות הללו. אין לו API ציבורי, ולכן אף מערכת בדיקה עצמאית לא יכולה להריץ אותו, וההתנהגות של האפליקציה עצמה מעולם לא נמדדה על ידי מישהו מחוץ ל-Sesame מבחינת השלמת משימות או זמן השהיה. כשאנשים אומרים ש-Sesame נשמע טוב יותר, הם מדווחים על התרשמות משמיעה, וזו התרשמות לגיטימית — היא פשוט אינה אותה מדידה כמו זירה שיש מאחוריה מתודולוגיה ומודל העדפות.
זה עובד לשני הכיוונים. ה-Elo של 997 בזירה הוא מספר אמיתי ממאזינים אמיתיים, והוא ממקם את Max אחרי 1,064 של Grok Voice 3.0, 1,047 של GPT-Live-1 (Sol, low) ו-1,078 של Gemini 3.8 Live. ElevenLabs מנצחת בשורות ההסקה והמהירות ולא מנצחת בשורת ההעדפה. אם האינסטינקט שלך הוא שהקול של Sesame עולה על זה של Max, תוצאת הזירה עקבית עם האינסטינקט הזה — היא פשוט נמדדה מול מודלי API אחרים, ולא מול Sesame.
שאלת המודלים במשקל פתוח, שבה רוב ההשוואות משתבשות
כל כתיבה שמשבחת את הקול של Sesame משבחת את האפליקציה, והקול של האפליקציה הוא מודל הפקה סגור ש-Sesame מעולם לא שחררה כנקודת קצה. מה ש-Sesame שחררה בקוד פתוח הוא CSM-1B, מודל דיבור שיחתי בן 1B במשפחת Moshi, תחת Apache-2.0. זהו בלוק סינתזה, לא עוזר: שלד Llama חוזה את ספר הקודים הראשון של Mimi, מפענח Llama קטן יותר חוזה את השאר, וקודק Mimi הופך את זה לצורת גל של 24 kHz. הוא מיועד בראש ובראשונה לאנגלית, הוא משכפל קול מקליפ ייחוס קצר, והוא אינו יכול לייצר טקסט בכלל — מצמידים אותו למודל שפה נפרד.
אנשים שהריצו את שניהם מתארים את הקול של CSM-1B כחלש באופן מובהק מזה של אפליקציית Preview, וכרטיס המודל של Sesame עצמו תומך בקריאה הזו: גרסה מכווננת של CSM מפעילה את ההדגמה האינטראקטיבית, ואותה גרסה אינה ה-checkpoint שאפשר להוריד.
אז הגרסה הכנה של "Sesame מול ElevenLabs" היא זו. ל-Sesame יש קול סגור ויפה שאי אפשר לפנות אליו, ובלוק סינתזה פתוח קטן שכן אפשר, והם אינם אותו מודל. ל-ElevenLabs יש מודל שאפשר לפנות אליו, שקולו טוב באופן מדיד אבל לא האהוב ביותר, וגם מחיר. האסימטריה שחשובה למי שבונה אינה איזה מהם נשמע טוב יותר; היא למי מהם יש נקודת קצה, וזה לא צמוד.
איפה המיזוג מופיע בפרודקשן
הטענה של ElevenLabs היא שמיזוג זיהוי, ניהול תורות, הסקה וקול למערכת מכווננת אחת מסיר את התפרים שמשאיר מפל עיבוד.
ב-ElevenAgents המיזוג הוא מילולי ויש לכך מחיר: כל עוד מוגדר מודל Realtime, ה-LLM, מאמץ החשיבה, תקציב החשיבה, קריאות לכלים במקביל, פסק הזמן של cascade, מודל ה-TTS, המצב האקספרסיבי וספק ה-ASR — כולם מנוהלים על ידי ElevenLabs ואינם נלקחים בחשבון בסוכן. צומת workflow לא יכול לדרוס אותם, והסוכן לא יכול להשתמש ב-LLM מותאם אישית או ב-Amazon Bedrock בכלל. בחר את המודל — ובחרת את כל הסטאק שמתחתיו.
מטריצת התאימות אינה אחידה באופן שיפתיע את מי שמיישם אותה באזורים שונים:
• שהיית נתונים — Max פועל בארה״ב ובאיחוד האירופי אך לא בהודו או בסינגפור, שם מוצע רק Mini
• מצב אפס שמירה ו-HIPAA — Max נתמך בארה״ב ובאיחוד האירופי; Mini אינו נתמך באף אחד מהם
• מגבלת טוקנים — Max דורש 1,024 טוקנים או ללא הגבלה, וצמתי תהליך העבודה לא יכולים לעקוף אותה
• העברות סוכנים — סוכן במצב Realtime יכול להעביר רק אל סוכנים אחרים במצב Realtime ומהם, אם כי Mini-to-Max מותר
• תעבורה — אין WebRTC בהשקה; ה-Realtime API הוא WebSocket בלבד
כללים אלה נאכפים בעת הפרסום, לא בעת השמירה: טיוטה שמפרה אחד מהם נשמרת בלי בעיה ונכשלת כשמפרסמים, עם שגיאה שמציינת את ההגדרה. אם אתם עושים אב-טיפוס, זו מטרד קטן. אם אתם משחררים לתור כפוף לרגולציה, זה קובע באיזה וריאנט אפשר להשתמש בכל סביבה, והזול יותר אינו תמיד זה שעומד בדרישות.
איזה מהם שייך לסטאק שלך?
בחרו ב-Eleven Realtime v1 Max כשהקול הוא אמצעי ולא מטרה, והשיחה חייבת להניב תוצאה — מיון פניות תמיכה, תיאום פגישות, סינון התאמה. אתם מקבלים endpoint כבר היום, פרוטוקול אירועים תואם OpenAI שהופך מעבר מאינטגרציית Realtime לשינוי של שני מחרוזות, שיעור הצלחה במשימות נמדד של 87.1%, מנוע ההסקה החזק המהיר ביותר בלוח, ומחיר שתוכלו למדל ב-$4.80 לשעת אודיו. קחו בחשבון שזה עדיין בהשקה הדרגתית, שההתנהגות הסוכנית שלו לא נמדדה, ושהקול שלו לא נמצא בראש זירת ההעדפות.
בחר את Sesame Preview כאשר אתה בוחן איך איכות שיחה אמורה להרגיש, או בונה מוצר צרכני שבו השיחה היא המוצר. זה בחינם, זה הדבר שנשמע הכי טוב שרוב האנשים ניסו, וזו דרך טובה לכייל את הטעם שלך. אל תתכנן אינטגרציה סביבו: אין עם מה לבצע אינטגרציה, ו-CSM-1B אינו המודל באפליקציה.
בחרו ב-CSM-1B רק אם אתם רוצים בלוק סינתזה פתוח שניתן לאירוח עצמי, ואתם מוכנים לבנות סביבו את שאר החלקים — ASR, מודל שפה, שכבת חילופי תורות. הוא ברישיון Apache-2.0 והוא באמת שימושי בתפקיד הזה. הוא אינו מתחרה של Max ומעולם לא נועד להיות כזה.
ההיברידי, והחצי שנתב יכול לעזור בו
רוב מוצרי הקול הרציניים בסופו של דבר מערבבים מודלים ולא בוחרים באחד. מודל שנשמע טבעי בתורות הפתיחה והאישור, שבהן מורגשים חמימות וזמן השהיה; מודל אמין למשימה בתורות העסקה, שבהן טעות פירושה הזמנה שאבדה. לא Eleven Realtime ולא Sesame מקלים על כך בתוך חיבור יחיד — ה-API של Realtime של ElevenLabs הוא מוצר נפרד מ-ElevenAgents ופועל רק דרך WebSocket, ול-Sesame אין API שאיתו אפשר למזג.
היכן ששכבת ניתוב אכן מוכיחה את מקומה הוא שכבה אחת למטה, בעבודה שמודל הקול מאציל. ב-OrcaRouter אלה 209 מודלים מ-16 ספקים במעלה הזרם מאחורי מפתח אחד, במחיר המחירון של הספק וללא תוספת מחיר, עם מעבר אוטומטי לגיבוי כאשר ספק מחזיר שגיאה. מיזוג מודלים מאפשר לפאנל להשיב יחד כאשר שיקול הדעת של מודל אחד אינו מספיק; ה-DSL של הניתוב מרכיב כמה מהם לקריאה אחת. Eleven Realtime v1 Max עצמו אינו בקטלוג שלנו — אין עבורו נקודת קצה של צד שלישי — ולכן הגבול הכנה הוא שאנו יכולים לנתב את אחזור המידע, את הסיכום ואת הניתוח שלאחר השיחה, לא את הקול.
מה שישנה את המאמר הזה הוא מדד שמודד טבעיות כפי שהזירה מודדת העדפה, שיופעל גם על האפליקציה של Sesame וגם על מודלי ה-API — או נקודת קצה לקול הייצור של Sesame. כל אחד מאלה יהפוך את הבחירה בין גישה לחוויה להשוואה ממשית. עד אז, לאחד מהמודלים האלה אפשר לקרוא, ואת האחר אפשר רק להעריץ, וזה מכריע יותר מכל מבחן האזנה.
השוואות במאמר הזה1
זוהה מתוך המאמר הזה · בנצ'מרקים: Artificial Analysis · מתעדכן יומית
