Grok Voice 3.0 מול Sesame Preview: הקול שמנצח בכל מבחן האזנה הוא זה שאין לו API
- OrcaחדשOrcaCyber: MiMo V2.6 Flash Abliterated2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 108 tok/s
- MoonshotחדשMoonshotAI: Kimi K3.1 Pro2026-10-2455אינטליגנציה
- OrcaחדשOrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 166 tok/s
- minimaxחדשMiniMax: M3.1 Flash2026-10-1943אינטליגנציה
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 42 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 130 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 · 663 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-21$0.14 / $0.28 לכל 1M טוקנים · 31 tok/s
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-21$0.43 / $0.87 לכל 1M טוקנים · 44 tok/s
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 228 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 1906 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
תשאל חדר מלא אנשים איזה מהם נשמע יותר כמו אדם ותקבל תשובה אחת. Sesame Preview הוא העוזר הקולי החינמי מבית Sesame — ארבעה סוכנים בשם מאיה, מיילס, סימון וצ׳ארלי, ב-iOS מאז מאי 2026 וב-Android באופן נרחב מאז תחילת אוגוסט — והוא הפיק את הסרטונים הוויראליים שהפכו את "מצב קולי מהשורה הראשונה" לביטוי שמבקרים ממשיכים לשלוף. Grok Voice 3.0, שהוכרז על ידי SpaceXAI ב-14 באוקטובר 2026, הוא מודל דיבור-לדיבור בעל הניקוד הגבוה ביותר בטבלה הציבורית עם 86.9, וניתן לקרוא לו באמצעות נקודת קצה מתועדת בזמן אמת במחיר 0.08 דולר לדקה. שתי העובדות האלה אינן סותרות זו את זו, והפער ביניהן הוא כל ההשוואה: אחד מהם הוא קול שאנשים שופטים באוזניים, והאחר הוא קול שצד חיצוני יכול למדוד.
החצי השני של הפער הזה הוא גישה. ל-Sesame Preview אין API, אין מזהה מודל, אין מחירון ואין תוכנית מוצהרת בנוגע לכך, והקול שפועל בפרודקשן באפליקציה הוא מודל סגור גדול יותר שהמעבדה מעולם לא שחררה. Grok Voice 3.0 הוא רכיב ששוכרים לפי דקה. תבחרו לפי האוזן ותרצו את Sesame. תבחרו לפי היכולת שלכם לשחרר משהו — וההחלטה כבר התקבלה עבורכם.
מהו כל אחד מהם, באופן רשמי
בלי השיווק, שני המוצרים אפילו לא מאותו סוג.
• מה זה — Grok Voice 3.0 הוא מודל מדיבור לדיבור מאחורי ה-WebSocket בזמן אמת של SpaceXAI, עם כלים מוגבלים לסשן ותמלילים מוחזרים; Sesame Preview היא אפליקציית צרכן עם ארבעה סוכנים שיחתיים, זיכרון לכל סוכן שמסתנכרן בין הווב לנייד, חיפוש ווב חי במהלך שיחה, וסיכום שנשלח לאחר מכן.
• מחיר — 0.08 דולר לדקת אודיו בתוספת 0.004 דולר לקלט טקסט, כ-4.80 דולר לשעה, עבור Grok Voice 3.0; חינם למשתמש ללא פרסומות וללא מסלול בתשלום מוצהר עבור Sesame Preview.
• גישת מפתחים — נקודת קצה מתועדת, אסימונים ארעיים לחיבורים בצד הלקוח, ונקודת קצה לקול מותאם אישית שמאמנת קול מקליפ ייחוס של עד 120 שניות עבור Grok Voice 3.0; כלום בכלל עבור Sesame Preview.
• משקלים — סגורים משני הצדדים, למעט יוצא דופן אחד: Sesame פרסמה את CSM-1B, צ'קפוינט ברישיון Apache-2.0 שאינו הקול באפליקציה.
• ציון עצמאי — 86.9 במדד Artificial Analysis Speech to Speech Index, עם חמישה מרכיבים קריאים עבור Grok Voice 3.0; אין כאלה עבור הקול של Sesame Preview, ואף לא אחד שפורסם על ידי Sesame.
• מגבלות — ל-Grok Voice 3.0 אין תקרת סשן מוצהרת, והדור שקדם לו שווק על בסיס שיעור שגיאת מילים ב-24 שפות; Sesame Preview הוא באנגלית בלבד, עם תקרת שיחה של 30 דקות שמצטמצמת לחמש דקות כשמנותקים, וללא ביצוע משימות — הסוכנים מדברים, הם לא מזמינים, קונים או מגישים שום דבר.
הנקודה האחרונה היא זו שמסיימת את רוב ההערכות. מוצר קולי שאי אפשר להתקשר אליו אינו רכיב; הוא מתחרה.
הצ'קפוינט הפתוח, ומה שהוא לא
Sesame הייתה ישירה באופן יוצא דופן בנוגע לפער בין ההדגמה שלה לבין ההורדה שלה, וזו העובדה החשובה ביותר עבור כל מי ששוקל את השתיים.
CSM-1B הוא מודל דיבור שיחתי בעל 1B פרמטרים ששוחרר תחת Apache 2.0 ב-23 באפריל 2026: עמוד שדרה בארכיטקטורת Llama שמזין מפענח נפרד ואת קודק Mimi של Kyutai, ומייצר דיבור אנגלי מונו ב-24 kHz מהקשר של כ-4,000 טוקנים. זהו מודל בסיסי להפקת דיבור. לפי הערכתם של אנשים שהריצו את שניהם, זהו קול חלש באופן מובהק מזה שבאפליקציה, והתיעוד של Sesame עצמה מפורש בכך שהוא אינו מערכת דיבור-לדיבור מקצה-לקצה ואינו יכול לייצר טקסט.
אז ההורדה היא שושלת מחקרית, לא המוצר. מישהו שיצא לחפש את הקול מהדמו מצא את המודל הקטן יותר שיצא מאותה מעבדה, והדבר שעונה כשאחד מארבעת הסוכנים מרים הוא מודל הפקה שמעולם לא שוחרר. הוא מתארח אצל ספקי הסקה מצד שלישי בכ-7 דולר למיליון תווים — בערך 0.35 דולר לשעה של אודיו מסונתז — או בחינם על החומרה שלך, וגם אף אחד לא פרסם בנצ'מארק עצמאי שלו.
לשם קנה מידה, 0.35 דולר לשעה הוא האודיו הזול ביותר בהשוואה הזו, זול פי שלושה עשר, והוא גם השורה הפחות שימושית בה, מפני שצ'קפוינט של 1B שלא מסוגל לקיים שיחה דו-כיוונית לא מתחרה במחיר עם Grok Voice 3.0. הוא מתחרה עם כל כלי קריינות שכבר השתמשתם בו.
מדוע מבחן האוזן והמדד אינם מסכימים, ומי מהם שגוי
הם אינם בסתירה. הם עונים על שאלות שונות, ורק על אחת מהן ניתן לענות בפומבי.
המוניטין של Sesame Preview נשען על הדרך שבה קול נשמע למאזין: נשימה, היסוס, התזמון של הפרעה, התחושה שאדם נמצא על הקו. זו עדות אמיתית מסוג מסוים — הדמו שכנע מאות אלפי אנשים ומבקרים שלא היה להם שום תמריץ לנהוג בנדיבות — והיא לחלוטין אינה מכומתת. אין רשומה בארנה, אין הערכה שפורסמה של הקול בפרודקשן, ואין מספר דגימות. כל טענת איכות, לכאן או לכאן, היא רושם שמיעתי.
ה-86.9 של Grok Voice 3.0 הוא סוג הראיות ההפוך. הוא מתפרק לחשיבה דיבורית קרובה לתקרה, 97.0% ב-Full Duplex Bench, 71.6% ב-τ-Voice, Elo בזירה של 1070 ו-94.8% הצלחה במשימות, כשכל אחד מהם נמדד תחת רתמת בדיקה שפורסמה שצוות חיצוני יכול לקרוא אותה, לבדוק את האריתמטיקה שלה ולחלוק עליה. מדד מורכב הוא בחירת שקלול, ורכיב הזירה קפוא בנקודה שבה מודל הופך לזכאי במקום לעקוב אחר Elo חי — אבל אי-ההסכמה זמינה לכל אחד, וזה מה שהופך אותו למדידה ולא לטענה.
מה שלוח התוצאות לא מודד הוא אם אתה נהנה לדבר איתו. ויש מספר מסוים בהשקה שנופל בדיוק על הציר הזה: Grok Voice 3.0 מתחיל לדבר תוך 0.81 שניות, והמודל שהוא מוציא מכלל שימוש התחיל ב־0.70. הדגם המוביל איטי ב־0.11 שניות מהקודם שלו בזינוק, וזה בדיוק סוג הפרט שמאזין מבחין בו לפני שבנצ׳מרק עושה זאת.
מה אומר לך העיצוב של ארבעת הסוכנים
ארבעת האישיויות של Sesame אינן פרט שיווקי; הן החלטה ארכיטקטונית, והיא ההפוכה מזו ש-SpaceXAI קיבלה.
מאיה, מיילס, סימון וצ'ארלי הם קולות קבועים עם טמפרמנטים קבועים, והזיכרון מוגדר בנפרד לכל סוכן. זהו מוצר שנבנה סביב ההנחה שהקול הוא התוצר והאישיות היא הפיצ'ר. אין התאמה אישית של קול, אין שיבוט, ואין נתיב מאפליקציית הצרכן אל API — המסלול החינמי הוא המוצר, והכיוון המוצהר של החברה הוא שותפויות מחקר והתקן חומרה מתוכנן, ולא פלטפורמת מפתחים.
Grok Voice 3.0 הולך בכיוון ההפוך. הוא מגיע עם סט הקולות המובנה של SpaceXAI, ונקודת קצה נפרדת לקול מותאם אישית מאמנת קול מתוך קטע ייחוס של עד 120 שניות, כאשר ה-voice_id שנוצר עובד גם ב-realtime API וגם ב-streaming text-to-speech. הסשן שלו מקבל כלים, כך שהסוכן יכול לקרוא ל-backend שלך באמצע השיחה במקום רק לדבר עליו.
איזו מהן טובה יותר תלוי בשאלה אם אתם מוכרים חוויה או בונים אחת. מוצר קולי שמשיק ארבע פרסונות קבועות ומצוינות פתר את המיתוג והאינטגרציה בהחלטה אחת. מוצר קולי עם נקודת קצה לשכפול העניק לכם משטח ציות ותהליך לוקליזציה בהחלטה אחת. אף אחד מהם אינו טעות, והם מצביעים על לקוחות שונים.
לאן שאלת הניתוב בעצם נוחתת
OrcaRouter לא משרת אף אחת משכבות הקול האלה. Grok Voice 3.0 נמצא מאחורי ה-WebSocket בזמן אמת של SpaceXAI עצמה, ושום דבר לא יכול להתערב בסשן אודיו דופלקס בבעלות ספק אחד; ל-Sesame Preview אין נקודת קצה לנתב אליה בכלל. לומר אחרת יהיה לתאר יכולת שאינה קיימת, והקטגוריה הזו מלאה בפלטפורמות שעושות בדיוק את זה.
מה שניתן לנתב הוא השכבה ששני המוצרים תלויים בה בשקט. הסוכנים של Sesame מחפשים ברשת תוך כדי השיחה ושולחים סיכום לאחריה; מערך ה-tools של Grok Voice 3.0 מגיע לכל backend שיענה לו, וכל דבר כבד יותר מקריאה מוטמעת הופך לבקשת מודל טקסט מאחורי השיחה. העבודה הזו נמדדת לפי בקשות, שם מצטבר נתח משמעותי מהעלות לכל שיחה, וזהו החצי של מוצר קולי שאפשר להחזיק קבוע בזמן שמודל האודיו שמתחתיו משתנה — מה, בהתחשב בכך שgrok-voice-latest/ עבר כבר פעמיים ברבעון אחד, הוא תכונה ששווה להחזיק בה. מאתיים ושבעה מודלים מיותר מתריסר ספקי upstream מאחורי מפתח אחד, במחיר המחירון של הספק עם אפס תוספת, עם failover אוטומטי כשספק נחלש, שפת DSL לניתוב להרכבת כמה מודלים לקריאה אחת, ומיזוג מודלים כשרואי הדעת של מודל אחד אינו מספיק. מכיוון ששום דבר לא מתומחר בתוספת, הורדת מחיר של ספק באחד מהמודלים האלה נכנסת לתוקף כאן עוד באותו היום.
ההמלצה, מחולקת לפי מי שאתם
אם אתם צרכנים שרוצים את הקול השיחתי בעל הצליל הטוב ביותר הזמין היום, ואין לכם כל כוונה לשלב דבר, Sesame Preview הוא חינמי, הוא זמין בשתי פלטפורמות המובייל, המוניטין שלו מוצדק מספיק עד כדי כך שמבקרים ממשיכים לאשר אותו, ושום דבר במאמר הזה לא משנה את זה. השתמשו בו ותיהנו ממנו.
אם אתם בונים, ההחלטה כבר התקבלה וההיגיון שווה הפנמה. אינכם יכולים לקרוא ל-Sesame Preview, אינכם יכולים לנעוץ את הקול שלו, ואינכם יכולים להשוות אותו לשום דבר — כך שכל שיחת רכש עליו מסתיימת באותו מקום, שהוא מבחן האזנה בין שתי אפשרויות שאף אחד מהצדדים לא יכול לתת להן ציון. Grok Voice 3.0 נותן לכם מחירון, מחרוזת מודל עם גרסה, תמלול, נקודת קצה לשיבוט וציון לוח תוצאות שאפשר להתווכח איתו. הדבר הראשון לעשות איתו הוא לנעוץ את הגרסה שלכם, כי האליאס כבר הועבר אליו בלי לשאול.
ואם אתה חוקר שרוצה את הכישלון המעניין: הסיכום הכנה של השילוב הזה הוא שהקטגוריה הוכיחה שהיא יכולה ליצור קול ששווה להקשיב לו, אך טרם החליטה אם הקול הזה צריך להיות ניתן לרכישה בכל צורה אחרת פרט לאפליקציה. Sesame בנתה את החוויה הטובה יותר והשאירה אותה סגורה. SpaceXAI בנתה את הרכיב הטוב יותר ופרסמה את המספר. חכו לגרסה של Sesame שיש לה API — זו ההשקה שתהפוך את העמוד הזה למיושן.
הפער הזה בין מה שלוח תוצאות מודד לבין מה שפריסה עומדת בו הוא הסיבה לכך שהתיעוד חשוב: כשלי ה-AI המתועדים ותקריות הסוכנים סביב מודלים במחלקה הזו נאספים בthe OrcaRouter AI Incident Archive, שבו לכל ערך יש מקורות משלו, חומרה, דירוג ביטחון וסימון מחלוקת.
