Phonic 1 לעומת Sesame Preview: בעיית הדממה, שנפתרה בשתי דרכים מנוגדות

Phonic 1 וSesame Preview שניהם נמכרים כמודלי דיבור שיחתי, והם לא רודפים אחרי אותו תפקיד. Phonic 1 — הספק כותב אותו Phonic-1 — הוא נקודת קצה לדיבור-אל-דיבור במחיר של 0.07 דולר לדקה, שהפך לזמין מסחרית ב-29 באוקטובר 2026 ועלה ישר למקום הראשון במדד Speech to Speech של Artificial Analysis עם ציון 87.1. Sesame Preview הוא אפליקציית הלוואי החינמית שמאחורי הקולות Maya, Miles, Simone ו-Charlie: אין API ציבורי, אין מחירון, אין שורה באף לוח דירוג עצמאי, ותוכנית מוצהרת למכור לכם משקפיים ב-2027. אם שמים את שני השמות במשפט אחד, הדבר הראשון שבולט הוא שרק את אחד מהם אפשר לקנות.

הדבר השני שיוצא מכך מעניין יותר. שני המוצרים הם, מתחת לשיווק, תשובות לאותה השפלה קטנה: חצי השנייה של שתיקה בזמן שהמכונה מחליטה מה לומר. פוניק תוקפת זאת בכך שהיא עושה את העבודה לפני שהמתקשר סיים. ססמה תוקפת זאת בכך שהיא משתפרת בלדעת מתי המתקשר סיים. אלה הימורים הנדסיים שונים בתכלית, הם נמדדים בכלים שאינם חופפים, והבחירה ביניהם נובעת מהשאלה על איזה הימור המוצר שלך תלוי — ולא מטבלת בנצ'מרקים.

מה כל אחד מהם באמת, לפני שההשוואה הופכת לחמקמקה

Phonic 1 הוא מודל דיבור מקצה לקצה, קלט אודיו ופלט אודיו, ללא שרשרת של תמלול-ואז-חשיבה-ואז-דיבור בין לבין. הוא הושק עם SDK-ים ל-TypeScript ול-Python, CLI ובונה סוכנים ללא קוד, 51 שפות מתועדות עם החלפה תוך-שיחתית ששומרת על זהות הדובר, הגדרת intelligence_level מתועדת שברירת המחדל שלה היא standard וניתן להעלות אותה ל-high, ותנאים ארגוניים הכוללים SOC 2 Type II, הסכם BAA של HIPAA, אי-שמירת נתונים ו-SLA לזמינות של 99.9%. הוא נמכר לפי דקה בשלוש דרגות, והחברה שמאחוריו מונה בערך עשרה אנשים מ-MIT ומסטנפורד, שגייסו סבב Series A של 27.5 מיליון דולר בהובלת First Round.

Sesame Preview אינו מודל שאתם שוכרים. זהו מוצר צרכני — אפליקציית iOS וויב, בחינם, שהושק ב-39 מדינות מסוף מאי 2026, וכולל ארבעה סוכנים בעלי שמות עם זיכרון מתמשך, חיפוש רשת מקבילי שפועל באמצע משפט, לקיחת הערות, מצב הודעות טקסט ומצב גלישה בסתר. היעד המדווח של Sesame עבורו הוא אודיו ראשון בפחות מ-300 מ״ש, והחברה דיברה בגלוי שהמודל עדיין "נלהב מדי ולעיתים קרובות לא הולם" בטון ובקצב. אין מסלול ארגוני ואין אפשרות לקבל רישיון לקול הסופי.

הדבר היחיד שכן נושא את השם Sesame אל תוך גרסת בנייה הוא Sesame CSM-1B, שפורסם תחת Apache 2.0 ב-13 במרץ 2025. זהו מודל דיבור שיחתי בסיסי, עם עדיפות לאנגלית, שנבנה כדי לייצר אסימוני אודיו של Mimi בהתבסס על תורות קודמות. זה אינו הקול שבאפליקציה: דמויות ה-Preview מקורן בכיוב עדין אצור ובקאסט מדבבים שמעולם לא שוחרר. סוקרים שהריצו את שניהם מתארים את הצ'קפוינט הפתוח כחלש יותר מבחינה שמיעתית מהאפליקציה, מה שהופך את "רק להריץ את מודל Sesame בעצמך" למוצר אחר, ולא לקיצור דרך ללא רישיון.

שתי תקיפות באותה חצי שנייה

הטענה של Phonic בהשקה היא הדבר הקונקרטי ביותר בקטגוריה הזו: היא אומרת ש-Phonic-1 הוא המודל היחיד שמסוגל לפעול בזמן שהמתקשר עדיין מדבר. בהדגמה שפרסמה החברה, המודל הפעיל את כל חמשת קריאות הכלים באמצע המשפט וענה 1.1 שניות אחרי שהמתקשר הפסיק; על אותו תסריט היא מציבה את GPT-Live-1 על 15.7 שניות. יש לקרוא את זה כהדגמה של עיצוב, לא כמבחן ביצועים — זהו משימה שנבחרה על ידי הספק על תסריט שנבחר על ידי הספק. אבל העיצוב הוא העיקר. אם החיפוש כבר בוצע עד סוף התור, המודל לא צריך להיות מבריק בניבוי סוף התור; הוא רק צריך להימנע מלהפריע.

Sesame הלכה בכיוון ההפוך והפכה את החיזוי עצמו לתוכנית מחקר. באוגוסט 2026 היא פרסמה TurnBench, בנצ'מרק פתוח לדינמיקת חילופי תורות: 30 שעות של דיאלוג דו-ערוצי שהוקלט באולפן, 154 שיחות, 106 שחקני קול בשישה רגיסטרים, עם תיוג משולש בקאפה של Fleiss של 0.78, ונוקד לפי ריקול בשיעור חיובי-שווא חסום, עם השהיה מסומנת בחציון. הממצא הראשי הוא זה שכדאי לזכור: דוברים אנושיים מתחילים העברת תור בחציון של 151 מ״ש לפני שהאדם השני מפסיק לדבר, ואף מערכת בתחום אינה משתווה לכך בתוך תקציב חיוביים-שגויים. גלאים סמנטיים הם סלקטיביים ואיטיים; גלאים אקוסטיים הם מהירים ורועשים. שום דבר אינו גם וגם.

זו צומת הדרכים, בניסוח פשוט. Sesame מנסה לסגור את הפער בין 151 ms של ציפייה אנושית לבין 368 ms עד 1,234 ms שאליהם מגיעים המזהים הטובים ביותר. Phonic מנסה להפוך את הפער לבלתי רלוונטי על ידי הסרת העבודה שממלאת אותו. שתי הגישות לגיטימיות. רק אחת מהן זמינה לך היום כנקודת קצה, והיא לא זו שפרסמה את המדד.

הלוח שמנקד אחד מהם — וזה שהוא משאיר בחוץ

מדד Speech to Speech של Artificial Analysis הוא המדד המורכב העצמאי היחיד בתחום, ו-Phonic 1 מחזיק במקום הראשון בו נכון לכתיבת שורות אלה. השורות החשובות:

• Phonic 1 (High) — מדד 87.1, ראשון; זמן עד לשמע הראשון 0.61 שנ'; $4.20 לשעה של אודיו קלט.

• Grok Voice 3.0 — 86.9; 0.81 שניות; $4.80 לשעה.

• GPT-Live-1 (Astra, בינוני) — 83.2; 1.34 שנ'; $5.83 לשעה.

• Gemini 3.8 Live Extended Thinking (High) — 82.6; 1.35 שניות; $3.50 לשעה.

• Eleven Realtime v1 Max — 77.3; 0.57 s; 4.80 $ לשעה.

שימו לב לשורה האחרונה. Eleven Realtime v1 Max מהיר יותר בהגעה לאודיו הראשון מאשר Phonic 1 — 0.57 שניות לעומת 0.61 שניות — וממוקם 9.8 נקודות אינדקס נמוך יותר. הזמן עד לאודיו ראשון אינו התחרות שבה ניצח Phonic; הוא ניצח בציון המשולב, ששוקל גם הסקת דיבור, התנהגות במשימות סוכניות, העדפת בני אדם והצלחת משימה. כל מי שמצטט "המהיר ביותר" מתוך עמודה אחת מצטט את העמודה הלא נכונה.

כעת האסימטריה. אין שורה של Sesame Preview בלוח הדירוג הזה, ואין כל דרך שבה תופיע שורה כזו: האינדקס מריץ מודלים דרך מערכת בדיקות מבוססת API, ול-Sesame Preview אין API. גם כלי המדידה של Sesame עצמה לא מכסים את הפער. TurnBench מתפרסם על ידי Sesame, ונכון לכתיבת שורות אלו אינו כולל רשומה של Sesame — הלוח מפרט מודלים לחיזוי פעילות קולית, ESPnet, את ה-VAD הסמנטי של Kyutai, Gemini 3.1 Live, OpenAI Realtime ו-Moshi, אך לא את הקול שמופעל בייצור של החברה עצמה. אין בכך שערורייה; כתיבת בנצ'מרק והגשה לבנצ'מרק הן פעולות שונות, ולאפליקציה נלווית אין נקודת קצה יציבה שאליה אפשר לכוון מערכת ניקוד. אבל זה כן אומר ששני מספרי הכותרת בהתמודדות הזו — 87.1 מצד אחד, מתחת ל-300 מילישניות מצד שני — אינם אותה סוג של טענה. האחד נמדד בידי צד שלישי במערכת בדיקה. האחר הוא יעד שהספק הצהיר עליו בנוגע למוצר שאף אחד מחוץ לחברה לא הוסיף לו מכשור מדידה.

העמודה שבה Phonic 1 מפסיד, לפי העדויות של Phonic עצמו

אם הסיבה שאתם מסתכלים על Sesame Preview היא שהוא נשמע כמו אדם, להשוואה הזו יש תשובה לא נוחה, והיא מגיעה מחומרי העיתונות של Phonic עצמה ולא ממבקר.

Phonic הזמינה מ-Podonos, שירות בדיקות מאזינים של צד שלישי, מבחני האזנה עיוורים בהשוואה זוגית, ודיווחה על התוצאות בפוסט ההשקה שלה. Phonic-1 הועדף על פני GPT-Live-1 בשיעור של 61.5% לעומת 32.0%, על פני Grok Voice 3 בשיעור של 66.5% לעומת 26.5%, ועל פני Eleven v4 Turbo בשיעור של 78.0% לעומת 14.0%. הכותרת שהחברה בחרה לפתוח בה היא דווקא זו שבה הפסידה: שחקני קול אנושיים הועדפו על פני Phonic-1 בשיעור של 57.0% לעומת 32.0%, מה שהפוסט מתאר כניצחון של בני אדם בכ-60% מהמקרים, ועדיין עם מקום ניכר לשיפור. אלה מספרים שהוזמנו על ידי היצרן ודווחו על ידיו, ואף אחד מהם לא שוחזר באופן עצמאי — אבל אלה המספרים של היצרן, והם אומרים ש-Phonic 1 הוא הקול הסינתטי הטוב ביותר בקבוצת ההשוואה שלו, ועדיין אינו אנושי.

נתוני העדפה עצמאיים מצביעים לאותו כיוון. ב-Speech Agent Arena שמזין את המדד המשולב, Phonic 1 מדורג שמיני מתוך 30 בהעדפת מאזינים עם Elo 1,012, בעוד שהוא מדורג רביעי בהצלחת משימות עם 92.3%. המודל שעומד בראש המדד אינו המודל שרוב המאזינים רוצים לדבר איתו. זה אותו פיצול שראינו ב-Grok Voice 3.0 מהצד ההפוך — xAI החזיקה בארנה והפסידה בעמודה האג'נטית — וזו הסיבה המבנית לכך שאי אפשר להכריע עימות ראש בראש בין השניים באמצעות מספר אחד.

המוניטין של Sesame, לעומת זאת, נשען בדיוק על אותו טור ועל שום דבר קפדני יותר. ההדגמה של Maya ו-Miles הפכה לוויראלית בפברואר 2025 בזכות נשימות, היסוסים, תיקונים עצמיים וצחוק, והטענה שהופצה הייתה שמאזינים לא יכלו להבחין באופן מהימן בין הקולות לבין בני אדם בקטעים קצרים. זו התרשמות שנוצרה על ידי קהל, לא מבחן עם ניקוד, והיא מעולם לא הועמדה באותו חדר עם Phonic 1. אין ניסוי שפורסם שבו מאזין שומע את Sesame Preview ואת Phonic 1 בזה אחר זה. כל מי שאומר לך איזה מהם נשמע טוב יותר אומר לך איזה מהם הוא שמע.

כמה עולה דקה, ולמה הדקה היא היחידה הלא נכונה

גיליון המחירים קצר ולא מאוזן:

• Phonic 1 — ‏$0.07 לדקה ב-Starter ללא מינימום, 10 שיחות בו-זמניות, 10 סוכנים ו-3 מושבים; ‏$0.065 לדקה ב-Pro כנגד מינימום חודשי של $200, כ-3,100 דקות, עם 50 שיחות בו-זמניות; Enterprise מותאם אישית. נרשמים לפני 30 בנובמבר יקבלו קרדיטים בשווי $250, ולקוחות שעוברים מ-Cascade יקבלו שלושה חודשים חינם.

• Sesame Preview — $0. לא לפי דקה, לא לפי מושב, לא לפי סוכן. חינם באפליקציה.

• Sesame CSM-1B — המשקולות בחינם, והחשבון הוא שעות ה-GPU שלכם בתוספת זמן ההנדסה להרכבת חילופי תורות, התניית הקשר ומודל שפה סביב צ'קפוינט שלא יכול להפיק טקסט בכוחות עצמו.

ערכו את ההשוואה הפרודוקטיבית והמסגור לפי דקה מתמוטט. עשרת אלפים דקות בחודש ב-Phonic 1 Starter הן 700 דולר, שזהו שגיאת עיגול עבור מוקד טלפוני ותקציב ממשי עבור פרויקט צד. Sesame אינה גובה דבר משום ש-Sesame אינה מוכרת דקות — היא מוכרת הרגל יומי לקראת השקת משקפיים ב-2027, והרגל ממונטיזציה לפי אדם, לפי שנה, על חומרה, ולא לפי דקה של אודיו. השוואת מחירון לאפליקציה חינמית היא השוואת ספק לשלט חוצות.

מה שמשאיר אותנו עם הגרסה הישרה של שאלת העלות: כמה עולה לשגר? עבור Phonic 1 התשובה היא חוזה אחד, חיבור websocket אחד, ועשר קריאות במקביל ב-Starter אלא אם כן אתם משלמים עבור Pro. עבור Sesame Preview התשובה היא שאין מספר, מפני שאין הצעה. הדבר הקרוב ביותר ל-Sesame שאפשר לשגר הוא CSM-1B, והדבר הקרוב ביותר שיש ל-CSM-1B למחירון הוא חשבונית GPU.

שלושה קונים, שלוש תשובות שונות

אתה מעביר נפח שיחות מ-cascade והשיחות חייבות להסתיים. Phonic 1, והמקרה הוא עמודת ה-agentic ולא ה-composite. קריאות כלים שמופעלות לפני שהמתקשר מפסיק הן ההבדל בין סוכן שקובע את הפגישה לבין כזה שגורם למתקשר לחזור על עצמו. ה-$0.07 זול לעומת העלות של שיחת קליטה שנכשלה, ותקרת הקונקרנציות היא הדבר שצריך לתכנן לפני שמתחייבים.

המוצר שלך הוא איך שהוא נשמע. בן לוויה, מאמן, מורה, קול של מותג — כל דבר שבו הסיבה של המשתמש להישאר היא הקול עצמו. Sesame Preview הוא נקודת הייחוס ו-Phonic 1 עדיין אינו התשובה: בבדיקה העיוורת של הספק עצמו, בני אדם גברו עליו כמעט פי שניים. אך את נקודת הייחוס אי אפשר לקנות, ולכן האפשרויות המעשיות הן מודל קול ברישיון עם ציון העדפה מדוד, או CSM-1B והרבה הנדסה מצדך.

אתה רוצה את הפיצול — דיבור בניחוח ססמה עם backend סוכני. זהו השילוב שאליו מצביעות מפות הדרכים של שתי החברות, ושאותו אף אחת מהן לא מוכרת. הגרסה שאפשר לבנות היא CSM-1B או מודל דיבור פתוח אחר לקול, ומודל טקסט קונבנציונלי מאחוריו לחשיבה, שמחוברים יחד על ידך. שלב הטקסט הזה הוא הסקת צ'אט רגילה, וזה השכבה שבה API אחד ל-200+ מודלים ללא תוספת מחיר באמת חל: מפתח יחיד לרגל ההיסק, מחיר המחירון של הספק מועבר ללא שינוי, ה-DSL לניתוב כדי לשלוח פטפוט של חילופי תורות והסקה עתירת מדיניות למודלים שונים בתוך אותה קריאה, ומעבר אוטומטי לגיבוי כך שתקלה קלה אצל ספק לא מסיימת את השיחה. לא Phonic 1 ולא Sesame Preview נמצאים בקטלוג הזה — Phonic 1 מפני שהוא endpoint של ספק יחיד ו-Sesame Preview מפני שאין endpoint לנתב אליו — כך שזו הצהרה על החצי של הסטאק שאתה מרכיב בעצמך, ולא טענה על מי מהמודלים שלמעלה.

מה היה משנה את התשובה הזו

שלושה דברים, בסדר עולה של סבירות.

Phonic מפרסמת נתוני מבחני האזנה עבורstandard – הגדרת האינטליגנציה. כל ציון במאמר זה, כולל 87.1 וה-0.61 ש', הופק בגבוה. ה-API מוגדר כברירת מחדל ל-standard, המתועד כמצב בעל השהיה נמוכה יותר, ואיש לא פרסם מה התצורה הזו עושה לאיכות או לזמן עד לשמע הראשון. אינטגרציה שלעולם אינה נוגעת בהגדרה מריצה ווריאנט שלא נמדד.

Sesame פותחת נקודת קצה, או מציבה את קול הייצור שלה על לוח חילופי התורות שלה. כל אחת מהאפשרויות האלה תהפוך את זה מהשוואה בין מוצר למוניטין להשוואה בין שני דברים מדידים. אף אחת מהן לא נמצאת במפת הדרכים ש-Sesame תיארה, שעוברת דרך Android ולאחר מכן משקפיים ב-2027.

מישהו מריץ את שניהם באותו חדר. מבחן עיוור יחיד עם קולות הייצור של Sesame Preview ו-Phonic 1 על אותם פרומפטים יכריע את שאלת הטבעיות תוך אחר צהריים אחד, והוא אינו יכול להתבצע בידי מי שלא עובד ב-Sesame, מפני שאחד משני המערכות אינו נגיש למישהו מבחוץ.

עד שאחד מאלה יקרה, הפירוש שניתן להגן עליו הוא זה: Phonic 1 הוא היחיד מבין השניים שאפשר להטמיע, הוא מוביל את הציון המשולב העצמאי היחיד שמדרג מי מהם, הוא מנצח בהימור על העבודה שנעשית לפני שהתור מסתיים, והוא באופן מדיד עדיין לא קול אנושי. Sesame Preview הוא הדבר בעל הצליל הטוב יותר שאי אפשר לקבל, מחברה שכרגע אינה עוסקת במכירתו. אלה אינם שתי אפשרויות באותו תפריט. הם ספק ודמו, וככל שתמהרו להפסיק להשוות את גיליונות המפרט שלהם, כך תמהרו להחליט איזה מהם המוצר שלכם באמת היה צריך.