Gemini 3.8 Live vs Sesame Preview: Suara yang Bisa Anda Kagumi vs Suara yang Bisa Anda Telepon

Agen suara Sesame mendapat skor 4,5 dari 5 untuk "terdengar seperti manusia". Skor Gemini 3.8 Live adalah 4,0. Sesame juga menyelesaikan 71% alur pemesanan, sementara Gemini 3.8 Live menyelesaikan 78%, dan Sesame melakukan kesalahan pemanggilan fungsi sekitar dua kali lebih sering. Jika Anda memilih stack suara untuk bisnis yang menjadwalkan janji temu, model yang terdengar lebih baik justru kalah — dan kekalahannya disebabkan oleh alasan yang sama sekali tidak berkaitan dengan seberapa bagus suaranya.

Angka-angka itu berasal dari uji adu langsung pihak ketiga terhadap 1.500 panggilan pelanggan per model pada skrip pemesanan, dan ada dua catatan penting yang menyertainya. Angka tersebut bukan milik kami dan tidak direplikasi secara independen, dan sisi Gemini menggunakan generasi Gemini Live awal 2026, bukan model yang dibahas dalam artikel ini. Gemini 3.8 Live adalah rilis speech-to-speech Google dari 15 September 2026, yang kini tersedia di Live API. Sesame Preview adalah asisten suara konsumen milik Sesame, gratis di iOS sejak Mei 2026 dan secara luas tersedia di Android sejak awal Agustus 2026, dibangun di sekitar empat agen bernama — Maya, Miles, Simone, Charlie — dan banyak digambarkan sebagai asisten suara yang paling terdengar seperti manusia yang pernah diajak bicara oleh siapa pun.

Pertandingan ini sebenarnya bukanlah model melawan model. Ini adalah produk yang dapat Anda gunakan di produksi melawan pengalaman yang hanya bisa Anda kunjungi.

Bentuk dari setiap hal

Gemini 3.8 Live adalah antarmuka bagi pengembang. Ia dirilis sebagai gemini-3.8-live dan gemini-3.8-live-extended-thinking di Live API, dengan harga $0,005 per menit untuk audio masuk dan $0,018 per menit untuk audio keluar, teks seharga $0,75 dan $4,50 per juta token, serta input gambar atau video seharga $1,00 per juta. Ia menangani 97 bahasa dengan peralihan di tengah percakapan, memproses input visual hampir secara real time, menjalankan panggilan alat dan API di latar belakang selagi percakapan berlangsung, dan memberi tanda air pada setiap detik audio yang dihasilkan dengan SynthID. Varian Extended Thinking bernalar dan berbicara sekaligus, menarasikan kemajuan agar saluran tidak menjadi sunyi selama tugas panjang. Penempatan yang dilaporkan vendor Google adalah peringkat kedua di Speech Agent Arena, dengan posisi teratas pada Speech to Speech Quality Index dari Artificial Analysis di angka 82,6 untuk keluarga model ini. Angka dari Google, minggu ini, belum direproduksi.

Sesame Preview adalah aplikasi konsumen. Aplikasi ini hanya berbahasa Inggris. Ada batas 30 menit per panggilan, yang turun menjadi lima menit saat Anda logout. Agen-agennya mempertahankan konteks di seluruh sesi, menelusuri web, dan menyetel pengingat — tetapi mereka tidak memesan, membeli, atau mengajukan apa pun. Tidak ada paket enterprise dan tidak ada harga publik.

Keduanya adalah sistem percakapan dupleks penuh dengan pergantian giliran yang cukup baik sehingga orang berhenti menyadarinya. Di situlah kesamaannya berakhir.

Apa yang sebenarnya ditunjukkan oleh satu-satunya perbandingan langsung yang kita miliki

Perbandingan CallSphere menjalankan skrip alur pemesanan secara massal dan melaporkan empat angka per model. Setelah selesai, Gemini Live menuntaskan 78% pemesanan, sedangkan Sesame Maya 71%. Pada kesalahan pemanggilan fungsi, Gemini Live mencatat 3,3%, sedangkan Maya 6,7%. Pada latensi p95, Maya lebih cepat — 480 ms dibandingkan 640 ms. Dan pada ukuran subjektif, "terdengar manusiawi" dengan nilai 1 sampai 5, Maya meraih 4,5 sedangkan Gemini Live 4,0.

Bacalah baris-baris itu bersama-sama dan muncul pola yang tidak ditunjukkan oleh baris mana pun. Sesame menang pada dua baris yang diperhatikan manusia dan kalah pada dua baris yang diperhatikan bisnis. Kewajaran dan latensi adalah yang dirasakan penelepon; tingkat penyelesaian dan tingkat kesalahan adalah yang muncul dalam rekonsiliasi. Suara yang terdengar seperti manusia tetapi kehilangan satu dari lima belas panggilan dalam alur pemesanan bukanlah agen suara yang lebih baik — itu adalah demo yang lebih baik.

Dua peringatan jujur. Perbandingan ini berasal dari blog satu vendor, bukan evaluasi yang ditinjau sejawat, dan 1.500 panggilan per model pada satu jenis skrip adalah irisan yang sempit. Dan angka-angka Gemini menggambarkan generasi Gemini Live yang dirilis pada awal 2026, yang setidaknya tertinggal satu model penuh dari 3.8 Live. Menerapkan angka-angka itu pada Gemini 3.8 Live hanya akan menjadi tebakan. Belum ada yang menerbitkan perbandingan langsung yang melibatkan model 3.8.

Bagian yang hampir setiap artikel salah pahami

Setiap tulisan yang memuji suara Sesame memuji aplikasinya, dan suara aplikasi itu adalah model produksi tertutup yang lebih besar yang tidak pernah dirilis Sesame sebagai API. Tidak ada cara untuk membelinya, melisensikannya, atau memanggilnya. Jika Anda membaca bahwa timing percakapan Sesame adalah yang terbaik di pasar dan menyimpulkan bahwa Anda dapat memilikinya, kesimpulan itu tidak dapat ditarik dari bukti.

Yang sebenarnya di-open-source-kan oleh Sesame adalah CSM-1B — varian model ucapan percakapan 1B, dirilis di bawah Apache-2.0 dalam keluarga Moshi. Ini adalah blok sintesis, bukan asisten: tulang punggung Llama memprediksi codebook Mimi pertama dan dekoder Llama yang lebih kecil memprediksi sisanya, yang diubah oleh codec Mimi menjadi bentuk gelombang 24 kHz. Model ini hanya untuk bahasa Inggris, mengkloning suara dari klip referensi bersih berdurasi 10 hingga 15 detik, dan sama sekali tidak dapat menghasilkan teks — Anda memasangkannya dengan model bahasa terpisah. Orang-orang yang telah menjalankan keduanya menggambarkan suara CSM-1B sebagai jelas lebih lemah daripada suara aplikasi Preview. Model ini tersedia sebagai layanan hosted dengan harga $7 per juta karakter dari satu penyedia pihak ketiga, sekitar $0,35 per jam audio, atau gratis jika Anda meng-host sendiri.

Kartu model mengatakan bagian yang biasanya tidak diucapkan secara terang-terangan: varian CSM yang di-fine-tune menggerakkan demo suara interaktif, yang bukan checkpoint yang dapat Anda unduh. Jadi versi jujur dari "Sesame vs Gemini" adalah ini: Sesame memiliki suara tertutup yang indah yang tidak dapat Anda akses, dan blok sintesis terbuka kecil yang dapat Anda akses, dan keduanya bukan hal yang sama. Google memiliki satu model yang dapat Anda panggil dan itulah yang mereka iklankan. Asimetri itu lebih bernilai bagi pembangun daripada skor kealamian apa pun.

Kontras spesifikasi

• Yang Anda dapatkan — Gemini 3.8 Live, API yang dapat dipanggil hari ini, vs Sesame Preview, aplikasi konsumen gratis tanpa API untuk suara produksinya

• Suara produksi dapat dilisensikan — Gemini 3.8 Live ya, bayar per menit vs Sesame Preview tidak, tidak pernah dirilis

• Artefak terbuka — Gemini 3.8 Live tidak ada, tertutup vs Sesame Preview CSM-1B, Apache-2.0, model yang berbeda dan lebih lemah

• Bahasa — Gemini 3.8 Live 97 vs Sesame Preview hanya bahasa Inggris

• Pemanggilan alat — Gemini 3.8 Live melakukan panggilan alat dan API di latar belakang selama percakapan vs agen Sesame Preview mengingat konteks dan mencari di web tetapi tidak mengeksekusi tugas

• Batas sesi — Gemini 3.8 Live tidak dipublikasikan oleh Google vs Sesame Preview 30 menit, 5 saat log out

• Kealamian — Gemini 3.8 Live belum diukur pada aspek ini vs Sesame Preview yang dinilai terbaik di kelasnya berdasarkan impresi pendengaran, tanpa tolok ukur independen untuk keduanya

• Latensi — Gemini 3.8 Live tidak dipublikasikan vs Sesame Preview 250–450 ms dari ujung ke ujung untuk Maya, byte pertama streaming di bawah 300 ms, menurut pengukuran pihak ketiga

• Jalur Enterprise — pratinjau privat Gemini 3.8 Live di Gemini Enterprise, segera hadir untuk Customer Experience vs Sesame Preview tidak ada

• Arah yang dinyatakan — integrasi Live API Gemini 3.8 Live dengan Agora, LiveKit, Pipecat, Fishjam dan lainnya vs kemitraan riset Sesame Preview dan perangkat keras kacamata yang direncanakan untuk 2027

Baris kealamian adalah yang diperdebatkan orang, dan perhatikan apa yang dikatakannya: tidak ada model yang memiliki tolok ukur independen tentang seberapa manusiawi bunyinya. Yang ada adalah aplikasi Sesame yang dipuji oleh pendengar dan Google yang menempati posisi kedua di sebuah arena. Itu bukan pengukuran yang sama, dan arena setidaknya memiliki metodologi.

Apa biaya kealamian secara operasional?

Kesalahannya adalah menganggap kewajaran sebagai fitur yang Anda tambahkan. Itu adalah pertukaran yang Anda lakukan, dan pertukaran itu biasanya mengorbankan keandalan alat — karena perilaku yang membuat suara terdengar manusiawi, keraguan, tumpang tindih, kesediaan untuk menyerahkan giliran di tengah kalimat, dihasilkan oleh model yang menghabiskan kapasitas pada prosodi dan pengambilan giliran alih-alih pada tata bahasa ketat dari pemanggilan fungsi. Itulah mekanisme di balik tingkat kesalahan 6,7% versus 3,3% jauh lebih masuk akal daripada klaim apa pun tentang satu laboratorium yang lebih baik dalam rekayasa.

Itu juga punya biaya infrastruktur yang tidak dianggarkan siapa pun. Suara yang terdengar manusiawi menaikkan ekspektasi, dan penelepon yang percaya sedang berbicara dengan manusia tidak akan mentoleransi "Saya tidak menangkap itu" dua kali berturut-turut. Batas 30 menit milik Sesame sendiri adalah pengakuan diam-diam bahwa kelas model ini mahal untuk dijalankan terus-menerus — batas yang tidak diterbitkan Google untuk 3.8 Live, yang tidak sama dengan mengatakan bahwa batas itu tidak ada.

Yang mana yang cocok untuk stack Anda?

Pilih Gemini 3.8 Live ketika suara hanyalah sarana untuk mencapai tujuan: penjadwalan, triase, dukungan, apa pun yang membuat penelepon menginginkan suatu hasil. Anda mendapatkan API hari ini, tarif yang dipublikasikan, loop alat yang berjalan di latar belakang, 97 bahasa, dan jalur enterprise jika Anda membutuhkannya.

Pilih Sesame Preview saat Anda sedang mempelajari seperti apa kualitas percakapan seharusnya terasa, atau saat Anda membangun pengalaman konsumen yang produknya adalah panggilan itu sendiri. Layanan ini gratis, ini benar-benar yang paling enak didengar yang tersedia, dan ini tempat yang bagus untuk mengkalibrasi selera Anda. Jangan merencanakan integrasi produksi di sekitarnya, karena tidak ada yang bisa diintegrasikan.

Sebagian besar tim yang serius akhirnya menggunakan hibrida, dan hibrida adalah titik di mana routing tidak lagi menjadi opsional. Tempatkan model yang terdengar alami pada giliran pembuka dan pengakuan, di mana latensi dan kehangatan terasa, dan tempatkan model yang andal untuk alat pada giliran transaksi, di mana kesalahan berarti kehilangan pemesanan. OrcaRouter dirancang untuk bentuk stack seperti itu — fusi model memungkinkan panel model menjawab bersama ketika penilaian satu model saja tidak cukup baik, routing DSL menyusun beberapa model menjadi satu panggilan, dan failover memindahkan lalu lintas dari model yang mulai berperilaku buruk tanpa redeploy. Jika vendor memang mempublikasikan tarif, kami meneruskan harga daftar penyedia tanpa markup, sehingga penurunan harga sampai ke tagihan Anda pada hari yang sama.

Yang perlu diperhatikan: API untuk suara produksi Sesame, atau tolok ukur yang mengukur kealamian sebagaimana arena mengukur kualitas. Salah satu saja akan mengubah ini dari pilihan antara akses dan pengalaman menjadi perbandingan yang sesungguhnya. Sampai saat itu, salah satu dari model ini dapat Anda panggil dan yang lain hanya bisa Anda kagumi, dan itu menyelesaikannya lebih cepat daripada skor apa pun.

Sebagian besar tim yang serius akhirnya menggunakan pendekatan hibrida, dan pada pendekatan hibrida itulah perutean tidak lagi bersifat opsional. Tempatkan model yang terdengar alami pada giliran pembuka dan pengakuan, tempat latensi dan kehangatan terasa, dan tempatkan model yang andal untuk alat pada giliran transaksi, tempat kesalahan berarti pemesanan yang hilang. OrcaRouter dirancang untuk bentuk tumpukan seperti itu - fusi model memungkinkan panel model menjawab bersama ketika penilaian satu model saja tidak cukup baik, DSL perutean menyusun beberapa model menjadi satu panggilan, dan failover memindahkan lalu lintas dari model yang mulai berperilaku buruk tanpa perlu penerapan ulang.