Grok Voice 3.0 vs Sesame Preview: Suara yang Memenangkan Setiap Uji Dengar Adalah Suara yang Tidak Memiliki API

Tanyakan kepada sejumlah orang mana di antara ini yang terdengar lebih seperti manusia, dan Anda akan mendapat satu jawaban. Sesame Previewadalah asisten suara gratis dari Sesame — empat agen bernama Maya, Miles, Simone, dan Charlie, tersedia di iOS sejak Mei 2026 dan secara luas di Android sejak awal Agustus — dan ia menghasilkan klip viral yang membuat "best-in-class voice mode" menjadi frasa yang terus digunakan para pengulas. G​rok Voice 3.0, yang diumumkan oleh S​paceXAI pada 14 Oktober 2026, adalah model speech-to-speech dengan skor tertinggi di papan publik, yaitu 86,9, dan dapat dipanggil melalui endpoint realtime yang terdokumentasi dengan tarif $0,08 per menit. Kedua fakta itu tidak saling bertentangan, dan jarak di antara keduanya itulah inti dari perbandingan ini: salah satunya adalah suara yang dinilai orang dengan telinga mereka, dan yang lainnya adalah suara yang dapat diukur oleh pihak luar.

Separuh kedua dari celah itu adalah akses. Sesame Preview tidak memiliki API, tidak ada pengenal model, tidak ada kartu tarif dan tidak ada rencana yang dinyatakan untuk itu, dan suara produksi di aplikasi adalah model tertutup yang lebih besar yang belum pernah dirilis oleh lab. G​rok Voice 3.0 adalah komponen yang Anda sewa per menit. Pilih dengan mendengarkan dan Anda menginginkan Sesame. Pilih berdasarkan apakah Anda dapat merilis sesuatu dan keputusan telah dibuat untuk Anda.

Apa masing-masingnya, secara resmi

Jika dicopot dari bungkus pemasarannya, kedua produk itu bahkan bukan jenis barang yang sama.

• Apa itu — Grok Voice 3.0 adalah model speech-to-speech di balik WebSocket real-time SpaceXAI, dengan tool berlingkup sesi dan transkrip yang dikembalikan; Sesame Preview adalah aplikasi konsumen dengan empat agen percakapan, memori per agen yang tersinkronisasi lintas web dan seluler, pencarian web langsung selama panggilan, dan ringkasan yang dikirim setelahnya.

• Harga — $0,08 per menit audio ditambah $0,004 per input teks, sekitar $4,80 per jam, untuk G​rok Voice 3.0; gratis bagi pengguna tanpa iklan dan tanpa paket berbayar yang disebutkan untuk Sesame Preview.

• Akses developer — endpoint yang terdokumentasi, token sementara untuk koneksi sisi klien, dan endpoint suara kustom yang melatih suara dari klip referensi hingga 120 detik untuk Grok Voice 3.0; tidak ada sama sekali untuk Sesame Preview.

• Bobot — tertutup di kedua sisi, dengan satu pengecualian: Sesame telah menerbitkan CSM-1B, sebuah checkpoint Apache-2.0 yang bukan suara di aplikasi tersebut.

• Skor independen — 86,9 pada Artificial Analysis Speech to Speech Index dengan lima komponen yang dapat dibaca untuk G​rok Voice 3.0; tidak ada untuk suara Sesame Preview, dan tidak ada yang dipublikasikan oleh Sesame juga.

• Batasan — G​rok Voice 3.0 tidak memiliki batas sesi yang dinyatakan, dan generasi pendahulunya dipasarkan berdasarkan tingkat kesalahan kata dalam 24 bahasa; Sesame Preview hanya tersedia dalam bahasa Inggris, dengan batas panggilan 30 menit yang turun menjadi lima menit saat logout, dan tanpa eksekusi tugas — agen-agen itu berbicara, mereka tidak memesan, membeli, atau mengarsipkan apa pun.

Butir terakhir itulah yang mengakhiri sebagian besar evaluasi. Produk suara yang tidak dapat dipanggil bukanlah komponen; ia adalah pesaing.

Checkpoint terbuka, dan apa yang bukan dirinya

Sesame sangat terus terang tentang kesenjangan antara demo dan unduhannya, dan ini adalah satu fakta terpenting bagi siapa pun yang mempertimbangkan keduanya.

CSM-1B adalah model percakapan suara 1B yang dirilis di bawah Apache 2.0 pada 23 April 2026: tulang punggung berarsitektur Llama yang menyuplai decoder terpisah dan codec Mimi milik Kyutai, menghasilkan ucapan bahasa Inggris mono 24 kHz dari konteks sekitar 4.000 token. Ini adalah model dasar untuk pembuatan ucapan. Menurut penilaian orang-orang yang telah menjalankan keduanya, suaranya jelas lebih lemah daripada yang ada di aplikasi, dan dokumentasi Sesame sendiri secara eksplisit menyatakan bahwa ini bukan sistem ucapan-ke-ucapan end-to-end dan tidak dapat menghasilkan teks.

Jadi unduhan itu adalah jalur riset, bukan produknya. Seseorang yang mencari suara dari demo tersebut menemukan model yang lebih kecil yang berasal dari lab yang sama, dan yang menjawab ketika salah satu dari empat agen mengangkat adalah model produksi yang belum pernah dirilis. Model itu dihosting oleh penyedia inferensi pihak ketiga dengan tarif sekitar $7 per juta karakter — kira-kira $0,35 per jam audio hasil sintesis — atau gratis di perangkat keras Anda sendiri, dan belum ada yang menerbitkan tolok ukur independen untuk model itu juga.

Sebagai gambaran, $0,35 per jam itu adalah audio termurah dalam perbandingan ini dengan selisih tiga belas kali, dan juga merupakan baris paling tidak berguna di dalamnya, karena checkpoint 1B yang tidak dapat melakukan percakapan dupleks tidak bersaing dengan G​rok Voice 3.0 soal harga. Ia bersaing dengan alat narasi apa pun yang sudah Anda gunakan.

Mengapa tes pendengaran dan indeks tidak sepakat, dan mana yang salah

Mereka tidak bertentangan. Mereka menjawab pertanyaan yang berbeda, dan hanya satu di antaranya yang dapat dijawab di depan umum.

Reputasi Sesame Preview bertumpu pada bagaimana sebuah suara terdengar bagi pendengar: napas, keraguan, ketepatan waktu interupsi, kesan bahwa ada seseorang di ujung sambungan. Itu adalah bukti nyata dari jenisnya sendiri — demo tersebut meyakinkan ratusan ribu orang dan pengulas yang tidak punya insentif untuk bersikap murah hati — dan sama sekali tidak terkuantifikasi. Tidak ada entri arena, tidak ada evaluasi yang dipublikasikan atas suara produksi, dan tidak ada jumlah sampel. Setiap klaim kualitas ke arah mana pun hanyalah kesan dari mendengarkan.

86,9 milik Grok Voice 3.0 adalah jenis bukti yang berlawanan. Angka itu terurai menjadi penalaran ucapan yang mendekati batas atas, 97,0% pada Full Duplex Bench, 71,6% pada τ-Voice, Elo arena 1070, dan 94,8% keberhasilan tugas, yang masing-masing diukur dalam harness yang dipublikasikan yang dapat dibaca oleh tim luar, diperiksa perhitungannya, dan tidak disetujui. Indeks komposit adalah pilihan pembobotan, dan komponen arena dibekukan pada titik sebuah model menjadi memenuhi syarat, bukan melacak Elo terkini — tetapi perbedaan pendapat itu tersedia bagi siapa pun, dan itulah yang menjadikannya pengukuran, bukan klaim.

Apa yang tidak diukur oleh papan peringkat adalah apakah Anda menikmati berbicara dengannya. Dan ada angka spesifik dalam rilis ini yang tepat berada di sumbu itu: G​rok Voice 3.0 mulai berbicara dalam 0,81 detik, sedangkan model yang digantikannya mulai dalam 0,70 detik. Produk unggulan itu 0,11 detik lebih lambat lepas dari garis start dibandingkan pendahulunya sendiri, yang justru merupakan jenis detail yang diperhatikan pendengar sebelum sebuah benchmark melakukannya.

Apa yang disampaikan oleh desain empat agen kepada Anda

Empat kepribadian Sesame bukanlah detail pemasaran; itu adalah keputusan arsitektural, dan merupakan kebalikan dari yang dibuat oleh SpaceXAI.

Maya, Miles, Simone dan Charlie adalah suara tetap dengan temperamen tetap, dan memori dibatasi per agen. Itu adalah produk yang dibangun berdasarkan asumsi bahwa suara adalah hasil yang diserahkan dan kepribadian adalah fiturnya. Tidak ada kustomisasi suara, tidak ada kloning, dan tidak ada jalur dari aplikasi konsumen ke API — tier gratis adalah produknya, dan arah yang dinyatakan perusahaan adalah kemitraan riset dan perangkat keras yang direncanakan, bukan platform pengembang.

Grok Voice 3.0 mengambil arah sebaliknya. Produk ini hadir dengan set suara bawaan SpaceXAI, dan endpoint suara kustom terpisah melatih suara dari klip referensi hingga 120 detik, dengan voice_id yang dihasilkan berfungsi di realtime API maupun streaming text-to-speech. Sesinya menerima alat, sehingga agen dapat memanggil backend Anda di tengah percakapan, bukan sekadar membicarakannya.

Mana yang lebih baik bergantung pada apakah Anda menjual sebuah pengalaman atau membangunnya. Produk suara yang merilis empat kepribadian tetap yang sangat baik telah menyelesaikan branding dan integrasi dalam satu keputusan. Produk suara dengan endpoint kloning telah memberi Anda permukaan kepatuhan dan alur kerja lokalisasi dalam satu keputusan. Keduanya bukan kesalahan, dan keduanya mengarah pada pelanggan yang berbeda.

Ke mana pertanyaan routing sebenarnya bermuara

OrcaRouter tidak melayani satu pun dari lapisan suara ini. G​rok Voice 3.0 berada di balik WebSocket realtime milik S​paceXAI sendiri dan tidak ada yang dapat menyela sesi audio dupleks yang dimiliki oleh satu vendor; Sesame Preview sama sekali tidak memiliki endpoint untuk dirutekan. Mengatakan sebaliknya berarti menggambarkan kemampuan yang tidak ada, dan kategori ini penuh dengan platform yang melakukan tepat hal itu.

Yang dapat dirutekan adalah lapisan yang diam-diam diandalkan kedua produk. Agen Sesame menelusuri web di tengah percakapan dan mengirim ringkasan setelahnya; array tools Grok Voice 3.0 menjangkau backend apa pun yang menjawabnya, dan apa pun yang lebih berat daripada panggilan inline menjadi permintaan model teks di balik percakapan. Pekerjaan itu diukur berdasarkan permintaan, di sanalah sebagian berarti dari biaya per panggilan terakumulasi, dan itulah separuh produk suara yang dapat Anda pertahankan konstan sementara model audio di bawahnya berubah — yang, mengingat bahwa grok-voice-latest/ kini telah berpindah dua kali dalam satu kuartal, adalah properti yang layak dimiliki. Dua ratus tujuh model dari lebih dari selusin upstream di balik satu kunci, pada harga daftar penyedia tanpa markup, dengan failover otomatis saat penyedia menurun, DSL perutean untuk menyusun beberapa model menjadi satu panggilan, dan fusi model ketika penilaian satu model tidak cukup. Karena tidak ada yang dinaikkan harganya, pemotongan harga vendor pada salah satu model tersebut langsung berlaku di sini pada hari yang sama.

Rekomendasi, dibagi berdasarkan siapa Anda

Jika Anda adalah konsumen yang menginginkan suara percakapan paling bagus yang tersedia saat ini dan tidak berniat mengintegrasikan apa pun, Sesame Preview gratis, tersedia di kedua platform seluler, reputasinya cukup pantas sehingga para pengulas terus mengonfirmasinya, dan tidak ada apa pun dalam artikel ini yang mengubah itu. Gunakan dan nikmatilah.

Jika Anda sedang membangun, keputusannya sudah dibuat dan penalarannya layak diinternalisasi. Anda tidak dapat memanggil Sesame Preview, Anda tidak dapat menyematkan suaranya, dan Anda tidak dapat membandingkannya dengan apa pun — jadi setiap percakapan pengadaan tentangnya berakhir di tempat yang sama, yaitu uji mendengarkan antara dua opsi yang tidak dapat diberi skor oleh pihak mana pun. G​rok Voice 3.0 memberi Anda kartu tarif, string model berversi, transkrip, endpoint kloning, dan skor papan yang dapat Anda perdebatkan. Hal pertama yang harus dilakukan dengannya adalah menyematkan versi Anda, karena alias sudah dipindahkan ke versi itu tanpa bertanya.

Dan jika Anda seorang peneliti yang menginginkan kegagalan yang menarik: ringkasan jujur dari pasangan ini adalah bahwa kategori ini telah membuktikan bahwa ia dapat membuat suara yang layak didengarkan dan belum memutuskan apakah suara itu harus dapat dibeli dalam bentuk apa pun selain aplikasi. Sesame membangun pengalaman yang lebih baik dan menjaganya tetap tertutup. S​paceXAI membangun komponen yang lebih baik dan menerbitkan angkanya. Perhatikan versi Sesame yang memiliki API — itulah rilis yang akan membuat halaman ini usang.

Kesenjangan antara apa yang diukur oleh papan skor dan apa yang dihadapi oleh suatu deployment adalah alasan catatan ini penting: kegagalan AI dan insiden agen yang terdokumentasi seputar model di kelas ini dikumpulkan dalam OrcaRouter AI Incident Archive, di mana setiap entri mencantumkan sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda disengketakan.