Phonic 1 vs Sesame Preview: Masalah Dead-Air, Diselesaikan dengan Dua Cara yang Berlawanan

Phonic 1 dan Sesame Preview keduanya dijual sebagai model bicara percakapan, dan keduanya tidak mengejar fungsi yang sama. Phonic 1 — vendor menuliskannya sebagai Phonic-1 — adalah endpoint speech-to-speech dengan tarif $0.07 per menit yang tersedia secara komersial pada 29 Oktober 2026 dan langsung menempati peringkat pertama pada Speech to Speech Index milik Artificial Analysis dengan skor 87.1. Sesame Preview adalah aplikasi pendamping gratis di balik suara Maya, Miles, Simone, dan Charlie: tidak ada API publik, tidak ada daftar tarif, tidak ada baris di papan peringkat independen mana pun, dan ada rencana yang dinyatakan untuk menjual kacamata kepada Anda pada 2027. Letakkan kedua nama itu dalam satu kalimat dan hal pertama yang mencuat adalah bahwa hanya salah satunya yang dapat dibeli.

Hal kedua yang terungkap justru lebih menarik. Di balik pemasaran, kedua produk ini sebenarnya adalah jawaban atas kerentanan kecil yang sama: setengah detik keheningan saat mesin menentukan apa yang harus dikatakan. Phonic menyerangnya dengan menyelesaikan pekerjaan sebelum penelepon selesai bicara. Sesame menyerangnya dengan semakin mahir mengenali kapan penelepon telah selesai. Keduanya adalah taruhan rekayasa yang benar-benar berbeda, diukur dengan instrumen yang tidak saling tumpang tindih, dan pilihan di antara keduanya bergantung pada taruhan mana yang menjadi landasan produk Anda — bukan pada tabel tolok ukur.

Apa sebenarnya masing-masing, sebelum perbandingannya menjadi kabur

Phonic 1 adalah model ucapan end-to-end, audio masuk dan audio keluar, tanpa kaskade transkripsi-lalu-berpikir-lalu-berbicara di antaranya. Dirilis dengan SDK TypeScript dan Python, CLI, dan pembangun agen tanpa kode, 51 bahasa terdokumentasi dengan peralihan di tengah percakapan yang mempertahankan identitas pembicara, serta pengaturan terdokumentasi untuk intelligence_level yang secara default standard dan dapat dinaikkan ke high, dan persyaratan enterprise yang mencakup SOC 2 Type II, BAA HIPAA, retensi data nol, dan SLA uptime 99,9%. Produk ini dijual per menit dalam tiga tier, dan perusahaan di belakangnya beranggotakan sekitar sepuluh orang dari MIT dan Stanford yang mengumpulkan pendanaan Series A senilai $27,5 juta yang dipimpin oleh First Round.

Pratinjau Sesame bukanlah model yang Anda sewa. Ini adalah produk konsumen — aplikasi iOS dan web, gratis, diluncurkan di 39 negara sejak akhir Mei 2026, membawa empat agen bernama dengan memori persisten, pencarian web paralel yang berjalan di tengah kalimat, pencatatan, mode pengiriman pesan, dan mode penyamaran. Target yang dilaporkan Sesame untuk produk ini adalah audio pertama di bawah 300 ms, dan perusahaan secara terbuka mengakui bahwa model tersebut masih "terlalu bersemangat dan sering kali tidak pantas" dalam nada dan iramanya. Tidak ada tier perusahaan dan tidak ada cara untuk melisensikan suara produksinya.

Satu-satunya hal yang memang membawa nama Sesame ke dalam sebuah build adalah Sesame CSM-1B, yang diterbitkan di bawah Apache 2.0 pada 13 Maret 2025. Ini adalah model ucapan percakapan dasar, mengutamakan bahasa Inggris, yang dibuat untuk menghasilkan token audio Mimi berdasarkan giliran percakapan sebelumnya. Ini bukan suara di aplikasi: karakter Preview berasal dari fine-tune terkurasi dan jajaran pengisi suara yang tidak pernah dirilis. Pengulas yang telah mencoba keduanya menggambarkan checkpoint terbuka sebagai terdengar lebih lemah daripada aplikasi, sehingga membuat "cukup melakukan self-host model Sesame" menjadi produk yang berbeda, bukan jalan pintas bebas lisensi.

Dua serangan pada setengah detik yang sama

Klaim peluncuran Phonic adalah hal paling konkret di kategori ini: dikatakannya Phonic-1 adalah satu-satunya model yang dapat bertindak saat penelepon masih berbicara. Dalam demonstrasi yang diterbitkan perusahaan, model itu menjalankan kelima panggilan tool di tengah kalimat dan menjawab 1,1 detik setelah penelepon berhenti; pada skrip yang sama, ia mencatat GPT-Live-1 pada 15,7 detik. Bacalah itu sebagai demonstrasi sebuah desain, bukan tolok ukur — ini tugas yang dipilih vendor pada skrip yang dipilih vendor. Namun desainnya adalah intinya. Jika pencarian sudah selesai pada saat giliran berakhir, model tidak pernah harus brilian dalam memprediksi akhir giliran; ia hanya perlu menghindari menghalangi.

Sesame menempuh jalan lain dan menjadikan prediksi itu sendiri sebagai program penelitian. Pada Agustus 2026, ia menerbitkan TurnBench, sebuah tolok ukur terbuka untuk dinamika pengambilan giliran: 30 jam dialog dua saluran yang direkam di studio, 154 percakapan, 106 pengisi suara di enam register, dianotasi tiga kali dengan kappa Fleiss 0,78, dinilai berdasarkan recall pada tingkat positif palsu yang dibatasi dengan latensi bertanda pada median. Temuan utamanya adalah yang perlu diingat: penutur manusia memulai peralihan giliran dengan median 151 ms sebelum orang lain berhenti berbicara, dan tidak ada sistem di bidang ini yang menyamainya dalam anggaran positif palsu. Detektor semantik bersifat selektif dan lambat; detektor akustik cepat dan berisik. Tidak ada yang memenuhi keduanya.

Itulah persimpangan jalan, yang dinyatakan dengan gamblang. Sesame berupaya menutup celah antara 151 ms antisipasi manusia dan 368 ms hingga 1.234 ms yang mampu dicapai detektor terbaik. Phonic berupaya membuat celah itu tidak relevan dengan menghilangkan pekerjaan yang mengisinya. Keduanya sah. Hanya salah satunya yang tersedia bagi Anda sebagai endpoint hari ini, dan itu bukan yang menerbitkan tolok ukur tersebut.

Dewan yang menilai salah satu dari mereka — dan pihak yang tidak diikutsertakan olehnya

Indeks Speech to Speech milik Artificial Analysis adalah satu-satunya komposit independen di bidang ini, dan Phonic 1 menguasai posisi teratasnya per saat penulisan ini. Baris-baris yang penting:

• Phonic 1 (High) — indeks 87,1, peringkat pertama; waktu hingga audio pertama 0,61 dtk; $4,20 per jam audio masukan.

• Grok Voice 3.0 — 86,9; 0,81 dtk; $4,80 per jam.

• GPT-Live-1 (Astra, medium) — 83,2; 1,34 dtk; $5,83 per jam.

• Gemini 3.8 Live Extended Thinking (High) — 82,6; 1,35 dtk; $3,50 per jam.

• Eleven Realtime v1 Max — 77,3; 0,57 s; $4,80 per jam.

Perhatikan baris terakhir. Eleven Realtime v1 Max lebih cepat mencapai audio pertama daripada Phonic 1 — 0,57 dtk berbanding 0,61 dtk — dan berada 9,8 poin indeks lebih rendah. Waktu ke audio pertama bukanlah kontes yang dimenangkan Phonic; Phonic memenangkan komposit, yang juga menimbang penalaran ucapan, perilaku tugas agentik, preferensi manusia, dan keberhasilan tugas. Siapa pun yang mengutip "tercepat" dari satu kolom sedang mengutip kolom yang salah.

Sekarang asimetrinya. Tidak ada baris Sesame Preview di papan peringkat itu, dan tidak ada cara bagi baris tersebut untuk muncul: indeks menjalankan model melalui harness API, dan Sesame Preview tidak memiliki API. Instrumen milik Sesame sendiri juga tidak menutup celah itu. TurnBench diterbitkan oleh Sesame dan, pada saat tulisan ini dibuat, tidak memuat entri Sesame — papan tersebut mencantumkan model proyeksi aktivitas suara, ESPnet, VAD semantik Kyutai, Gemini 3.1 Live, OpenAI Realtime, dan Moshi, tetapi tidak mencantumkan suara produksi perusahaan itu sendiri. Itu bukan skandal; menjadi penulis benchmark dan mengirimkan benchmark adalah tindakan yang berbeda, dan aplikasi pendamping tidak memiliki endpoint stabil yang bisa dijadikan sasaran penilai. Namun itu berarti dua angka utama dalam pertandingan ini — 87,1 di satu sisi, di bawah 300 ms di sisi lain — bukan jenis klaim yang sama. Yang satu diukur oleh pihak ketiga pada sebuah harness. Yang lain adalah target yang dinyatakan vendor tentang produk yang belum pernah diinstrumentasikan oleh siapa pun di luar perusahaan.

Kolom tempat Phonic 1 kalah, berdasarkan bukti dari Phonic sendiri

Jika alasan Anda melihat Sesame Preview adalah karena suaranya terdengar seperti manusia, perbandingan ini punya jawaban yang tidak nyaman, dan jawaban itu berasal dari materi pers Phonic sendiri, bukan dari seorang kritikus.

Phonic menugaskan uji mendengarkan berpasangan secara buta kepada Podonos, layanan pengujian pendengar pihak ketiga, dan melaporkan hasilnya dalam postingan peluncurannya. Phonic-1 lebih disukai daripada GPT-Live-1 dengan 61,5% berbanding 32,0%, daripada Grok Voice 3 dengan 66,5% berbanding 26,5%, dan daripada Eleven v4 Turbo dengan 78,0% berbanding 14,0%. Judul utama yang dipilih perusahaan untuk ditonjolkan justru adalah hasil yang mereka kalahkan: aktor pengisi suara manusia lebih disukai daripada Phonic-1 dengan 57,0% berbanding 32,0%, yang dalam postingan tersebut digambarkan sebagai manusia menang sekitar 60% dari waktu, dengan masih banyak ruang untuk berkembang. Itu adalah angka yang ditugaskan dan dilaporkan oleh vendor, dan tidak satu pun telah direplikasi secara independen — tetapi itu adalah angka vendor, dan angka tersebut menyatakan Phonic 1 adalah suara sintetis terbaik dalam kumpulan pembandingnya dan tetap bukan manusia.

Data preferensi independen menunjukkan pola yang sama. Pada Speech Agent Arena yang menjadi dasar skor komposit, Phonic 1 berada di peringkat kedelapan dari 30 untuk preferensi pendengar pada Elo 1.012, sementara berada di peringkat keempat untuk keberhasilan tugas pada 92,3%. Model yang memuncaki indeks bukanlah model yang paling ingin diajak bicara oleh pendengar. Itulah perpecahan yang sama yang kami lihat pada Grok Voice 3.0 dari sisi sebaliknya — xAI menguasai arena dan kalah pada kolom agentik — dan itulah alasan struktural mengapa perbandingan langsung antara keduanya tidak dapat diputuskan dengan satu angka.

Reputasi Sesame, sementara itu, bertumpu tepat pada kolom itu dan tidak pada apa pun yang lebih ketat. Demo Maya dan Miles menjadi viral pada Februari 2025 karena napas, keraguan, koreksi diri, dan tawa, dan klaim yang beredar adalah bahwa pendengar tidak dapat secara andal membedakan suara-suara itu dari manusia pada klip pendek. Itu adalah kesan yang dibentuk oleh audiens, bukan uji berskor, dan belum pernah dipertemukan langsung dengan Phonic 1. Tidak ada eksperimen yang dipublikasikan di mana seorang pendengar mendengar Sesame Preview dan Phonic 1 secara berturut-turut. Siapa pun yang memberi tahu Anda mana yang terdengar lebih baik sedang memberi tahu Anda mana yang telah mereka dengar.

Berapa biaya satu menit, dan mengapa menit adalah satuan yang keliru

Daftar harga itu singkat dan tidak seimbang:

• Phonic 1 — $0,07 per menit pada Starter tanpa minimum, 10 panggilan bersamaan, 10 agen, dan 3 seat; $0,065 per menit pada Pro dengan minimum bulanan $200, sekitar 3.100 menit, dengan 50 panggilan bersamaan; enterprise kustom. Pendaftaran sebelum 30 November mendapat kredit $250, dan pelanggan yang bermigrasi dari cascade mendapat gratis tiga bulan.

• Sesame Preview — $0. Bukan per menit, bukan per kursi, bukan per agen. Gratis di aplikasi.

• Sesame CSM-1B — bobotnya gratis, dan tagihannya adalah jam GPU Anda ditambah waktu rekayasa untuk merakit giliran berbicara, pengondisian konteks, dan model bahasa di sekitar checkpoint yang tidak dapat menghasilkan teks sendiri.

Lakukan perbandingan yang produktif, dan kerangka per-menit itu langsung ambruk. Sepuluh ribu menit sebulan pada Phonic 1 Starter adalah $700, yang merupakan kesalahan pembulatan bagi sebuah call centre dan anggaran nyata bagi proyek sampingan. Sesame tidak mengenakan biaya apa pun karena Sesame tidak menjual menit — ia menjual kebiasaan harian menjelang peluncuran kacamata pada 2027, dan kebiasaan dimonetisasi per orang, per tahun, pada perangkat keras, bukan per menit audio. Membandingkan daftar tarif dengan aplikasi gratis sama dengan membandingkan pemasok dengan papan reklame.

Yang menyisakan versi jujur dari pertanyaan biaya: berapa biaya untuk merilis? Untuk Phonic 1 jawabannya adalah satu kontrak, satu websocket, dan sepuluh panggilan bersamaan pada Starter kecuali Anda membayar untuk Pro. Untuk Sesame Preview jawabannya adalah tidak ada angka, karena tidak ada penawaran. Hal yang paling mendekati Sesame yang siap dirilis adalah CSM-1B, dan hal yang paling mendekati kartu tarif yang dimiliki CSM-1B adalah faktur GPU.

Tiga pembeli, tiga jawaban berbeda

Anda memindahkan volume panggilan dari kaskade dan panggilan harus selesai. Phonic 1, dan kasusnya adalah kolom agentic, bukan komposit. Pemanggilan tool yang terpicu sebelum penelepon berhenti berbicara adalah pembeda antara agen yang memesan janji temu dan agen yang membuat penelepon mengulang ucapannya. $0.07 itu murah dibandingkan biaya panggilan intake yang gagal, dan batas konkrensi adalah hal yang perlu diukur sebelum Anda berkomitmen.

Produk Anda adalah bagaimana ia terdengar. Sebuah pendamping, pelatih, tutor, suara merek — apa pun yang membuat alasan pengguna untuk bertahan adalah suara itu sendiri. Sesame Preview adalah titik acuan dan Phonic 1 belum menjadi jawabannya: pada uji buta milik vendor sendiri, manusia mengalahkannya hampir dua banding satu. Namun titik acuan itu tidak dapat dibeli, sehingga pilihan praktisnya adalah model suara berlisensi dengan skor preferensi terukur, atau CSM-1B dan banyak rekayasa Anda sendiri.

Anda menginginkan pemisahan itu — ucapan bernuansa Sesame dengan backend agentik. Ini adalah kombinasi yang dituju oleh peta jalan kedua perusahaan dan tidak dijual oleh keduanya. Versi yang dapat dibangun adalah CSM-1B atau model ucapan terbuka lain untuk suara, dan model teks konvensional di belakangnya untuk bagian berpikir, yang dirangkai sendiri oleh Anda. Tahap teks itu adalah inferensi chat biasa, yaitu lapisan tempat satu API untuk 200+ model dengan markup 0% benar-benar berlaku: satu kunci untuk bagian penalaran, harga daftar penyedia diteruskan tanpa perubahan, DSL perutean untuk mengirim obrolan bergiliran dan penalaran yang sarat kebijakan ke model berbeda dalam panggilan yang sama, serta failover otomatis sehingga gangguan penyedia tidak mengakhiri percakapan. Baik Phonic 1 maupun Sesame Preview tidak ada dalam katalog itu — Phonic 1 karena merupakan endpoint satu vendor dan Sesame Preview karena tidak ada endpoint untuk dirutekan — jadi ini adalah pernyataan tentang separuh stack yang Anda rangkai sendiri, bukan klaim tentang model mana pun di atas.

Apa yang akan mengubah jawaban ini?

Tiga hal, diurutkan dari kemungkinan terkecil ke terbesar.

Phonic menerbitkan angka uji mendengarkan untuk setelan kecerdasan standar. Setiap skor dalam artikel ini, termasuk 87,1 dan 0,61 detik, dihasilkan pada tinggi. API secara default menggunakan standar, yang didokumentasikan sebagai mode latensi lebih rendah, dan belum ada yang menerbitkan dampak konfigurasi tersebut terhadap kualitas atau waktu sampai audio pertama. Integrasi yang tidak pernah menyentuh setelan tersebut menjalankan varian yang belum diukur.

Sesame membuka endpoint, atau menempatkan suara produksinya sendiri di papan giliran bicaranya sendiri. Salah satu pun akan mengubah ini dari perbandingan sebuah produk dengan reputasi menjadi perbandingan dua hal yang dapat diukur. Tidak satu pun ada dalam roadmap yang dijelaskan Sesame, yang mencakup Android, lalu kacamata pada 2027.

Seseorang menjalankan keduanya di ruangan yang sama. Satu uji buta dengan suara produksi Sesame Preview dan Phonic 1 pada prompt yang sama akan menyelesaikan pertanyaan tentang kealamian dalam satu sore, dan uji itu tidak dapat dijalankan oleh siapa pun yang tidak bekerja di Sesame, karena salah satu dari dua sistem tersebut tidak dapat diakses oleh orang luar.

Sampai salah satu dari itu terjadi, tafsiran yang bisa dipertahankan adalah ini: Phonic 1 adalah satu-satunya dari keduanya yang dapat Anda terapkan, ia memimpin satu-satunya komposit independen yang menilai salah satu dari keduanya, ia menang dalam taruhan soal pekerjaan yang dilakukan sebelum giliran berakhir, dan secara terukur ia belum merupakan suara manusia. Sesame Preview adalah sesuatu yang terdengar lebih baik yang tidak bisa Anda miliki, dari perusahaan yang saat ini tidak berbisnis menjualnya. Itu bukan dua opsi dalam satu menu. Itu adalah satu pemasok dan satu demo, dan semakin cepat Anda berhenti membandingkan lembar spesifikasi mereka, semakin cepat Anda dapat memutuskan mana yang sebenarnya dibutuhkan produk Anda.