Realtime-Venus vs Sesame Preview: Yang Bisa Anda Dapatkan Bukanlah Hal yang Baik

Realtime-Venus dan Sesame Preview dibangun oleh laboratorium dengan gagasan yang sepenuhnya berbeda tentang untuk apa model suara itu, dan keduanya telah terjebak ke dalam perangkap yang identik dari arah yang berlawanan. Sesame Preview adalah aplikasi konsumen gratis — iOS sejak Mei 2026, Android sejak awal Agustus — dengan empat agen percakapan, pencarian web langsung selama panggilan, dan suara yang disebut para pengulas sebagai terbaik di kelasnya. Bobot terbuka yang dipublikasikan Sesame adalah model yang berbeda dan lebih kecil yang oleh perusahaan itu sendiri tidak disajikan sebagai suara yang Anda dengar dalam demo. Realtime-Venus, sistem dupleks penuh 9B dari Tim Venus Ant Group dan Universitas Tsinghua, mengambil arah sebaliknya: artefak yang dapat diunduh adalah hal yang sesungguhnya, dan tidak ada produk sama sekali. Dalam kedua kasus tersebut, kesenjangan antara apa yang tersedia dan apa yang mengesankan adalah hal paling berguna untuk dipahami sebelum Anda merencanakan apa pun seputar salah satu dari keduanya.

Apa sebenarnya masing-masing itu

Sesame Preview adalah produk. Sesame adalah lab di San Francisco yang didirikan pada 2023 oleh Brendan Iribe, Ankit Kumar dan Ryan Brown, didukung oleh a16z, Sequoia, Spark dan Matrix, dan asisten suara konsumennya menghadirkan empat kepribadian — Maya, Miles, Simone dan Charlie — masing-masing dengan temperamen dan suara yang khas. Agen ini dapat mencari web di tengah percakapan, membuat catatan dan pengingat, serta mengirim ringkasan setelah panggilan. Memori bersifat per-agen dan tersinkronisasi di web dan seluler saat Anda masuk, dengan mode incognito yang membaca memori sebelumnya tanpa menulis memori baru. Layanan ini gratis, tidak menampilkan iklan, dan perusahaan menyatakan tidak menjual data.

Realtime-Venus adalah rilis riset. Dua checkpoint 9B di bawah Apache-2.0 di Hugging Face — Realtime-Venus-Omni untuk interaksi audio-visual dan Realtime-Venus-Audio untuk interaksi lisan — plus laporan teknis yang dikirimkan ke arXiv pada 12 September 2026, halaman proyek, dan repositori pendamping yang memuat komponen Realtime-Venus-Harness. Tidak ada aplikasi, tidak ada API, tidak ada harga, dan tidak ada pengumuman dari vendor. Repositori tersebut tidak di-deploy oleh penyedia inferensi mana pun, dan unduhan tidak dilacak.

Perangkapnya, di kedua arah

Versi Sesame adalah bentuk open-washing klasik, dan Sesame lebih jujur soal itu dibandingkan kebanyakan. Checkpoint CSM yang dirilis lab tersebut di bawah Apache-2.0 adalah model dasar pembangkit ucapan — tulang punggung Llama yang menyuplai dekoder codec Mimi — dan dokumentasinya secara eksplisit menyatakan bahwa itu bukan suara aplikasi tersebut dan bukan sistem speech-to-speech end-to-end. Model itu tidak dapat menghasilkan teks, dan dilatih terutama pada data bahasa Inggris dengan kemampuan terbatas di luar itu. Yang menggerakkan Sesame Preview adalah model produksi yang lebih besar yang belum dirilis. Jadi, jika Anda mencari suara dari demo tersebut, Anda menemukan garis keturunan risetnya, bukan hal itu sendiri. Saat salah satu dari empat agen menjawab panggilan Anda, Anda mendengar sesuatu yang tidak dapat Anda unduh.

Versi Realtime-Venus adalah cerminan sebaliknya, dan bisa dibilang yang lebih aneh. Semua yang diterbitkan asli: bobot sungguhan, kode sungguhan, laporan sungguhan, lisensi permisif. Yang hilang adalah cara apa pun untuk menggunakannya yang tidak melibatkan memiliki GPU. Dua checkpoint 9B dalam BF16 kira-kira delapan belas gigabyte bobot masing-masing sebelum memori aktivasi, dan keduanya dirancang untuk menjalankan loop streaming berkelanjutan selama satu detik dengan input audio dan video langsung. Itu adalah penerapan kelas server. Aplikasi konsumen yang mengirimkan kemampuan yang sama ke ponsel melakukan sesuatu yang tidak dicoba oleh rilis ini, dan kesenjangan antara model yang dapat diunduh dan model yang dapat dijalankan justru menjadi tempat sebagian besar orang yang menginginkannya akan terjebak.

Keterukuran adalah perbedaan yang lebih tajam

Tidak ada model yang memiliki skor kualitas suara independen, tetapi alasannya berbeda.

• Sesame Preview — tidak ada entri arena, tidak ada evaluasi yang dipublikasikan atas suara produksi. Reputasinya bersandar pada para reviewer dan pada efek demo aslinya terhadap pendengar, yang merupakan bukti nyata dari jenis tertentu dan sama sekali tidak terkuantifikasi.

• CSM-1B — checkpoint terbuka ini adalah model generasi dasar; model ini tidak dibandingkan dengan sistem percakapan karena memang bukan sistem percakapan.

• Realtime-Venus — satu angka performa suara yang dilaporkan sendiri, skor VoiceBench AlpacaEval sebesar 4,81 yang dalam laporannya digambarkan setara dengan angka pembanding terbaik. Belum ada pihak ketiga yang mengevaluasinya.

• Apa yang tidak diberikan oleh keduanya — angka yang dihasilkan oleh orang yang tidak punya kepentingan atas hasilnya. Jika kualitas suara adalah kriteria pembelian Anda, seluruh perbandingan itu tak dapat dinilai, dan langkah yang jujur adalah mendengarkan keduanya lalu memutuskan sendiri daripada bersandar pada sebuah tabel.

Pergantian giliran, ketika keduanya punya sesuatu untuk dibuktikan.

Reputasi Sesame dibangun justru atas hal ini. Demo yang membuat laboratorium itu terkenal adalah suara dengan napas, keraguan, dan waktu interupsi yang cukup meyakinkan sehingga pendengar mengira ada seseorang di ujung sambungan. Itu adalah klaim tentang dinamika percakapan, dan itulah hal yang menjadi dasar produk ini dijual.

Realtime-Venus membuat klaim yang sama dengan angka-angka yang disertakan. Pada Full-Duplex-Bench v1.5, checkpoint audionya melaporkan merespons 75% interupsi pengguna, dengan tingkat kelanjutan 97% pada backchannel, 88% pada ucapan yang ditujukan kepada orang lain, dan 86% pada ucapan latar belakang — dinyatakan melampaui Gemini 3.1 Live dan GPT-4o pada ketiga metrik kelanjutan tersebut. Angka-angka itu berasal dari laporannya sendiri dan belum ada yang mereproduksinya.

Jadi perbandingannya adalah demo tanpa angka melawan angka tanpa demo, yang merupakan posisi yang benar-benar canggung untuk berada di dalamnya dan gambaran yang adil tentang bagaimana seluruh kategori ini melaporkan tentang dirinya sendiri saat ini. Satu hal yang dapat dikatakan dengan yakin adalah bahwa tidak satu pun klaim tersebut telah bertahan dari pengujian pihak luar, dan tingkat keberlanjutan 97% di bawah backchannel cukup tinggi sehingga layak mendapatkan pihak luar sebelum dikutip sebagai hal yang sudah mapan.

Apa yang benar-benar bisa Anda bangun

Sesame Preview tidak memberi apa pun kepada pengembang. Tidak ada API, tidak ada pengenal model, tidak ada daftar tarif, dan tidak ada rencana yang dinyatakan untuk menyediakannya. Panggilan dibatasi maksimal tiga puluh menit saat masuk log dan lima menit jika tidak, bahasa Inggris adalah satu-satunya bahasa yang didukung secara resmi, dan agen akan meneliti serta mengingat tetapi tidak mengeksekusi tugas — ia tidak akan memesan penerbangan. Tingkat gratis adalah produknya. Itu adalah tawaran konsumen yang sangat baik sekaligus jalan buntu untuk integrasi.

Realtime-Venus memberi pengembang segalanya kecuali tempat untuk menjalankannya. Bobotnya dilisensikan secara permisif, kodenya dimuat dengan panggilan Transformers standar, streaming dupleks penuh dimasuki dengan satu sakelar metode, dan loop yang didokumentasikan adalah prefill streaming selama satu detik diikuti pembuatan streaming, lalu diulang. Memori video panjang diaktifkan dengan parameter memory-minutes dan dijelaskan sebagai tanpa pelatihan, yang tidak biasa untuk kemampuan yang biasanya memerlukan fine-tuning. Dua peringatan didokumentasikan alih-alih dibiarkan ditemukan sendiri: batas frame yang diam-diam memotong video panjang kecuali sebuah konstanta dinaikkan sebelum impor utilitas, dan persyaratan font CJK untuk subtitle non-Latin yang dirender ke video dupleks.

Yang tidak diubah oleh semua itu adalah bahwa harness — komponen yang mengeksekusi delegasi asinkron yang merupakan bagian paling khas dari arsitektur ini — berada di repositori GitHub terpisah, jauh lebih sedikit didokumentasikan daripada modelnya, dan merupakan bagian yang kesiapan produksinya paling sulit dinilai. Dalam penerapan nyata, jalur delegasi adalah inferensi teks biasa yang berada di belakang front end percakapan. OrcaRouter tidak membawa Realtime-Venus maupun Sesame Preview; kedua lapisan suara itu berada di luar apa yang kami layani, dan kami mengatakannya secara terang-terangan alih-alih menyiratkan hubungan hosting yang tidak ada. Hampir 200 model teks di balik satu kunci dengan harga daftar penyedia tanpa markupadalah separuh arsitektur itu yang kami tangani, dengan failover otomatis agar tugas yang didelegasikan tetap bertahan saat terjadi gangguan di sisi hulu, sebuah DSL perutean yang menggabungkan beberapa model menjadi satu panggilan, dan fusi model ketika penilaian satu model tidak cukup. Itu adalah bagian yang dapat dibeli dari sebuah desain yang bagian menariknya tidak untuk dijual.

Rekomendasi yang jujur

Jika Anda adalah konsumen yang menginginkan suara percakapan paling enak didengar yang tersedia saat ini dan tidak perlu mengintegrasikannya, Sesame Preview gratis, tersedia di kedua platform seluler, dan reputasinya memang layak, sampai-sampai para pengulas terus mengatakan hal itu. Gunakan dan nikmati.

Jika Anda adalah seorang peneliti atau tim rekayasa dengan sumber daya memadai yang membutuhkan tumpukan audio-visual dupleks penuh terbuka yang dapat Anda periksa dan sesuaikan, Realtime-Venus adalah salah satu dari sedikit sekali opsi yang benar-benar nyata, dan fakta bahwa tolok ukurnya dilaporkan sendiri tidak mengubah kenyataan bahwa bobotnya benar-benar terbuka dan arsitekturnya benar-benar terdokumentasi.

Jika Anda adalah tim produk yang mencari lapisan suara untuk dirilis kuartal ini, tidak satu pun dari keduanya adalah jawaban Anda, dan pelajaran berguna dari pasangan ini adalah alasannya. Satu lab membangun sesuatu yang sangat baik dan menutup rapat bagian yang bagus; yang lain mempublikasikan semuanya dan membiarkan Anda menyediakan infrastrukturnya. Kategori ini telah membuktikan bahwa ia dapat menciptakan suara yang layak didengarkan dan belum memutuskan apakah suara itu harus dapat dibeli dalam bentuk apa pun selain aplikasi.