Eleven Realtime v1 Max vs Sesame Preview: la voce che conquista l'orecchio perde sul compito

Chiedi a qualcuno quale assistente vocale suona più umano e la risposta sarà Sesame Preview. Chiedi quale modello un'azienda può mettere dietro un numero di telefono e la risposta è Eleven Realtime v1 Max, un modello speech-to-speech annunciato il 20 ottobre 2026, che risolve l'87,1% delle attività su una valutazione fissa, risponde in 0,57 secondi ed è disponibile tramite ElevenAgents o un'API Realtime compatibile con OpenAI. Sesame Preview è un'app per consumatori con quattro compagni dotati di nome e non c'è modo di acquistare la voce al suo interno. Gli incidenti AI documentati e i fallimenti degli agenti alla base dei modelli di questa classe sono raccolti nell'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il livello di confidenza e l'indicatore di contestazione.

Non è un knockout, perché i due prodotti inseguono cose diverse e l'argomentazione a favore della voce di S​esame è reale. I ricercatori di S​esame sono stati precoci e pubblici riguardo all'idea che il tempismo conversazionale — l'mm-hmm, la sovrapposizione, la disponibilità a cedere la parola a metà frase — sia la valle inquietante, non il timbro. La documentazione di E​levenLabs fa la stessa scommessa dalla direzione opposta: si descrive Mini come in grado di rilevare se chi parla ha finito o sta semplicemente intervenendo. Due laboratori, una tesi, modelli di business opposti.

Dove il confronto diventa interessante è ciò che ciascuno ha effettivamente misurato. ElevenLabs pubblica sei numeri e un partner di valutazione. Sesame pubblica un'esperienza.

Che cos'è ciascuno, precisamente

Eleven Realtime v1 Max è un'unica rete che esegue insieme riconoscimento, gestione del turno, ragionamento e generazione vocale, pensata per attività complesse con uso di strumenti in più passaggi: assistenza clienti, qualificazione dei lead, pianificazione assistita. La sua versione economica, Eleven Realtime v1 Mini, è la scelta predefinita per i nuovi agenti ElevenAgents e punta a una conversazione naturale a costi inferiori. Max è raggiungibile in due modi — dal menu a discesa di ElevenAgents, dove E​levenLabs gestisce per te il modello LLM, il modello T​TS, il provider ASR e le impostazioni di ragionamento, oppure tramite un'API Realtime che parla il protocollo di eventi Realtime di O​penAI su WebSocket all'indirizzo wss://api.elevenlabs.io/v1/convai/realtime.

S​esame Preview è un assistente vocale gratuito per i consumatori: quattro agenti con un nome — Maya, Miles, Simone, Charlie — disponibili su iOS e sul web, descritto da quasi tutti quelli che lo provano come l'assistente vocale più naturale sul mercato. Mantiene il contesto tra le sessioni, cerca sul web e imposta promemoria. Non prenota, non acquista e non archivia nulla. Non esiste un livello enterprise, nessun prezzo pubblicato e nessuna API pubblica per la voce che si sente nell'app.

Entrambi sono sistemi conversazionali full-duplex con un'alternanza dei turni così buona che le persone smettono di notarla. È qui che finisce la somiglianza e dove la domanda "quale sia migliore" smette di avere una risposta unica.

I numeri che uno di loro ha

Artificial Analysis ha valutato Eleven Realtime v1 Max in modo indipendente sullo stesso harness che applica a ogni modello speech-to-speech. Questi sono i suoi dati, non quelli di ElevenLabs:

• Ragionamento vocale (Big Bench Audio) — Max 98,8%

• Dinamiche conversazionali (Full-Duplex-Bench) — Max 94,1%

• Tasso di successo delle attività — Max 87,1%

• Preferenza Arena (Elo) — Max 997

• Tempo al primo audio — Max 0,57s

• Costo per ora di audio in input — Max $4,80

• Prestazioni agentiche (τ-Voice) — Max non misurato

• Speech to Speech Index — Max non valutato

L'anteprima di S​esame non compare su nessuna di queste righe. Non ha un'API pubblica, quindi nessun harness indipendente può eseguirla, e il comportamento dell'app stessa non è mai stato misurato da nessuno al di fuori di S​esame in termini di completamento delle attività o di latenza. Quando le persone dicono che S​esame suona meglio, stanno riportando un'impressione d'ascolto, ed è un'impressione legittima — semplicemente non è la stessa misurazione di un'arena con una metodologia e un modello di preferenza alle spalle.

Vale in entrambi i sensi. L’Elo 997 dell’arena è un numero reale, proveniente da ascoltatori reali, e colloca Max dietro il 1.064 di G​rok Voice 3.0, il 1.047 di G​PT-Live-1 (Sol, low) e il 1.078 di G​emini 3.8 Live. E​levenLabs vince le righe di ragionamento e velocità, ma non quella delle preferenze. Se il tuo istinto è che la voce di S​esame batta quella di Max, il risultato dell’arena è coerente con quell’istinto: è solo che è stato misurato rispetto ad altri modelli API, non rispetto a S​esame.

La questione open-weight, ed è qui che la maggior parte dei confronti sbaglia

Ogni articolo che elogia la voce di S​esame elogia l'app, e la voce dell'app è un modello di produzione chiuso che S​esame non ha mai rilasciato come endpoint. Ciò che S​esame ha reso open source è CSM-1B, un modello vocale conversazionale da 1B della famiglia Moshi, con licenza Apache-2.0. È un blocco di sintesi, non un assistente: un backbone Llama predice il primo codebook Mimi, un decoder Llama più piccolo predice il resto, e un codec Mimi lo trasforma in una forma d'onda a 24 kHz. È pensato innanzitutto per l'inglese, clona una voce da una breve clip di riferimento e non è in grado di generare testo — lo si abbina a un modello linguistico separato.

Le persone che hanno provato entrambi descrivono la voce di CSM-1B come decisamente più debole di quella dell'app Preview, e la model card di S​esame stessa avvalora questa interpretazione: una variante fine-tuned di CSM alimenta la demo interattiva, e quella variante non è il checkpoint che puoi scaricare.

Quindi la versione onesta di «Sesame vs ElevenLabs» è questa. Sesame ha una bellissima voce chiusa che non puoi richiamare, e un piccolo blocco di sintesi aperto che invece puoi, e non sono lo stesso modello. ElevenLabs ha un modello richiamabile la cui voce è misurabilmente buona ma non la più apprezzata, e un prezzo. L'asimmetria che conta per chi costruisce non è quale suoni meglio; è quale delle due ha un endpoint, e non c'è partita.

Dove il merge si manifesta in produzione

L​'argomento di E​levenLabs è che fondere riconoscimento, alternanza dei turni, ragionamento e voce in un unico sistema ottimizzato elimina le giunture che una cascata lascia.

In ElevenAgents la fusione è letterale e ha un costo: finché è impostato un modello Realtime, il LLM, l'impegno di ragionamento, il budget di pensiero, le chiamate parallele agli strumenti, il timeout della cascata, il modello TTS, la modalità espressiva e il provider ASR sono tutti gestiti da ElevenLabs e ignorati sull'agente. Un nodo del workflow non può sovrascriverli, e l'agente non può affatto usare un LLM personalizzato o Amazon Bedrock. Scegli il modello e scegli l'intero stack sottostante.

La matrice di conformità è disomogenea in un modo che sorprenderà chi la implementa nelle diverse regioni:

• Residenza dei dati — Max è disponibile negli Stati Uniti e nell'UE, ma non in India o a Singapore, dove viene offerto solo Mini

• Modalità Zero Retention e HIPAA — Max è supportato negli Stati Uniti e nell'UE; Mini non è supportato in nessuno dei due

• Limite token — Max richiede 1.024 token o nessun limite, e i nodi del workflow non possono sovrascriverlo

• Trasferimenti degli agenti — un agente in modalità Realtime può trasferire solo verso altri agenti in modalità Realtime e ricevere trasferimenti solo da essi, anche se Mini-to-Max è consentito

• Trasporto — nessun WebRTC al lancio; l'API Realtime è solo WebSocket

Queste regole vengono applicate alla pubblicazione, non al salvataggio: una bozza che ne viola una si salva senza problemi e fallisce quando la pubblichi, con un errore che nomina l'impostazione. Se stai facendo prototipazione, è un fastidio minore. Se stai distribuendo a una coda regolamentata, decide quale variante puoi usare in quale ambiente, e quella più economica non è sempre quella conforme.

Quale appartiene al tuo stack?

Scegli Eleven Realtime v1 Max quando la voce è un mezzo per un fine e la chiamata deve produrre un risultato: triage del supporto, pianificazione, qualifica. Ottieni oggi un endpoint, un protocollo di eventi compatibile con O​penAI che rende la migrazione da un'integrazione Realtime una modifica di due stringhe, un tasso di successo misurato dell'87,1% nelle attività, il ragionatore forte più veloce della categoria e un prezzo che puoi modellare a $4,80 all'ora di audio. Accetta che sia ancora in fase di distribuzione, che il suo comportamento agentico non sia misurato e che la sua voce non primeggi nell'arena delle preferenze.

Scegli S​esame Preview quando stai studiando come dovrebbe suonare la qualità conversazionale, o stai costruendo un prodotto di consumo in cui la conversazione è il prodotto. È gratuito, è la cosa che suona meglio che la maggior parte delle persone abbia mai provato, ed è un ottimo modo per calibrare il proprio gusto. Non pianificare un'integrazione basata su di esso: non c'è nulla con cui integrarsi, e CSM-1B non è il modello presente nell'app.

Scegli CSM-1B solo se desideri un blocco di sintesi aperto e self-hostable e sei pronto a costruire il resto — un ASR, un modello linguistico, uno strato di turn-taking — attorno ad esso. È Apache-2.0 ed è davvero utile in quel ruolo. Non è un concorrente di Max e non è mai stato pensato per esserlo.

L'ibrido, e la metà in cui un router può essere d'aiuto

La maggior parte dei prodotti vocali seri finisce per combinare più modelli invece di sceglierne uno. Un modello dal suono naturale nei turni di apertura e di conferma, dove calore e latenza si fanno sentire; un modello affidabile sulle attività nei turni transazionali, dove un errore significa una prenotazione persa. Né E​leven Realtime né S​esame lo rendono facile all'interno di un'unica connessione — l'API Realtime di E​levenLabs è un prodotto separato da E​levenAgents e funziona solo su WebSocket, e S​esame non ha alcuna API con cui combinarli.

Dove un livello di routing si guadagna davvero il suo posto è un livello più in basso, sul lavoro che il modello vocale delega. Su OrcaRouter si tratta di 209 modelli da 16 provider upstream dietro un'unica chiave, al prezzo di listino del provider senza alcun ricarico, con failover automatico quando un provider restituisce un errore. La fusione di modelli consente a un panel di rispondere insieme quando il giudizio di un singolo modello non basta; il DSL di routing ne compone diversi in un'unica chiamata. Eleven Realtime v1 Max stesso non è nel nostro catalogo — non esiste un endpoint di terze parti per esso — quindi il confine onesto è che possiamo instradare il retrieval, la sintesi e l'analisi post-chiamata, non la voce.

Ciò che cambierebbe questo articolo è un benchmark che misuri la naturalezza nello stesso modo in cui l’arena misura la preferenza, eseguito sia sull’app di S​esame sia sui modelli API — oppure un endpoint per la voce di produzione di S​esame. Ognuno dei due trasformerebbe una scelta tra accesso ed esperienza in un vero confronto. Fino ad allora, uno di questi modelli lo puoi chiamare e l’altro puoi solo ammirarlo, e questo risolve la questione più di qualsiasi test di ascolto.