Fish Audio Live 3 vs Sesame Preview: due risposte all'alternanza dei turni, una delle quali misurabile

Sesame ha creato un benchmark per esattamente il problema che Fish Audio Live 3 afferma di aver risolto, e poi Fish Audio ha rilasciato un modello che non vi compare. Questa è la versione breve del confronto. Sesame Preview — il prodotto consumer a quattro agenti basato sul Conversational Speech Model del laboratorio — ha pubblicato TurnBench ad agosto 2026: trenta ore di parlato a due persone con tripla annotazione, una classifica pubblica, un visualizzatore interattivo delle conversazioni e i risultati per quattordici sistemi. Fish Audio Live 3, annunciato il 10 novembre 2026, sostiene che la temporizzazione conversazionale dovrebbe essere appresa all'interno del modello vocale anziché imposta da soglie di silenzio, e pubblica tre chiamate di esempio e un dato di 186 millisecondi. La tesi è la stessa. Le prove non sono le stesse.

Tutto il resto deriva da quanto diversamente le due aziende hanno trasformato quell’argomento in un prodotto. Live 3 è in vendita: $0.035 al minuto sulla Agent Platform di Fish Audio durante una promozione che termina il 31 dicembre 2026, un’API documentata e un’opzione on-premises per le aziende. Sesame Preview viene regalato: quattro personalità fisse in un’app per iOS e Android, senza API, nessun identificatore del modello per la voce nell’app e nessun costo per token o al minuto. Su uno dei due puoi sviluppare già questa settimana. L’altro puoi solo ascoltarlo.

Il test che esiste, e perché Live 3 non ne fa parte

L'alternanza dei turni è quella rara capacità per cui il settore ha concordato un modo di misurarla prima che arrivassero i modelli, e Sesame è in gran parte il motivo. TurnBench, rilasciato il 28 agosto 2026 e sviluppato con Carnegie Mellon University, Mundo AI e Oto, valuta i sistemi in base a come gestiscono esattamente gli eventi che fanno sembrare sbagliato un agente telefonico: una conferma che non dovrebbe prendersi il turno, un'interruzione che invece dovrebbe, una pausa che non è una fine. La classifica è pubblica, il set di sviluppo è disponibile in autonomia e i risultati coprono quattordici sistemi.

Fish Audio Live 3 non è tra questi, e nemmeno qualsiasi altro modello duplex di Fish Audio. Non è uno scandalo — un modello rilasciato a novembre non può figurare in una classifica di agosto — ma è il dato più utile di questo confronto, perché ti dice che tipo di affermazione sta facendo ciascuna azienda. Sesame ha messo il proprio prodotto su un test pubblico che ha contribuito a progettare, dove chiunque può verificare il punteggio. Fish Audio ha messo il proprio prodotto su un listino prezzi promozionale, dove chiunque può verificare il prezzo.

Entrambi sono lanci legittimi. Solo uno dei due permette a un estraneo di verificare ciò di cui parla il marketing.

Cosa ciascuna parte consegna effettivamente

• Di cosa si tratta — Fish Audio Live 3 è un modello vocale full-duplex alla base di una piattaforma per agenti; Sesame Preview è un'app assistente consumer con quattro agenti, Maya, Miles, Simone e Charlie, ciascuno con la propria memoria.

• Distribuzione — Live 3: piattaforma self-service, API documentata, enterprise on-premises. Sesame Preview: app per iOS e Android, gratuita, senza API, nessun ID modello per la voce nell'app.

• Prezzo — Live 3: $0.035/min in promozione, $0.07 di listino, più $0.01/min per le chiamate telefoniche e $1.20/mese per numero. Sesame Preview: nessun prezzo pubblicato e nessun livello di piano pubblicato; l'app è gratuita da scaricare.

• Lingue — Live 3: solo inglese al lancio, per usare le parole di Fish Audio stesso, anche se la piattaforma che lo circonda pubblicizza voci in oltre 30 lingue. Sesame Preview: incentrato sull'inglese, addestrato principalmente su dati in inglese secondo le note di ricerca del laboratorio stesso.

• Indipendenza — Live 3: nessun benchmark pubblicato di alcun tipo al 11 novembre 2026 e nessuna riga nella board speech-to-speech di Artificial Analysis. Sesame Preview: nessun punteggio indipendente neanche per la voce dell'app, ma una classifica pubblica di turn-taking che l'azienda ha contribuito a costruire e pubblica.

• Apertura — Live 3: niente pesi, niente licenza, niente repository. Sesame: un checkpoint aperto, CSM-1B, Apache-2.0 su Hugging Face da marzo 2025 — che non è la voce nell'app.

• Interface — Live 3: lo integri. Sesame Preview: ci parli.

Il problema di vocabolario che entrambe le aziende condividono

Nessuno dei due prodotti pubblica abbastanza da permetterti di confrontare ciò che ti interessa davvero, ed entrambi usano la stessa parola per indicarlo. Fish Audio lo chiama ritmo della conversazione e descrive un numero di telefono letto a blocchi — «415… 555… 0132» — dove un agente convenzionale sente tre distinte conclusioni di turno. Il marketing di Sesame chiama presence lo stesso comportamento, e le sue note di rilascio di ottobre 2026 affermano che l'azienda ha aggiornato il suo Conversational Speech Model per migliorare espressività e pronuncia, con meno servilismo e meno frasi ripetute. Entrambe le dichiarazioni sono non falsificabili così come sono scritte. Nessuno dei due fornisce un numero.

La differenza è che Sesame ha rilasciato il righello. Se Fish Audio vuole un confronto nel merito, il development set di TurnBench è aperto e autovalutante; la classifica attende un'iscrizione.

Cosa può fare un builder con ciascuno e cosa non può fare

Qui è dove i due prodotti smettono del tutto di essere comparabili. Sesame Preview non è un componente. Non esiste alcun endpoint, alcuna API di sessione, alcun modo di mettere la sua voce dietro il proprio numero di telefono, e l'unico checkpoint Sesame che qualcuno fuori dall'app può caricare è CSM-1B, un modello da 1 miliardo di parametri di marzo 2025 che precede la voce dell'app attuale di un anno e mezzo di lavoro. Un team che desidera l'atmosfera conversazionale di Sesame in un prodotto non ha, oggi, alcuna strada per ottenerla che non implichi attendere.

Live 3 è il trade-off opposto. È chiuso nel modo che conta — nessun peso, nessun modo di ospitarlo da soli al di fuori di un contratto enterprise — ma è aperto nel modo che ti consente di rilasciare: un agent builder, un'API documentata, telefonia e una tariffa al minuto. Il livello di ragionamento è una parte separata e sostituibile; l'agente può puntare a un endpoint compatibile OpenAI per il pensiero mentre la voce resta di Fish Audio. È questa struttura che lo rende distribuibile da un piccolo team in un martedì qualsiasi.

Per la parte dedicata al ragionamento nello specifico, OrcaRouter offre oltre 200 modelli dietro un'unica chiave al prezzo di listino del provider, senza alcun ricarico, con failover automatico quando un backend genera un errore a metà chiamata e un DSL di routing per stabilire quale modello gestisca quale tipo di turno. Fish Audio Live 3 non è uno di questi modelli: non esiste un endpoint di terze parti per un modello vocale duplex chiuso, e qui non c'è nulla da instradare. Il compito del router in questo stack inizia dove finisce la voce.

Quale guardare, e per cosa

Tre segnali risolverebbero questo confronto, e nessuno di essi è un comunicato stampa. Una voce di Live 3 su TurnBench o una riga nella classifica speech-to-speech di Artificial Analysis trasformerebbe l'argomentazione comportamentale di Fish Audio in un punteggio con un numero accanto. Un'API per sviluppatori di Sesame — l'azienda ha detto che arriveranno strumenti per sviluppatori, senza una data — trasformerebbe la voce dell'app in qualcosa che un prodotto potrebbe noleggiare. E un secondo checkpoint aperto di Sesame, più recente di CSM-1B, darebbe alla comunità open-weights ciò che il lancio di Live 3 palesemente non ha offerto.

Finché uno di quelli non arriva, la classifica onesta dipende interamente da cosa stai acquistando. Se vuoi la conversazione dal suono migliore disponibile oggi e sei disposto ad averla nell'app di qualcun altro, Sesame Preview è il prodotto più impressionante e quello più onesto su come dovrebbe essere giudicato. Se ti serve una voce in produzione questo trimestre, Sesame non è un candidato e il confronto si riduce a un'unica domanda su Live 3: se un minuto promozionale da $0.035 e una soglia di acknowledgement di 186 millisecondi siano prove sufficienti per puntare una linea telefonica. Per la maggior parte dei team la risposta è sì per un progetto pilota e non ancora per un payroll — e il benchmark che cambierebbe quella risposta esiste già, con una riga lasciata in bianco.