Gemini 3.8 Live vs Sesame Preview: La voce che puoi ammirare vs quella che puoi chiamare

L'agente vocale di Sesame ottiene 4,5 su 5 in "sembrava umano". Quello di Gemini 3.8 Live ottiene 4,0. Quello di Sesame completa anche il 71% dei flussi di prenotazione, mentre quello di Gemini 3.8 Live ne completa il 78%, e quello di Sesame commette errori di chiamata di funzione all'incirca al doppio del tasso. Se stai scegliendo uno stack vocale per un'azienda che prenota appuntamenti, il modello che suona meglio perde — e perde per ragioni che non hanno nulla a che fare con quanto bene suoni.

Quei dati provengono da un confronto diretto condotto da terzi su 1.500 chiamate con clienti per modello, basato su script di prenotazione, e comportano due avvertenze importanti. Non sono nostri e non sono stati replicati in modo indipendente, e il lato Gemini ha utilizzato la generazione Gemini Live di inizio 2026, non il modello di cui tratta questo articolo. Gemini 3.8 Live è il rilascio speech-to-speech di Google del 15 settembre 2026, ora disponibile sulla Live API. Sesame Preview è l'assistente vocale per consumatori di Sesame, gratuito su iOS da maggio 2026 e disponibile in generale su Android dall'inizio di agosto 2026, costruito attorno a quattro agenti con un nome — Maya, Miles, Simone, Charlie — e ampiamente descritto come l'assistente vocale dal suono più umano con cui chiunque abbia mai parlato.

Il confronto non è davvero modello contro modello. È un prodotto che puoi mettere in produzione contro un'esperienza che puoi solo visitare.

La forma di ogni cosa

Gemini 3.8 Live è una superficie per sviluppatori. Viene distribuito come gemini-3.8-live e gemini-3.8-live-extended-thinking sull'API Live, con un prezzo di $0,005 al minuto per l'audio in ingresso e $0,018 al minuto in uscita, con testo a $0,75 e $4,50 per milione di token e input di immagini o video a $1,00 per milione. Gestisce 97 lingue con cambio di lingua a metà conversazione, elabora input visivi in tempo quasi reale, esegue chiamate a strumenti e API in background mentre la conversazione continua, e applica un watermark a ogni secondo dell'audio generato con SynthID. La variante Extended Thinking ragiona e parla allo stesso tempo, narrando i progressi in modo che la linea non rimanga silenziosa durante un compito lungo. La posizione riportata dal fornitore Google è seconda nella Speech Agent Arena, con il primo posto nell'indice Speech to Speech Quality Index di Artificial Analysis a 82,6 per la famiglia. I numeri di Google, questa settimana, non riprodotti.

Sesame Preview è un'app consumer. È disponibile solo in inglese. Ha un limite di 30 minuti per chiamata, che scende a cinque minuti quando non hai effettuato l'accesso. I suoi agenti mantengono il contesto tra le sessioni, cercano sul web e impostano promemoria — ma non prenotano, non acquistano e non presentano alcun documento. Non esiste un livello enterprise né un listino pubblico.

Entrambi sono sistemi conversazionali full-duplex con un'alternanza dei turni abbastanza buona che le persone smettono di notarla. È qui che finisce la somiglianza.

Ciò che l'unico confronto diretto che abbiamo mostra effettivamente

Il confronto di CallSphere ha eseguito script di flusso di prenotazione in volumi elevati e ha riportato quattro numeri per modello. Al completamento, Gemini Live ha portato a termine il 78% delle prenotazioni contro il 71% di Sesame Maya. Sugli errori di chiamata di funzione, Gemini Live si è attestato al 3,3% contro il 6,7% di Maya. Sulla latenza p95, Maya è stata più veloce — 480 ms contro 640 ms. E sulla misura soggettiva, "suonava umano" valutata da 1 a 5, Maya ha ottenuto 4,5 contro il 4,0 di Gemini Live.

Leggile insieme e appare un pattern che nessuna singola riga mostra. Sesame vince le due righe che nota un essere umano e perde le due righe che nota un'azienda. La naturalezza e la latenza sono ciò che percepisce chi chiama; il tasso di completamento e il tasso di errore sono ciò che emerge nella riconciliazione. Una voce che suona come una persona ma perde una chiamata su quindici in un flusso di prenotazione non è un agente vocale migliore — è una demo migliore.

Due avvertenze oneste. Il confronto è il blog di un fornitore, non una valutazione peer-reviewed, e 1.500 chiamate per modello su un unico tipo di script è una fetta ristretta. E i dati di Gemini descrivono la generazione di Gemini Live in distribuzione all'inizio del 2026, che è indietro di almeno un modello intero rispetto a 3.8 Live. Applicare quei numeri a Gemini 3.8 Live sarebbe una congettura. Nessuno ha pubblicato un confronto testa a testa che coinvolga il modello 3.8.

La parte che quasi ogni articolo sbaglia

Ogni articolo che elogia la voce di Sesame sta elogiando l'app, e la voce dell'app è un modello di produzione più grande e chiuso che Sesame non ha mai rilasciato come API. Non c'è modo di acquistarlo, ottenerne una licenza o invocarlo. Se hai letto che il tempismo conversazionale di Sesame è il migliore sul mercato e hai concluso che puoi averlo, la conclusione non discende dalle prove.

Ciò che Sesame ha effettivamente reso open source è CSM-1B — la variante da 1B del modello di parlato conversazionale, rilasciata con licenza Apache-2.0 nella famiglia Moshi. È un blocco di sintesi, non un assistente: un backbone Llama predice il primo codebook Mimi e un decoder Llama più piccolo predice i restanti, che un codec Mimi trasforma in una forma d'onda a 24 kHz. È solo in inglese, clona una voce da una clip di riferimento pulita di 10-15 secondi e non è in grado di generare testo — lo si abbina a un modello linguistico separato. Chi li ha provati entrambi descrive la voce di CSM-1B come decisamente più debole di quella dell'app Preview. È disponibile in hosting a 7 $ per milione di caratteri da un unico fornitore terzo, circa 0,35 $ l'ora di audio, oppure gratis se lo si ospita autonomamente.

La scheda del modello dice ad alta voce la parte che di solito si tace: una variante fine-tuned di CSM alimenta la demo vocale interattiva, che non è il checkpoint che puoi scaricare. Quindi la versione onesta di «Sesame vs Gemini» è questa: Sesame ha una bellissima voce chiusa a cui non puoi accedere, e un piccolo blocco di sintesi aperto a cui invece puoi, e non sono la stessa cosa. Google ha un solo modello che puoi chiamare ed è quello che pubblicizzano. Questa asimmetria vale più per chi sviluppa di qualsiasi punteggio di naturalezza.

Confronto specifiche

• Cosa ottieni — Gemini 3.8 Live, un'API richiamabile oggi, contro Sesame Preview, un'app consumer gratuita senza API per la sua voce di produzione

• Voce di produzione concedibile in licenza — Gemini 3.8 Live sì, pagamento al minuto vs Sesame Preview no, mai rilasciato

• Artefatto aperto — Gemini 3.8 Live nessuno, chiuso vs Sesame Preview CSM-1B, Apache-2.0, un modello diverso e più debole

• Lingue — Gemini 3.8 Live 97 vs Sesame Preview solo in inglese

• Chiamata di strumenti — Gemini 3.8 Live effettua chiamate a strumenti e API in background durante la conversazione, mentre gli agenti di Sesame Preview ricordano il contesto e cercano sul web, ma non eseguono attività

• Limite di sessione — Gemini 3.8 Live non pubblicato da Google vs Sesame Preview 30 minuti, 5 quando si è disconnessi

• Naturalezza — Gemini 3.8 Live non misurata su questo asse rispetto a Sesame Preview, valutata ai massimi livelli della categoria in base alle impressioni d'ascolto, senza alcun benchmark indipendente per nessuna delle due

Latenza — Gemini 3.8 Live non pubblicata rispetto a Sesame Preview 250–450 ms end-to-end per Maya, primo byte in streaming sotto i 300 ms, secondo misurazioni di terze parti

• Percorso Enterprise — anteprima privata di Gemini 3.8 Live in Gemini Enterprise, prossimamente su Customer Experience vs Sesame Preview nessuno

• Direzione dichiarata — integrazioni di Gemini 3.8 Live Live API con Agora, LiveKit, Pipecat, Fishjam e altri rispetto a partnership di ricerca Sesame Preview e hardware per occhiali previsto per il 2027

La riga della naturalezza è quella su cui la gente litiga, e nota cosa dice: nessuno dei due modelli ha un benchmark indipendente su quanto suoni umano. Quello che esiste è l'app di Sesame lodata dagli ascoltatori e Google che si piazza secondo in un'arena. Non sono la stessa misurazione, e l'arena almeno ha una metodologia.

Quanto costa operativamente la naturalezza

L'errore è considerare la naturalezza come una funzionalità da aggiungere. È uno scambio che si fa, e di solito lo scambio va a scapito dell'affidabilità dello strumento — perché i comportamenti che fanno sembrare umana una voce, le esitazioni, le sovrapposizioni, la disponibilità a cedere a metà frase, sono prodotti da un modello che spende capacità sulla prosodia e sull'alternanza dei turni invece che sulla grammatica rigorosa di una chiamata di funzione. Questo è il meccanismo dietro il tasso di errore del 6,7% rispetto al 3,3%, in modo molto più plausibile di qualsiasi affermazione sul fatto che un laboratorio sia più abile nell'ingegneria.

Ha anche un costo infrastrutturale che nessuno mette in budget. Una voce che suona umana alza le aspettative, e un chiamante che crede di parlare con una persona non tollera due volte di seguito "Non ho capito". Il limite di 30 minuti di Sesame stesso è un tacito riconoscimento che questa classe di modelli è costosa da eseguire in modo continuo — un limite che Google non pubblica per 3.8 Live, il che non equivale a dire che non esista.

Quale appartiene al tuo stack?

Scegli Gemini 3.8 Live quando la voce è un mezzo per raggiungere uno scopo: pianificazione, triage, assistenza, qualsiasi cosa in cui chi chiama vuole un risultato. Oggi ottieni un'API, tariffe pubblicate, un ciclo di strumenti che gira in background, 97 lingue e un percorso enterprise se ti serve.

Scegli Sesame Preview quando stai studiando come dovrebbe sentirsi la qualità conversazionale, o quando stai costruendo un'esperienza per consumatori in cui la chiamata stessa è il prodotto. È gratuito, è davvero la cosa dal suono migliore disponibile ed è un ottimo posto per calibrare il tuo gusto. Non pianificare un'integrazione di produzione basata su di esso, perché non c'è nulla con cui integrarsi.

La maggior parte dei team seri finisce con un ibrido, e l'ibrido è il punto in cui il routing smette di essere opzionale. Metti un modello dall'aspetto naturale sui turni di apertura e di riconoscimento, dove latenza e calore si fanno sentire, e metti un modello affidabile per gli strumenti sui turni di transazione, dove un errore è una prenotazione persa. OrcaRouter è costruito per quella forma di stack — la fusione di modelli consente a un pannello di modelli di rispondere insieme quando il giudizio di un singolo modello non è sufficientemente buono, il DSL di routing ne compone diversi in una sola chiamata, e il failover sposta il traffico da un modello che inizia a comportarsi male senza un nuovo deploy. Dove un fornitore pubblica una tariffa, passiamo il prezzo di listino del provider senza alcun ricarico, così un taglio di prezzo arriva sulla tua fattura lo stesso giorno.

Cosa tenere d'occhio: un'API per la voce di produzione di Sesame, o un benchmark che misura la naturalezza come l'arena misura la qualità. Ognuno di questi trasformerebbe questa da una scelta tra accesso ed esperienza in un confronto reale. Fino ad allora, uno di questi modelli lo puoi chiamare e l'altro puoi solo ammirarlo, e questo risolve la questione più in fretta di qualsiasi punteggio.

La maggior parte dei team seri finisce per adottare una soluzione ibrida, ed è nell'ibrido che il routing smette di essere opzionale. Metti un modello dal suono naturale nei turni di apertura e di conferma, dove latenza e calore si fanno sentire, e metti un modello affidabile per gli strumenti nei turni di transazione, dove un errore significa una prenotazione persa. OrcaRouter è costruito per questo tipo di stack - la fusione di modelli consente a un panel di modelli di rispondere insieme quando il giudizio di un singolo modello non è sufficiente, il DSL di routing ne compone diversi in un'unica chiamata, e il failover sposta il traffico da un modello che inizia a comportarsi male senza un redeploy.