Grok Voice 3.0 vs Sesame Preview: La voce che vince ogni test di ascolto è quella senza API

Chiedi a una stanza piena di persone quale di questi suona più come una persona e otterrai una sola risposta. Sesame Preview è l'assistente vocale gratuito di Sesame — quattro agenti di nome Maya, Miles, Simone e Charlie, su iOS da maggio 2026 e in generale su Android dall'inizio di agosto — e ha prodotto i clip virali che hanno reso "best-in-class voice mode" una frase che i recensori continuano a usare. G​rok Voice 3.0, annunciato da S​paceXAI il 14 ottobre 2026, è il modello speech-to-speech con il punteggio più alto nella classifica pubblica, 86,9, richiamabile tramite un endpoint realtime documentato a 0,08 $ al minuto. Questi due fatti non si contraddicono, e il divario tra loro è l'intero confronto: uno di questi è una voce che le persone giudicano con le orecchie, e l'altro è una voce che una parte esterna può misurare.

La seconda metà di quel divario è l'accesso. Sesame Preview non ha API, né un identificatore di modello, né un listino prezzi, e nessun piano dichiarato in merito; inoltre la voce di produzione nell'app è un modello chiuso più grande che il laboratorio non ha mai rilasciato. G​rok Voice 3.0 è un componente che noleggi al minuto. Se scegli a orecchio, vuoi Sesame. Se scegli in base alla possibilità di rilasciare qualcosa, la decisione è già stata presa per te.

Che cos'è ciascuno, ufficialmente

Al netto del marketing, i due prodotti non sono nemmeno lo stesso tipo di cosa.

• Che cos'è — G​rok Voice 3.0 è un modello speech-to-speech dietro il WebSocket in tempo reale di S​aceXAI, con strumenti con ambito di sessione e trascrizioni restituite; Sesame Preview è un'app consumer con quattro agenti conversazionali, memoria per agente che si sincronizza tra web e mobile, ricerca web in tempo reale durante una chiamata e un riepilogo inviato in seguito.

• Prezzo — $0,08 al minuto di audio più $0,004 per input di testo, circa $4,80 all'ora, per G​rok Voice 3.0; gratuito per l'utente senza pubblicità e senza alcun livello a pagamento dichiarato per Sesame Preview.

• Accesso sviluppatori — un endpoint documentato, token effimeri per connessioni lato client e un endpoint per voci personalizzate che addestra una voce da una clip di riferimento fino a 120 secondi per G​rok Voice 3.0; proprio nulla per Sesame Preview.

• Pesi — chiusi da entrambe le parti, con un'eccezione: Sesame ha pubblicato CSM-1B, un checkpoint Apache-2.0 che non è la voce presente nell'app.

• Punteggio indipendente — 86,9 sull'Artificial Analysis Speech to Speech Index con cinque componenti leggibili per G​rok Voice 3.0; nessuno per la voce Sesame Preview, e nessuno pubblicato da Sesame.

• Limiti — G​rok Voice 3.0 non ha un limite di sessione dichiarato, e la sua generazione precedente era pubblicizzata sul tasso di errore di parola in 24 lingue; Sesame Preview è solo in inglese, con un limite di chiamata di 30 minuti che scende a cinque minuti quando non si è connessi, e nessuna esecuzione di attività — gli agenti parlano, non prenotano, acquistano o archiviano nulla.

Quell'ultimo punto è quello che mette fine alla maggior parte delle valutazioni. Un prodotto vocale che non può essere chiamato non è un componente; è un concorrente.

Il checkpoint aperto, e ciò che non è

Sesame è stata insolitamente diretta riguardo al divario tra la sua demo e il suo download, ed è il fatto più importante in assoluto per chiunque stia soppesando i due.

CSM-1B è un modello vocale conversazionale da 1B rilasciato con licenza Apache 2.0 il 23 aprile 2026: una backbone con architettura Llama che alimenta un decoder separato e il codec Mimi di Kyutai, producendo parlato inglese mono a 24 kHz da un contesto di circa 4.000 token. È un modello base di generazione vocale. Secondo la valutazione di chi li ha eseguiti entrambi, è una voce decisamente più debole di quella nell'app, e la documentazione di Sesame stessa è esplicita sul fatto che non è un sistema end-to-end da parlato a parlato e non può generare testo.

Quindi il download è un ramo di ricerca, non il prodotto. Chi è andato a cercare la voce della demo ha trovato il modello più piccolo uscito dallo stesso laboratorio, e ciò che risponde quando uno dei quattro agenti prende la chiamata è un modello di produzione che non è mai stato rilasciato. È ospitato da provider di inferenza di terze parti a circa 7 $ per milione di caratteri — all'incirca 0,35 $ l'ora di audio sintetizzato — oppure è gratuito sul proprio hardware, e nessuno ne ha pubblicato un benchmark indipendente.

Per dare un'idea della scala, quei 0,35 $ all'ora sono l'audio più economico di questo confronto, di un fattore tredici, ed è anche la voce meno utile, perché un checkpoint da 1B che non riesce a sostenere una conversazione duplex non compete sul prezzo con G​rok Voice 3.0. Compete con qualunque strumento di narrazione tu stessi già usando.

Perché il test dell'orecchio e l'indice non concordano, e quale dei due è sbagliato

Non sono in conflitto. Rispondono a domande diverse, e solo a una di esse si può rispondere in pubblico.

La reputazione di Sesame Preview si basa su come suona una voce per chi ascolta: il respiro, l'esitazione, il tempismo di un'interruzione, l'impressione che ci sia una persona in linea. È una prova reale, in un certo senso — la demo ha convinto centinaia di migliaia di persone e recensori che non avevano alcun incentivo a essere generosi — ed è del tutto non quantificata. Non esiste alcuna voce in un'arena, nessuna valutazione pubblicata della voce di produzione e nessun conteggio dei campioni. Ogni affermazione sulla qualità, in un senso o nell'altro, è un'impressione d'ascolto.

L'86,9 di Grok Voice 3.0 è il tipo opposto di prova. Si scompone in un ragionamento vocale vicino al limite massimo, 97,0% su Full Duplex Bench, 71,6% su τ-Voice, un Elo nell'arena di 1070 e il 94,8% di successo nei task, ciascuno misurato nell'ambito di un harness pubblicato che un team esterno può leggere, di cui può controllare i calcoli e con cui può dissentire. Un indice composito è una scelta di ponderazione, e la componente dell'arena è congelata al momento in cui un modello diventa idoneo anziché seguire l'Elo in tempo reale — ma il dissenso è accessibile a chiunque, ed è ciò che lo rende una misurazione anziché un'affermazione.

Ciò che la classifica non misura è se ti piace parlarci. E c'è un numero specifico nel rilascio che cade proprio su quell'asse: Grok Voice 3.0 inizia a parlare in 0,81 secondi, mentre il modello che manda in pensione partiva in 0,70. Il modello di punta è 0,11 secondi più lento al via rispetto al suo stesso predecessore, che è esattamente il tipo di dettaglio che un ascoltatore nota prima che lo faccia un benchmark.

Cosa ti dice il design a quattro agenti

Le quattro personalità di Sesame non sono un dettaglio di marketing; sono una decisione architetturale, ed è l'opposto di quella presa da S​paceXAI.

Maya, Miles, Simone e Charlie sono voci fisse con temperamenti fissi, e la memoria è circoscritta per singolo agente. Questo è un prodotto costruito sull'assunto che la voce sia il risultato finale e la personalità sia la funzionalità. Non esiste alcuna personalizzazione della voce, né clonazione, né un percorso dall'app per consumatori a un'API — il piano gratuito è il prodotto, e la direzione dichiarata dell'azienda punta a partnership di ricerca e a un dispositivo hardware pianificato, piuttosto che a una piattaforma per sviluppatori.

G​rok Voice 3.0 va nella direzione opposta. Include il set di voci integrato di S​paceXAI e un endpoint separato per voci personalizzate addestra una voce da una clip di riferimento fino a 120 secondi, con il voice_id risultante che funziona sia nell'API in tempo reale sia nella sintesi vocale in streaming. La sua sessione accetta strumenti, quindi l'agente può chiamare il tuo backend a metà conversazione invece di limitarsi a parlarne.

Quale sia migliore dipende dal fatto che tu stia vendendo un'esperienza o costruendone una. Un prodotto vocale che mette sul mercato quattro eccellenti personalità fisse ha risolto branding e integrazione con un'unica decisione. Un prodotto vocale con un endpoint di clonazione ti ha consegnato una superficie di conformità e un flusso di lavoro di localizzazione con un'unica decisione. Nessuno dei due è un errore, e puntano a clienti diversi.

Dove arriva effettivamente la questione del routing

OrcaRouter non serve nessuno di questi due livelli vocali. G​rok Voice 3.0 vive dietro il WebSocket in tempo reale di proprietà di S​paceXAI e nulla può interporsi in una sessione audio duplex di proprietà di un unico fornitore; Sesame Preview non ha proprio alcun endpoint verso cui instradare. Dire il contrario significherebbe descrivere una capacità che non esiste, e questa categoria è piena di piattaforme che fanno esattamente questo.

Ciò che è instradabile è lo strato da cui entrambi i prodotti dipendono in silenzio. Gli agenti di Sesame cercano sul web durante la conversazione e inviano un riepilogo in seguito; l'array di strumenti di G​rok Voice 3.0 raggiunge qualunque backend gli risponda, e qualsiasi cosa più pesante di una chiamata inline diventa una richiesta a un modello testuale dietro la conversazione. Quel lavoro è misurato per richiesta, è il punto in cui si accumula una fetta significativa del costo per chiamata, ed è la metà di un prodotto vocale che puoi tenere costante mentre il modello audio sotto di essa cambia — il che, dato che grok-voice-latest/ si è ora spostato due volte in un trimestre, è una proprietà che vale la pena avere. Duecentosette modelli da oltre una dozzina di upstream dietro una sola chiave, al prezzo di listino del provider senza alcun ricarico, con failover automatico quando un provider peggiora, un DSL di routing per comporre più modelli in un'unica chiamata e la fusione di modelli là dove il giudizio di un solo modello non basta. Poiché nulla viene ricaricato, un taglio di prezzo del fornitore su uno di quei modelli è attivo qui lo stesso giorno.

La raccomandazione, suddivisa a seconda di chi sei

Se sei un consumatore che vuole la voce conversazionale dal suono migliore disponibile oggi e non ha intenzione di integrare nulla, Sesame Preview è gratis, è disponibile su entrambe le piattaforme mobili, la sua reputazione è sufficientemente meritata che i recensori continuano a confermarla, e nulla in questo articolo cambia ciò. Usalo e goditelo.

Se stai costruendo, la decisione è già presa e il ragionamento merita di essere interiorizzato. Non puoi chiamare Sesame Preview, non puoi fissarne la voce e non puoi confrontarlo con nulla — quindi ogni conversazione di procurement al riguardo finisce nello stesso punto, ovvero un test di ascolto tra due opzioni che nessuna delle parti può valutare. G​rok Voice 3.0 ti offre un listino prezzi, una stringa di modello versionata, una trascrizione, un endpoint di clonazione e un punteggio di classifica che puoi contestare. La prima cosa da fare è fissare la tua versione, perché l'alias è già stato spostato su di essa senza chiedere.

E se sei un ricercatore che vuole il fallimento interessante: il riassunto onesto di questo abbinamento è che la categoria ha dimostrato di saper creare una voce che merita di essere ascoltata e non ha ancora deciso se quella voce debba essere acquistabile in qualunque forma diversa da un'app. Sesame ha costruito l'esperienza migliore e l'ha tenuta chiusa. SpaceXAI ha costruito il componente migliore e ha pubblicato il numero. Tieni d'occhio la versione di Sesame che ha un'API — è la release che renderebbe obsoleta questa pagina.

Quel divario tra ciò che misura un tabellone e ciò che un deployment incontra è il motivo per cui il registro conta: i fallimenti documentati dell'IA e gli incidenti degli agenti relativi ai modelli di questa classe sono raccolti in the OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, il livello di gravità, il grado di affidabilità e il flag di contestazione.