Phonic 1 vs Sesame Preview: il problema del silenzio in onda, risolto in due modi opposti

Phonic 1 e Sesame Preview sono entrambi venduti come modelli di parlato conversazionale, e non puntano allo stesso obiettivo. Phonic 1 — il fornitore lo scrive Phonic-1 — è un endpoint speech-to-speech a 0,07 dollari al minuto, diventato disponibile commercialmente il 29 ottobre 2026 e balzato direttamente al primo posto nello Speech to Speech Index di Artificial Analysis con 87,1. Sesame Preview è l'app gratuita companion dietro le voci Maya, Miles, Simone e Charlie: nessuna API pubblica, nessun listino prezzi, nessuna riga in alcuna classifica indipendente, e un piano dichiarato di venderti degli occhiali nel 2027. Metti i due nomi in una sola frase e la prima cosa che salta fuori è che solo uno dei due può essere acquistato.

La seconda cosa che emerge è più interessante. Entrambi i prodotti sono, sotto il marketing, risposte alla stessa piccola umiliazione: il mezzo secondo di silenzio mentre la macchina decide cosa dire. Phonic la affronta facendo il lavoro prima che chi chiama abbia finito. Sesame la affronta migliorando nella capacità di capire quando chi chiama ha finito. Sono scommesse ingegneristiche davvero diverse, vengono misurate con strumenti che non si sovrappongono, e la scelta tra esse dipende da quale scommessa dipende il tuo prodotto — non da una tabella di benchmark.

Che cosa sia in realtà ciascuno, prima che il confronto diventi scivoloso

Phonic 1 è un modello vocale end-to-end, audio in ingresso e audio in uscita, senza alcuna cascata trascrivi-poi-pensa-poi-parla nel mezzo. È stato rilasciato con SDK per TypeScript e Python, una CLI e un agent builder no-code, 51 lingue documentate con cambio a metà conversazione che preserva l'identità del parlante, un'impostazione documentata intelligence_level che per impostazione predefinita è standard e può essere portata a high, e condizioni enterprise che includono SOC 2 Type II, un BAA HIPAA, conservazione dei dati pari a zero e un SLA di uptime del 99,9%. Viene venduto al minuto in tre livelli, e l'azienda dietro di esso è composta da circa dieci persone provenienti da MIT e Stanford che hanno raccolto un Series A da 27,5 milioni di dollari guidato da First Round.

Sesame Preview non è un modello che si noleggia. È un prodotto consumer — un'app per iOS e web, gratuita, distribuita in 39 paesi dalla fine di maggio 2026, con quattro agenti denominati dotati di memoria persistente, ricerca web parallela che si attiva nel corso della frase, presa di appunti, una modalità messaggistica e una modalità incognito. L'obiettivo dichiarato di Sesame per questo prodotto è un primo audio sotto i 300 ms, e l'azienda ha ammesso pubblicamente che il modello è ancora «troppo impaziente e spesso inappropriato» nel tono e nel ritmo. Non esiste un livello enterprise né alcun modo per ottenere in licenza la voce di produzione.

L'unica cosa che porta davvero il nome Sesame in una build è Sesame CSM-1B, pubblicato con licenza Apache 2.0 il 13 marzo 2025. È un modello vocale conversazionale di base, pensato innanzitutto per l'inglese, costruito per generare token audio Mimi condizionati dai turni precedenti. Non è la voce dell'app: i personaggi Preview derivano da un fine-tuning curato e da un cast vocale che non sono mai stati rilasciati. I recensori che hanno provato entrambi descrivono il checkpoint aperto come udibilmente più debole dell'app, il che rende "limitarsi a self-hostare il modello Sesame" un prodotto diverso, non una scorciatoia esente da licenza.

Due attacchi nello stesso mezzo secondo

L'affermazione di lancio di Phonic è la cosa più concreta in questa categoria: afferma che Phonic-1 è l'unico modello in grado di agire mentre il chiamante sta ancora parlando. Nella dimostrazione pubblicata dall'azienda, il modello ha effettuato tutte e cinque le chiamate agli strumenti a metà frase e ha risposto 1,1 secondi dopo che il chiamante aveva smesso di parlare; sullo stesso script colloca GPT-Live-1 a 15,7 secondi. Interpretatelo come una dimostrazione di un design, non come un benchmark: è un compito selezionato dal fornitore su uno script scelto dal fornitore. Ma il design è il punto. Se la ricerca è già completata nel momento in cui il turno termina, il modello non deve mai essere brillante nel prevedere la fine del turno; deve solo evitare di intralciare.

Sesame ha preso la direzione opposta e ha trasformato la previsione stessa in un programma di ricerca. Nell'agosto 2026 ha pubblicato TurnBench, un benchmark aperto per le dinamiche di turn-taking: 30 ore di dialogo a doppio canale registrato in studio, 154 conversazioni, 106 attori vocali in sei registri, annotato tre volte con un kappa di Fleiss di 0,78, valutato sul recall a un tasso di falsi positivi limitato, con latenza con segno alla mediana. Il risultato principale è quello da ricordare: chi parla inizia un passaggio di turno con una mediana di 151 ms prima che l'altra persona smetta di parlare, e nessun sistema del settore lo eguaglia entro il budget di falsi positivi. I rilevatori semantici sono selettivi e lenti; i rilevatori acustici sono veloci e rumorosi. Nessun rilevatore è entrambe le cose.

Quello è il bivio, detto chiaramente. Sesame sta cercando di colmare il divario tra i 151 ms di anticipazione umana e i 368 ms fino a 1.234 ms che i migliori rilevatori riescono a raggiungere. Phonic sta cercando di rendere il divario irrilevante eliminando il lavoro che lo riempie. Entrambe sono legittime. Solo una delle due è oggi disponibile per te come endpoint, e non è quella che ha pubblicato il benchmark.

Il board che assegna un punteggio a uno di essi — e quello da cui resta fuori

L'Speech to Speech Index di Artificial Analysis è l'unico indice composito indipendente nel settore, e Phonic 1 ne detiene la vetta al momento in cui scriviamo. Le righe che contano:

• Phonic 1 (High) — indice 87,1, primo; tempo al primo audio 0,61 s; 4,20 $ per ora di audio in ingresso.

• Grok Voice 3.0 — 86,9; 0,81 s; 4,80 $ all'ora.

• GPT-Live-1 (Astra, media) — 83,2; 1,34 s; 5,83 $ all'ora.

• Gemini 3.8 Live Extended Thinking (High) — 82,6; 1,35 s; 3,50 $ all'ora.

• Eleven Realtime v1 Max — 77,3; 0,57 s; 4,80 $ all'ora.

Si noti l'ultima riga. Eleven Realtime v1 Max è più veloce di Phonic 1 a raggiungere il primo audio — 0,57 s contro 0,61 s — e si colloca 9,8 punti indice più in basso. Il tempo per il primo audio non è la gara che Phonic ha vinto; ha vinto il composito, che pesa anche ragionamento vocale, comportamento nelle attività agentiche, preferenza umana e successo del compito. Chiunque citi "il più veloce" da una singola colonna sta citando la colonna sbagliata.

Ora l'asimmetria. Su quella classifica non esiste una riga per Sesame Preview, e non c'è modo che ne compaia una: l'indice sottopone i modelli a un harness API, e Sesame Preview non ha un'API. Nemmeno gli strumenti di Sesame colmano il vuoto. TurnBench è pubblicato da Sesame e, al momento in cui scriviamo, non contiene alcuna voce Sesame: la tabella elenca modelli di proiezione dell'attività vocale, ESPnet, il VAD semantico di Kyutai, Gemini 3.1 Live, OpenAI Realtime e Moshi, ma non la voce di produzione dell'azienda stessa. Non è uno scandalo; la paternità di un benchmark e la sua sottomissione sono atti diversi, e un'app complementare non ha un endpoint stabile a cui indirizzare un valutatore. Ma significa che i due numeri principali di questo confronto — 87,1 da un lato, meno di 300 ms dall'altro — non sono lo stesso tipo di affermazione. Uno è stato misurato da una terza parte su un harness. L'altro è un obiettivo dichiarato dal fornitore riguardo a un prodotto che nessuno fuori dall'azienda ha strumentato.

La colonna in cui Phonic 1 perde, secondo le prove fornite da Phonic stessa

Se il motivo per cui stai guardando Sesame Preview è che suona come una persona, questo confronto ha una risposta scomoda, e proviene dal materiale stampa di Phonic stesso piuttosto che da un critico.

Phonic ha commissionato a Podonos, un servizio di test di ascolto di terze parti, test di ascolto in cieco a coppie, e ha riportato i risultati nel suo post di lancio. Phonic-1 è stato preferito a GPT-Live-1 con il 61,5% contro il 32,0%, a Grok Voice 3 con il 66,5% contro il 26,5% e a Eleven v4 Turbo con il 78,0% contro il 14,0%. Il titolo con cui l'azienda ha scelto di aprire è quello in cui ha perso: gli attori vocali umani sono stati preferiti a Phonic-1 con il 57,0% contro il 32,0%, che il post descrive come umani vincitori circa il 60% delle volte, con ancora ampi margini di miglioramento. Quelli sono numeri commissionati dal fornitore e riportati dal fornitore, e nessuno è stato replicato in modo indipendente — ma sono i numeri del fornitore, e dicono che Phonic 1 è la migliore voce sintetica nel suo insieme di confronto e non ancora una voce umana.

I dati indipendenti sulle preferenze indicano la stessa cosa. Sulla Speech Agent Arena che alimenta il composite, Phonic 1 si classifica ottavo su 30 per preferenza degli ascoltatori con Elo 1.012, mentre è quarto per successo sul task al 92,3%. Il modello che è in cima all'indice non è quello con cui gli ascoltatori vogliono parlare di più. È la stessa divisione che abbiamo visto in Grok Voice 3.0 dal lato opposto — xAI dominava l'arena e perdeva sul fronte agentico — ed è la ragione strutturale per cui un confronto diretto tra questi due non può essere risolto con un solo numero.

La reputazione di Sesame, intanto, si fonda esattamente su quella colonna e su nient'altro di più rigoroso. La demo di Maya and Miles è diventata virale a febbraio 2025 per respiri, esitazioni, autocorrezioni e risate, e la tesi che circolava era che gli ascoltatori non riuscivano a distinguere in modo affidabile le voci da quelle umane su brevi clip. Si tratta di un'impressione formata da un pubblico, non di un test con punteggio, e non è mai stata messa a confronto diretto con Phonic 1. Non esiste alcun esperimento pubblicato in cui un ascoltatore senta Sesame Preview e Phonic 1 uno dopo l'altro. Chiunque ti dica quale dei due suona meglio ti sta dicendo quale dei due ha ascoltato.

Quanto costa un minuto, e perché il minuto è l'unità sbagliata

Il listino prezzi è breve e sbilanciato:

• Phonic 1 — 0,07 $ al minuto su Starter senza minimo, 10 chiamate simultanee, 10 agenti e 3 postazioni; 0,065 $ al minuto su Pro a fronte di un minimo mensile di 200 $, circa 3.100 minuti, con 50 chiamate simultanee; personalizzato per enterprise. Le registrazioni prima del 30 novembre ricevono 250 $ di crediti, e i clienti che migrano da un cascade ricevono tre mesi gratis.

• Sesame Preview — $0. Non al minuto, non per postazione, non per agente. Gratis nell'app.

• Sesame CSM-1B — i pesi sono gratuiti, e il conto lo paghi in ore di GPU più il tempo di ingegneria per assemblare turn-taking, condizionamento del contesto e un modello linguistico attorno a un checkpoint che non è in grado di produrre testo da solo.

Fai il confronto produttivo e l'inquadramento per minuto crolla. Diecimila minuti al mese su Phonic 1 Starter costano 700 dollari, che è un errore di arrotondamento per un call centre e un vero budget per un progetto secondario. Sesame non addebita nulla perché Sesame non vende minuti — vende un'abitudine quotidiana in vista del lancio di occhiali nel 2027, e un'abitudine si monetizza per persona, per anno, sull'hardware, non al minuto di audio. Paragonare un tariffario a un'app gratuita equivale a paragonare un fornitore a un cartellone pubblicitario.

Il che lascia la versione onesta della domanda sui costi: quanto costa distribuire? Per Phonic 1 la risposta è un contratto, un websocket e dieci chiamate simultanee su Starter, a meno che non paghi Pro. Per Sesame Preview la risposta è che non esiste un numero, perché non esiste un'offerta. La cosa più vicina a un Sesame distribuibile è CSM-1B, e la cosa più vicina a un listino prezzi che CSM-1B abbia è una fattura per la GPU.

Tre acquirenti, tre risposte diverse

Stai spostando il volume di chiamate da una cascata e le chiamate devono completarsi. Phonic 1, e il caso è la colonna agentica anziché il composito. Le chiamate agli strumenti che si attivano prima che il chiamante smetta di parlare sono la differenza tra un agente che prenota l'appuntamento e uno che costringe il chiamante a ripetersi. Lo $0.07 è economico rispetto al costo di una chiamata di intake fallita, e il limite di concorrenza è l'elemento da dimensionare prima di impegnarsi.

Il tuo prodotto è come suona. Un compagno, un coach, un tutor, una voce di marca — qualsiasi cosa in cui il motivo per cui l'utente resta è la voce stessa. Sesame Preview è il punto di riferimento e Phonic 1 non è ancora la risposta: nel test cieco del fornitore stesso, gli esseri umani lo superano quasi due a uno. Ma il punto di riferimento non è acquistabile, quindi le opzioni pratiche sono un modello vocale con licenza con un punteggio di preferenza misurato, oppure CSM-1B e molta ingegneria propria.

Vuoi la separazione — voce in stile Sesame con un backend agentico. Questa è la combinazione verso cui puntano le roadmap di entrambe le aziende e che nessuna delle due vende. La versione realizzabile è CSM-1B o un altro modello vocale aperto per la voce, e un modello testuale convenzionale dietro di esso per il pensiero, collegati insieme da te. Quella fase testuale è ordinaria inferenza chat, ed è lo strato in cui un'unica API per oltre 200 modelli con markup 0% si applica davvero: una singola chiave per la parte di ragionamento, prezzo di listino del provider passato invariato, il DSL di routing per inviare chiacchiere di alternanza dei turni e ragionamento denso di policy a modelli diversi all'interno della stessa chiamata, e failover automatico affinché un intoppo del provider non ponga fine alla conversazione. Né Phonic 1 né Sesame Preview sono in quel catalogo — Phonic 1 perché è un endpoint di un singolo fornitore e Sesame Preview perché non c'è alcun endpoint da instradare — quindi questa è un'affermazione sulla metà dello stack che assembli tu, non un'asserzione su nessuno dei due modelli sopra.

Cosa cambierebbe questa risposta?

Tre cose, in ordine crescente di probabilità.

Phonic pubblica i valori dei test di ascolto per l'impostazione standard dell'intelligenza. Ogni punteggio in questo articolo, compresi il valore di 87,1 e il tempo di 0,61 s, è stato prodotto in modalità high. L'API usa per impostazione predefinita standard, documentato come modalità a latenza inferiore, e nessuno ha pubblicato cosa quella configurazione faccia alla qualità o al tempo fino al primo audio. Un'integrazione che non tocca mai l'impostazione sta eseguendo una variante non misurata.

Sesame apre un endpoint, oppure mette la propria voce di produzione sulla propria board di turn-taking. In entrambi i casi, questo trasformerebbe il confronto da un prodotto contro una reputazione a un confronto tra due cose misurabili. Nessuna delle due opzioni è nella roadmap descritta da Sesame, che prevede Android e poi gli occhiali nel 2027.

Qualcuno li esegue entrambi nella stessa stanza. Un singolo test cieco con le voci di produzione di Sesame Preview e Phonic 1 sugli stessi prompt risolverebbe la questione della naturalezza in un pomeriggio, e non può essere eseguito da chiunque non lavori presso Sesame, perché uno dei due sistemi non è raggiungibile da un esterno.

Finché non accade una di quelle cose, la lettura difendibile è questa: Phonic 1 è l’unico dei due che puoi implementare, guida l’unico benchmark composito indipendente che li valuta, vince sulla scommessa del lavoro svolto prima che il turno finisca, ed è misurabilmente non ancora una voce umana. Sesame Preview è la cosa che suona meglio e che non puoi avere, di un’azienda che al momento non si occupa di venderla. Non sono due opzioni dello stesso menu. Sono un fornitore e una demo, e prima smetti di confrontare le loro schede tecniche, prima potrai decidere quale dei due serviva davvero al tuo prodotto.