Fish Audio Live 3 対 Sesame Preview：ターン・テイキングへの2つの答え、そのうち1つは測定可能

Sesameは、Fish Audio Live 3が解決したと主張するまさにその問題のためにベンチマークを構築し、その後Fish Audioはそこに載っていないモデルをリリースした。これがこの比較の要約だ。Sesame Preview——同研究所のConversational Speech Model上で動作する4エージェントのコンシューマー製品——は、2026年8月にTurnBenchを公開した。30時間分の三者注釈付き二者間音声、公開リーダーボード、インタラクティブな会話ビューア、そして14システムの結果である。2026年11月10日に発表されたFish Audio Live 3は、会話のタイミングは無音閾値によって課されるのではなく音声モデル内部で学習されるべきだと主張し、3件のサンプル通話と186ミリ秒という数値を公開している。主張は同じ主張だ。証拠は同じ証拠ではない。

それ以外のすべては、両社がその主張を製品に落とし込んだ方法の違いから導き出される。Live 3は販売されている。Fish AudioのAgent Platformでは、2026年12月31日に終了するプロモーション中、1分あたり0.035ドルで利用でき、ドキュメント化されたAPIと、企業向けのオンプレミスオプションも用意されている。Sesame Previewは無償で提供されている。iOSとAndroidのアプリで4つの固定されたパーソナリティを利用でき、APIはなく、アプリ内の音声のモデル識別子もなく、トークン単位や分単位の課金も一切ない。一方は今週にもその上で構築できる。もう一方は聴くことしかできない。

存在するテスト、そしてLive 3がそこに含まれない理由

ターンテイキングは、モデルが登場する前に業界がその測定方法で合意していた珍しい能力であり、その大きな理由の一つがSesameだ。2026年8月28日に公開され、カーネギーメロン大学、Mundo AI、Otoと共同で構築されたTurnBenchは、電話エージェントを不自然に感じさせるまさにその出来事——発話権を奪うべきではない相槌、奪うべき割り込み、終わりではない間——にシステムがどう対応するかを評価する。リーダーボードは公開されており、開発用データセットはセルフサービスで利用でき、結果は14のシステムを対象としている。

Fish Audio Live 3はその中に含まれておらず、Fish Audioの他のどの双方向モデルも含まれていない。それはスキャンダルではない——11月にリリースされたモデルが8月のリーダーボードに載ることはできない——が、この比較で最も有用な事実はこれだ。なぜなら、各社がどの種類の主張をしているのかが分かるからだ。Sesameは自社製品を、自ら設計を手伝った公開テストに載せた。そこでは誰でもスコアを確認できる。Fish Audioは自社製品を販促用の料金表に載せた。そこでは誰でも価格を確認できる。

どちらも正当なローンチだ。しかし、そのうち片方だけが、マーケティングが話題にしている当のものを、部外者でも検証できるようにしている。

それぞれの側が実際に提供するもの

• 概要 — Fish Audio Live 3 は、エージェントプラットフォームを支える全二重音声モデルです。Sesame Preview は、Maya、Miles、Simone、Charlie という4人のエージェントを備えたコンシューマー向けアシスタントアプリで、各エージェントには独自のメモリがあります。

• 提供方法 — Live 3: セルフサービス型プラットフォーム、文書化されたAPI、エンタープライズ向けオンプレミス。Sesame Preview: iOSおよびAndroidアプリ、無料、APIなし、アプリ内の音声にはモデルIDなし。

• 料金 — Live 3：プロモーション価格は1分あたり$0.035、定価は1分あたり$0.07。加えて、電話通話は1分あたり$0.01、番号ごとに月額$1.20。Sesame Preview：価格もプラン階層も公開されておらず、アプリは無料でダウンロードできます。

• 言語 — Live 3：ローンチ時は英語のみ。Fish Audio 自身の言葉によれば、周辺のプラットフォームが30以上の言語の音声を宣伝しているにもかかわらず。Sesame Preview：英語中心で、研究所自身の研究ノートによれば主に英語で学習されている。

• 独立性 — Live 3：2026年11月11日時点で、いかなる種類の公開ベンチマークもなく、Artificial Analysisの音声対音声ボードにも掲載行がありません。Sesame Preview：アプリの音声に関する独立したスコアもありませんが、同社が構築を支援し公開している公開ターンテイキング・リーダーボードがあります。

• オープン性 — Live 3：重みも、ライセンスも、リポジトリもない。Sesame：2025年3月から Hugging Face 上にある Apache-2.0 のオープンチェックポイントが1つ、CSM-1B — ただしそれはアプリ内の音声ではない。

• Interface — Live 3：統合するのはあなたです。Sesame Preview：話しかけるのはあなたです。

両社に共通する語彙の問題

どちらの製品も、あなたが本当に気にしている点を比較できるだけの情報を公開しておらず、しかも両社ともそれを同じ言葉で呼んでいる。Fish Audioはそれを会話のリズムと呼び、電話番号を「415… 555… 0132」のように区切って読む例を挙げている。従来型のエージェントなら、そこで3つの別々のターン終了を知覚する。Sesameのマーケティングは同じ振る舞いをプレゼンスと呼び、2026年10月のリリースノートでは、同社がConversational Speech Modelを更新し、表現力と発音を改善したと述べている。お世辞っぽさが減り、同じフレーズの繰り返しも少なくなったという。どちらの説明も、書かれているままでは反証不可能だ。どちらも数値を提示していない。

違いは、Sesameが「定規」を実際に出荷したことにある。Fish Audioが実力での比較を望むなら、TurnBenchの開発セットは公開されており自己採点も可能だ。スコアボードはエントリーを待っている。

ビルダーがそれぞれでできることと、できないこと

ここで両製品はまったく比較にならなくなる。Sesame Previewはコンポーネントではない。エンドポイントも、セッションAPIも、その音声を自社の電話番号で使えるようにする方法もない。そして、アプリ外の誰でもロードできる唯一のSesameチェックポイントはCSM-1Bであり、これは2025年3月の10億パラメータモデルで、現在のアプリの音声より1年半分の開発をさかのぼる。Sesameの会話的な感触を製品に取り入れたいチームは、今日、待つこと以外にそこへ至る道がない。

Live 3 は逆のトレードオフだ。重要な意味ではクローズドである——ウェイトはなく、企業契約なしで自前でホストする方法もない——しかし、出荷できるという意味ではオープンだ。エージェントビルダー、ドキュメント化された API、テレフォニー、そして分単位の料金。推論レイヤーは分離された交換可能な部品であり、エージェントは思考のために OpenAI 互換エンドポイントを指しつつ、音声は Fish Audio のままにできる。その構造こそが、小規模チームが火曜日にデプロイできる理由だ。

特に推論側について言えば、OrcaRouterは1つのキーでプロバイダーの定価のまま、マークアップなしで200以上のモデルを提供しており、バックエンドが呼び出し中にエラーを起こした際の自動フェイルオーバーと、どの種類のターンをどのモデルが処理するかを決めるルーティングDSLを備えています。Fish Audio Live 3はそうしたモデルの一つではありません — クローズドな双方向音声モデル向けのサードパーティエンドポイントは存在せず、ここでルーティングすべきものは何もありません。このスタックにおけるルーターの役割は、音声が終わる地点から始まります。

どれを見るべきか、そして何のために

この比較に決着をつけるのは3つのシグナルであり、そのどれもプレスリリースではない。TurnBenchへのLive 3のエントリー、あるいはArtificial Analysisのspeech-to-speechボード上の1行があれば、Fish Audioの行動面の主張は、横に数字が付いたスコアに変わるだろう。Sesameの開発者向けAPI——同社は開発者向けツールが来ると述べているが、時期は示していない——があれば、アプリの音声は製品がレンタルできるものになるだろう。そしてCSM-1Bより新しい2つ目のオープンなSesameチェックポイントは、Live 3のローンチが明らかに欠いていたものをオープンウェイト派に与えるだろう。

それらのどれかが実現するまでは、正直なランキングは、あなたが何を買うのかによって完全に決まる。今日利用できる中で最も音声品質の高い会話を求め、それを他社のアプリ内で使うことをいとわないなら、Sesame Preview はより印象的な製品であり、どう評価されるべきかについてもより正直な製品だ。今四半期に本番環境で音声が必要なら、Sesame は候補ではなく、比較は Live 3 に関する1つの問いに収束する。つまり、1分0.035ドルのプロモーション価格と186ミリ秒の応答確認下限が、電話回線を賭けるに足る証拠になるかどうかだ。ほとんどのチームにとって、答えはパイロットにはイエス、給与支払いにはまだノーであり、その答えを変えるはずのベンチマークはすでに存在し、1行が空白のまま残されている。