Gemini 3.8 Live 対 Sesame Preview：称賛すべき声 vs 実際に電話で使える声

Sesameの音声エージェントは「人間らしく聞こえる」で5点満点中4.5点。Gemini 3.8 Liveは4.0点。Sesameは予約フローの71%を完了する一方、Gemini 3.8 Liveは78%を完了し、Sesameの関数呼び出しエラー率は約2倍。予約を受け付けるビジネス向けに音声スタックを選ぶなら、よりよく聞こえるモデルのほうが負ける——しかも、その負けは、どれだけよく聞こえるかとは何の関係もない理由による。

これらの数値は、予約スクリプトに関するモデルごと1,500件の顧客通話を対象にしたサードパーティによる直接比較テストから得られたもので、重要な注意点が2つあります。これは当社のものではなく、独立して再現されたものでもありません。また、Gemini側は2026年初頭のGemini Live世代を使用しており、本記事が扱うモデルではありません。Gemini 3.8 Liveは、Googleが2026年9月15日にリリースした音声対音声モデルで、現在Live APIで利用可能です。Sesame PreviewはSesameのコンシューマー向け音声アシスタントで、2026年5月からiOSで無料、2026年8月初旬からはAndroidでも広く無料で利用でき、Maya、Miles、Simone、Charlieという4人の名前付きエージェントを中心に構成されており、誰もがこれまでに話した中で最も人間らしく聞こえる音声アシスタントだと広く評されています。

この対決は、実際にはモデル対モデルではない。本番環境に導入できる製品と、訪れることしかできない体験との対決なのだ。

それぞれのものの形

Gemini 3.8 Live は開発者向けのサーフェスです。gemini-3.8-liveおよびgemini-3.8-live-extended-thinkingとして Live API で提供され、価格は音声入力が1分あたり $0.005、音声出力が1分あたり $0.018、テキストは100万トークンあたり $0.75 と $4.50、画像または動画の入力は100万あたり $1.00 です。97言語に対応し会話の途中でも切り替えが可能で、視覚入力はほぼリアルタイムで処理し、会話を続けながらバックグラウンドでツール呼び出しや API 呼び出しを実行し、生成された音声の1秒ごとに SynthID で電子透かしを埋め込みます。Extended Thinking 版は推論と発話を同時に行い、長いタスクの間も回線が沈黙しないよう進捗を語ります。Google のベンダー報告による順位は Speech Agent Arena で2位、Artificial Analysis の Speech to Speech Quality Index ではこのファミリーとして82.6で首位です。Google の数値であり、今週時点のもので、再現はされていません。

Sesame Previewはコンシューマー向けアプリです。英語のみに対応しています。通話には30分の上限があり、ログアウトしていると5分に短縮されます。そのエージェントはセッションをまたいでコンテキストを保持し、ウェブを検索し、リマインダーを設定しますが、予約、購入、書類の提出は一切行いません。エンタープライズ向けプランはなく、価格も公開されていません。

どちらも全二重の会話システムであり、ターンテイキングは人が気づかなくなるほど優れている。共通点はそこまでだ。

唯一の直接対決が実際に示しているもの

CallSphereの比較では、予約フローのスクリプトを大量に実行し、モデルごとに4つの数値を報告した。完了率では、Gemini Liveが予約の78%を完了し、Sesame Mayaは71%だった。関数呼び出しエラーでは、Gemini Liveが3.3%、Mayaが6.7%だった。p95レイテンシでは、Mayaのほうが速く、640 msに対して480 msだった。そして主観評価では、「人間らしく聞こえる」を1～5で評価し、Mayaが4.5、Gemini Liveが4.0だった。

それらをまとめて読むと、個々の行だけでは見えないパターンが浮かび上がる。Sesame は人が気づく2行では勝ち、企業が気づく2行では負けている。自然さとレイテンシは通話者が体感するもの；完了率とエラー率は照合で表に出てくるものだ。人のように聞こえても、予約フローで15件に1件の通話を落とす声は、より優れた音声エージェントではない——より優れたデモだ。

正直な注意点が2つある。この比較はあるベンダーのブログによるもので、査読付きの評価ではなく、単一のスクリプト種別におけるモデルごとの1,500回の呼び出しはごく狭い一部にすぎない。また、Geminiの数値は、2026年初頭に提供されるGemini Liveの世代を述べたものであり、これは3.8 Liveより少なくとも丸々1モデル分遅れている。それらの数値をGemini 3.8 Liveに当てはめるのは推測でしかない。3.8モデルを含む一対一の比較を公表した者はいない。

ほとんどすべての記事が間違っている部分

Sesameの音声を称賛するあらゆる記事は、アプリを称賛しているのであり、そのアプリの音声は、SesameがAPIとして一度も公開していない、より大規模でクローズドな本番モデルだ。それを購入する方法も、ライセンスを受ける方法も、呼び出す方法もない。Sesameの会話の間合いが市場で最高だと読み、それを自分も手に入れられると結論づけたのなら、その結論は証拠からは導かれない。

Sesameが実際にオープンソース化したのはCSM-1Bです。これはMoshiファミリーにおいてApache-2.0で公開された、10億パラメータの会話音声モデル変種です。これはアシスタントではなく合成ブロックであり、Llamaバックボーンが最初のMimiコードブックを予測し、より小さいLlamaデコーダが残りを予測し、それをMimiコーデックが24 kHzの波形に変換します。英語専用で、クリーンな10～15秒の参照クリップから音声をクローンし、テキストは一切生成できません。別の言語モデルと組み合わせて使う必要があります。両方を実行した人たちは、CSM-1Bの声はPreviewアプリのものより明らかに弱いと評しています。単一のサードパーティプロバイダーから100万文字あたり7ドルでホスト提供され、音声1時間あたりおよそ0.35ドル、セルフホストすれば無料です。

モデルカードは、普段は口にされない本音をはっきり書いている。CSM のファインチューニング済み変種がインタラクティブ音声デモを動かしており、それはダウンロードできるチェックポイントではない。つまり、「Sesame vs Gemini」の正直な構図はこうだ。Sesame には、アクセスできない美しいクローズドな声と、アクセスできる小さなオープンな音声合成ブロックがあり、両者は同じものではない。Google には呼び出せるモデルが一つだけあり、それは同社が宣伝しているモデルだ。その非対称性は、作り手にとって、どんな自然さスコアよりも価値がある。

スペック対比

• 得られるもの — 今すぐ呼び出し可能なAPIである Gemini 3.8 Live に対し、本番用音声向けのAPIがない無料のコンシューマーアプリである Sesame Preview

• プロダクション向け音声はライセンス可能 — Gemini 3.8 Live は可、分単位課金、一方 Sesame Preview は不可、未リリース

オープンな成果物 — Gemini 3.8 Live はなし、クローズド 対 Sesame Preview CSM-1B、Apache-2.0、別のより弱いモデル

• 言語 — Gemini 3.8 Live 97 vs Sesame Preview 英語のみ

• ツール呼び出し — Gemini 3.8 Live は会話中にバックグラウンドでツールとAPIを呼び出すのに対し、Sesame Preview のエージェントはコンテキストを記憶しウェブを検索するが、タスクを実行しない

• セッション制限 — Google が未公開の Gemini 3.8 Live 対 Sesame Preview 30分、ログアウト時は5分

• 自然さ — Gemini 3.8 Live はこの軸では未測定である一方、Sesame Preview はリスニング印象で最高クラスと評価されているが、どちらについても独立したベンチマークは存在しない

• レイテンシ — Gemini 3.8 Live は未公開、一方 Sesame Preview は Maya でエンドツーエンド 250～450 ms、ストリーミングの初回バイトは 300 ms 未満（第三者による測定）

• エンタープライズ向け経路 — Gemini Enterprise での Gemini 3.8 Live プライベートプレビュー、Customer Experience ではまもなく提供予定 vs Sesame Preview ではなし

• 明言された方向性 — Agora、LiveKit、Pipecat、Fishjam などとの Gemini 3.8 Live の Live API 統合 対 Sesame Preview の研究パートナーシップと 2027 年に計画されているアイウェアハードウェア

自然さの行は、人が言い争う行であり、そこに書かれていることに注目してほしい。どちらのモデルも、どれだけ人間らしく聞こえるかについて独立したベンチマークを持っていない。存在するのは、Sesameのアプリがリスナーから称賛されていることと、Googleがあるアリーナで2位につけたことだけだ。それらは同じ測定ではなく、少なくともアリーナには方法論がある。

自然さが運用上で要するコストとは

間違いは、自然さを後から付け足す機能として扱うことにある。それはあなたが行うトレードオフであり、そのトレードオフは通常、ツールの信頼性を犠牲にする——なぜなら、声を人間らしく聞かせる振る舞い、つまりためらい、発話の重なり、文の途中で発話権を譲る柔軟さは、関数呼び出しの厳密な文法ではなく、韻律とターンテイキングに能力を割いているモデルによって生み出されるからだ。それこそが、6.7%対3.3%というエラー率の背後にあるメカニズムであり、どこか一つのラボがエンジニアリングに優れているという主張よりもはるかに説得力がある。

また、これには誰も予算に計上していないインフラコストも伴う。人間のように聞こえる声は期待を高めるもので、相手が人間と話していると信じている発信者は、「聞き取れませんでした」を二度続けて聞かされることには耐えない。Sesame自身の30分制限は、この種のモデルを継続的に実行するのが高コストであることの、静かな認めである——Googleが3.8 Liveについて公表していない制限であり、とはいえ、それが存在しないと言っているわけではない。

あなたのスタックに属するのはどれですか

音声が目的達成の手段である場合——予約、トリアージ、サポートなど、発信者が結果を求めるあらゆる場面——にはGemini 3.8 Liveをお選びください。今日から使えるAPI、公開された料金、バックグラウンドで動作するツールループ、97言語、そして必要ならエンタープライズ向けの道筋もご用意しています。

会話品質とはどう感じられるべきかを研究しているとき、あるいは通話そのものが製品となる消費者向け体験を構築しているときは、Sesame Preview を選んでください。無料であり、入手できるものの中で本当に最も音が良く、自分の好みを調整するのにうってつけの場所です。本番環境への統合をこれ前提で計画しないでください。統合する相手が何もないのですから。

ほとんどの本気のチームはハイブリッドに行き着き、そのハイブリッドではルーティングがオプションではなくなる。冒頭と確認のターンには、自然な響きのモデルを配置し、そこではレイテンシと温かみが感じられる。トランザクションのターンには、ツール信頼性の高いモデルを配置し、そこでのエラーは予約の喪失を意味する。OrcaRouterはそのような形のスタックのために作られている — モデルフュージョンは、単一モデルの判断が十分でないときに、モデルのパネルが一緒に回答できるようにし、ルーティングDSLは複数を1つの呼び出しに構成し、フェイルオーバーは、再デプロイなしに問題を起こし始めたモデルからトラフィックを移動させる。ベンダーが料金を公開している場合、私たちはプロバイダの定価をマークアップなしで通過させるので、値下げは同じ日に請求に反映される。

注目すべきは、Sesameの製品版ボイス用APIか、それともアリーナが品質を測るのと同じように自然さを測るベンチマークだ。どちらかがあれば、これはアクセスと体験のどちらを選ぶかという話から、実際の比較へと変わる。それまでは、これらのモデルの一方は呼び出せても、もう一方は眺めることしかできない。そしてその事実が、どんなスコアよりも速く決着をつける。

本気のチームのほとんどは最終的にハイブリッドに行き着くが、そのハイブリッドではルーティングがもはや任意ではなくなる。冒頭と確認応答のターンには、レイテンシと温かみが感じられる自然な話し方のモデルを置き、トランザクションのターンには、エラーが予約の消失につながるため、ツールに信頼できるモデルを置く。 OrcaRouterはそうした形のスタックのために作られている - モデルフュージョンは、単一モデルの判断では十分でないときにモデルのパネルが一緒に回答できるようにし、ルーティングDSLは複数を1回の呼び出しに組み合わせ、フェイルオーバーは再デプロイなしに挙動がおかしくなり始めたモデルからトラフィックを移す。