Grok Voice 3.0 vs Sesame Preview：あらゆるリスニングテストで勝利する音声は、APIを持たない音声だ

部屋にいる人たちに、この中のどちらがより人間らしく聞こえるかと尋ねれば、答えは一つに決まっている。Sesame PreviewはSesameの無料音声アシスタントだ。マヤ、マイルズ、シモーヌ、チャーリーという4体のエージェントを擁し、2026年5月からiOSで、8月初旬からはAndroidでも広く提供されている。そして「クラス最高のボイスモード」という言葉をレビュアーが繰り返し口にするきっかけとなった、あのバイラルクリップを生み出したのもこれだ。Grok Voice 3.0は、2026年10月14日にSpaceXAIが発表した、公開ボード上で最高スコア86.9を記録した音声対音声モデルで、文書化されたリアルタイムエンドポイントを通じて毎分0.08ドルで呼び出せる。この二つの事実は矛盾しておらず、その間の隔たりこそがこの対決のすべてだ。一方は人が耳で判断する声であり、もう一方は第三者が測定できる声なのだ。

そのギャップの残り半分はアクセスだ。Sesame PreviewにはAPIも、モデル識別子も、料金表も、それを用意するという明言された計画もない。そしてアプリ内の本番用ボイスは、このラボがこれまで一度も公開したことのない、より大規模なクローズドモデルだ。G​rok Voice 3.0は、分単位でレンタルするコンポーネントだ。耳で選ぶならSesameが欲しくなる。何かを出荷できるかどうかで選ぶなら、選択はすでに下されている。

それぞれが何であるか、公式に

宣伝文句を取り除いてしまえば、この2つの製品はそもそも同じ種類のものでさえない。

• 概要 — G​rok Voice 3.0 は、S​paceXAI のリアルタイム WebSocket の背後で動作する音声対音声モデルで、セッションスコープのツールと返されるトランスクリプトを備えています。Sesame Preview は、4 つの会話エージェント、Web とモバイル間で同期するエージェントごとのメモリ、通話中のライブ Web 検索、通話後に送信されるサマリーを備えたコンシューマー向けアプリです。

• 価格 — Grok Voice 3.0の場合、音声1分あたり0.08ドルにテキスト入力1件あたり0.004ドルを加算し、1時間あたり約4.80ドル。Sesame Previewはユーザーにとって無料で、広告もなく、有料プランの明示もない。

• 開発者アクセス — 文書化されたエンドポイント、クライアント側接続用のエフェメラルトークン、および G​rok Voice 3.0 向けに最大 120 秒の参照クリップから音声をトレーニングするカスタムボイスエンドポイント；Sesame Preview には一切ありません。

• 重み — 双方でクローズド、ただし1つ例外がある。SesameはCSM-1Bを公開している。Apache-2.0のチェックポイントであり、アプリ内の音声ではない。

• 独立スコア — Artificial Analysis Speech to Speech Index で 86.9。G​rok Voice 3.0 には5つの読み取り可能なコンポーネントがあるが、Sesame Preview 音声にはなく、Sesame からも公表されていない。

• 制限事項 — G​rok Voice 3.0 には明示されたセッション上限がなく、その前世代は24言語にわたる単語誤り率を売り文句としていた。Sesame Preview は英語のみで、通話の上限は30分、ログアウト時には5分に短縮され、タスクの実行もない — エージェントは話すだけで、予約も購入も書類の提出も行わない。

その最後の項目こそ、ほとんどの評価に終止符を打つものだ。呼び出せない音声製品は部品ではない。それは競合相手なのだ。

オープンチェックポイント、そしてそれがそうではないもの

Sesameは、自社のデモとダウンロード版との間にある隔たりについて異例なほど率直に語っており、これは両者を比較検討する誰にとっても最も重要な事実である。

CSM-1Bは、2026年4月23日にApache 2.0ライセンスでリリースされた10億パラメータの会話音声モデルである。Llamaアーキテクチャのバックボーンが別個のデコーダとKyutaiのMimiコーデックを駆動し、約4,000トークンのコンテキストから24 kHzのモノラル英語音声を生成する。これはベース音声生成モデルである。両方を動かしたことのある人々の評価では、アプリ内の音声よりも明らかに見劣りする声であり、Sesame自身のドキュメントも、これがエンドツーエンドの音声対音声システムではなく、テキストを生成できないことを明言している。

つまり、そのダウンロードは製品ではなく、研究の系譜だ。デモの声を探しに行った人物は、同じ研究室から出たより小さなモデルを見つけ、4つのエージェントのうちの1つが応答するときに答えるものは、一度もリリースされたことのない本番用モデルだ。それはサードパーティの推論プロバイダーによってホストされ、100万文字あたり約7ドル——合成音声1時間あたりおよそ0.35ドル——で、自分のハードウェア上なら無料だが、その独立したベンチマークも誰も公開していない。

参考までに言うと、その1時間0.35ドルは、この比較の中で13倍の差をつけて最も安い音声であり、同時にこの比較で最も役に立たない項目でもある。なぜなら、双方向の会話を維持できない1Bチェックポイントは、価格でG​rok Voice 3.0と競合しているわけではないからだ。それは、あなたがすでに使っていたナレーションツールが何であれ、それと競合しているのだ。

なぜ耳テストとインデックスは一致しないのか、そしてどちらが間違っているのか

それらは対立しているのではない。別々の問いに答えており、そのうち公に答えられるのは一方だけだ。

Sesame Previewの評判は、音声が聞き手にどう聞こえるかにかかっている。息遣い、ためらい、遮るタイミング、通話の向こうに人がいるという印象。それはある種の確かな証拠だ――デモは、寛大になる理由などない何十万人もの人々とレビュアーを説得した――しかも、それは完全に定量化されていない。アリーナへのエントリーも、実運用されている音声について公開された評価も、サンプル数もない。どちら側の品質主張も、聴取印象にすぎない。

Grok Voice 3.0の86.9は、正反対の種類の根拠だ。これは、音声推論が上限近く、Full Duplex Benchで97.0%、τ-Voiceで71.6%、arena Eloが1070、タスク成功率94.8%という内訳に分解でき、それぞれが、外部チームが読んで計算を検証し、異議を唱えることのできる公開ハーネスの下で測定されている。複合指標は重み付けの選択であり、arena要素は、モデルが適格になる時点で凍結されるのであって、ライブEloを追跡するものではない——しかし、その異論は誰にでも唱えられる。それこそが、これを主張ではなく測定にしている。

ボードが測っていないのは、それと話していて楽しいかどうかだ。そして今回のリリースには、まさにその軸にぴたりと当てはまる具体的な数字がある。Grok Voice 3.0 は 0.81 秒で話し始め、それが引退させるモデルは 0.70 秒で話し始めていた。フラッグシップは、自らの前任モデルよりスタートで 0.11 秒遅い。これはまさに、ベンチマークが気づくより先にリスナーが気づく類の細部だ。

4エージェント設計があなたに伝えること

Sesameの4つのパーソナリティは、マーケティング上の些細な点ではなく、アーキテクチャ上の決定であり、それはS​paceXAIが下した決定とは正反対だ。

マヤ、マイルズ、シモーヌ、チャーリーは固定された声と固定された気質を持つ音声であり、記憶はエージェントごとにスコープされる。これは、音声こそが成果物であり、パーソナリティが機能だという前提で作られた製品だ。音声のカスタマイズもクローニングも、コンシューマーアプリからAPIへの経路も存在しない——無料枠が製品であり、会社が示す方向性は開発者プラットフォームではなく、研究パートナーシップと計画中のハードウェアデバイスだ。

Grok Voice 3.0は逆を行きます。SpaceXAIの組み込み音声セットを搭載し、別個のカスタム音声エンドポイントが最大120秒の参照クリップから音声をトレーニングします。その結果得られるvoice_idは、リアルタイムAPIとストリーミング音声合成の両方で機能します。そのセッションはツールを受け付けるため、エージェントは会話の途中で、単にあなたのバックエンドについて話すだけでなく実際に呼び出すことができます。

どちらが優れているかは、あなたが体験を売っているのか、それとも体験を構築しているのかによって決まる。4つの優れた固定パーソナリティを搭載した音声製品は、ブランディングと統合を1つの決断で解決している。クローニング用エンドポイントを備えた音声製品は、コンプライアンス対応の対象範囲とローカリゼーションのワークフローを1つの決断であなたに引き渡している。どちらも誤りではなく、それぞれ異なる顧客層を指している。

ルーティングの問いが実際にどこへ着地するのか

OrcaRouter はこれらの音声レイヤーのどちらも提供していません。Grok Voice 3.0 は SpaceXAI 独自のリアルタイム WebSocket の背後にあり、単一ベンダーが所有する全二重オーディオセッションには何も割り込むことができません。Sesame Preview には、そもそもルーティング先のエンドポイントがありません。そうでないと言うのは、存在しない機能を語っていることになり、このカテゴリーにはまさにそうしているプラットフォームがあふれています。

ルーティング可能な部分こそ、両製品がひそかに依存している層だ。Sesame のエージェントは会話の途中でウェブを検索し、その後で要約を送る。G​rok Voice 3.0 の tools 配列は、応答してくれるバックエンドにまで届き、インライン呼び出しより重いものはすべて会話の背後でテキストモデルへのリクエストになる。その処理はリクエスト単位で課金され、1回の呼び出しあたりのコストの相当な割合がここに積み上がる。そして、その下にある音声モデルが変わっても一定に保てる側の半分でもある——grok-voice-latest/ がひと四半期で二度も動いたことを踏まえると、それは持っておく価値のある性質だ。十数社以上のアップストリームの207モデルを1つのキーの背後に、プロバイダー定価でマークアップゼロ、プロバイダーが劣化したときの自動フェイルオーバー、複数のモデルを1回の呼び出しに組み合わせるルーティングDSL、そして1つのモデルの判断では足りないときのモデルフュージョンを備えている。マークアップがないからこそ、それらモデルのどれかでベンダーの値下げがあれば、同じ日にここでも反映される。

あなたが誰であるかによって分けたおすすめ

今日利用できる中で最も聞き心地のよい会話音声を求めていて、何かを統合するつもりがまったくない消費者なら、Sesame Previewは無料で、両方のモバイルプラットフォームで利用でき、その評判は十分に妥当なのでレビュアーも繰り返しそれを裏付けていますし、この記事の何もそれを変えません。使って楽しんでください。

もしあなたが構築している側なら、決定はすでに下されており、その理由は内面化しておく価値がある。Sesame Preview は呼び出せず、その音声を固定することもできず、何かに対してベンチマークすることもできない——だからそれに関する調達の会話は、どちらの当事者も採点できない2つの選択肢の聴き比べという、同じ着地点に行き着く。Grok Voice 3.0 は、料金表、バージョン付きモデル文字列、文字起こし、クローニング用エンドポイント、そして議論をぶつけられるボードスコアを提供する。まず最初にすべきは、自分のバージョンを固定することだ。エイリアスはすでに、何の確認もなくそれへ移されているから。

そして、もしあなたが面白い失敗を求めている研究者なら、この組み合わせについての正直な要約はこうだ。このカテゴリーは、聞く価値のある声を作り出せることを証明したが、その声がアプリ以外のいかなる形でも購入可能であるべきかどうかは、まだ決めていない。Sesameはより良い体験を作り、それを閉じたままにした。S​paceXAIはより良いコンポーネントを作り、その数値を公表した。APIを備えたSesameのバージョンに注目してほしい——それこそ、このページを不要にするリリースになるだろう。

スコアボードが測るものと実際のデプロイが満たすものとの間のその隔たりこそが、記録が重要である理由です。このクラスのモデルに関する文書化されたAI障害やエージェントインシデントは、以下に収集されています：the OrcaRouter AI Incident Archive。各エントリは、それぞれ独自の情報源、重大度、信頼度グレード、係争フラグを備えています。