Phonic 1 対 Sesame Preview：無音問題を、正反対の2つの方法で解決

Phonic 1とSesame Previewは、どちらも会話音声モデルとして販売されているが、同じ仕事を狙っているわけではない。Phonic 1 —ベンダーはPhonic-1と表記している—は、1分0.07ドルの音声間（speech-to-speech）エンドポイントで、2026年10月29日に商用提供を開始し、Artificial AnalysisのSpeech to Speech Indexで87.1を記録してそのまま首位に立った。Sesame Previewは、Maya、Miles、Simone、Charlieという声を支える無料のコンパニオンアプリだ。公開APIも料金表もなく、独立系のリーダーボードに載る行もなく、2027年にはメガネを販売するという計画を明言している。この2つの名前を1つの文に入れると、まず明らかになるのは、買えるのはどちらか一方だけだということだ。

第二に浮かび上がるのは、もっと興味深い点だ。どちらの製品も、マーケティングの下では、同じ小さな屈辱への答えになっている。つまり、機械が何と言うかを決める間の半秒の沈黙だ。Phonicは、発信者が話し終える前に処理を済ませることで、これに挑む。Sesameは、発信者がいつ話し終えたかをよりよく把握できるようにすることで、これに挑む。これらは本当に異なるエンジニアリング上の賭けであり、重なり合わない指標で測られ、そのどちらを選ぶかは、あなたの製品がどちらの賭けに依存しているかから導かれる——ベンチマークの表からではない。

それぞれが実際に何なのか——比較が曖昧になる前に

Phonic 1はエンドツーエンドの音声モデルで、音声を入力し、音声を出力します。その間に文字起こし→思考→発話というカスケードはありません。TypeScriptとPythonのSDK、CLI、ノーコードのエージェントビルダーを備えて提供され、会話途中の切り替えでも話者の同一性を保つ、文書化された51言語に対応し、文書化されたintelligence_level設定はデフォルトでstandardからhighまで引き上げることができます。また、エンタープライズ向けの契約条件にはSOC 2 Type II、HIPAA BAA、ゼロデータ保持、99.9%の稼働率SLAが含まれます。分単位で3つのティアに分けて販売されており、運営企業はMITとStanford出身の約10人で、First Roundが主導したシリーズAラウンドで2,750万ドルを調達しました。

Sesame Previewはレンタルするモデルではありません。これはコンシューマー向け製品です——iOSおよびWebアプリで、無料、2026年5月下旬から39カ国で展開され、永続メモリを備えた4つの名前付きエージェント、文の途中でも実行される並列ウェブ検索、ノート取り、テキスト入力モード、シークレットモードを搭載しています。Sesameが公表している目標は最初の音声出力が300ミリ秒未満で、同社はこのモデルが口調とテンポにおいて今なお「熱心すぎて、しばしば不適切」であることを公に認めています。エンタープライズ向けの階層はなく、本番用音声をライセンスする方法もありません。

Sesame の名前を冠して実際にビルドとして公開されている唯一のものは、Sesame CSM-1Bで、2025年3月13日に Apache 2.0 ライセンスのもとで公開されました。これはベースとなる会話音声モデルで、英語を優先して作られており、先行するターンに条件付けられて Mimi 音声トークンを生成するように設計されています。これはアプリの声ではありません。プレビューのキャラクターは、公開されることのなかったキュレーション済みのファインチューンとボイスキャストに由来します。両方を試したレビュアーは、公開されたチェックポイントはアプリより聴覚的に弱いと評しており、そのため「Sesame モデルをただセルフホストする」ことは別製品であって、ライセンス不要の近道ではないのです。

同じ0.5秒間に対する2つの攻撃

Phonicのローンチ時の主張は、このカテゴリーで最も具体的なものだ。Phonic-1は、発話者がまだ話している間に動作できる唯一のモデルだとしている。同社が公開したデモでは、モデルは文中で5件のツール呼び出しをすべて実行し、発話者が話し終えてから1.1秒後に応答した。同じスクリプトでは、GPT-Live-1を15.7秒としている。これはベンチマークではなく、設計のデモとして読むべきだ——ベンダーが選んだタスクを、ベンダーが選んだスクリプトで行ったものにすぎない。しかし要点は設計にある。ターンが終わる時点でルックアップがすでに完了していれば、モデルはターンの終わりを予測することに卓越している必要はなく、ただ邪魔をしないようにすればよい。

Sesameは逆の道を行き、予測そのものを研究プログラムにした。2026年8月に公開したTurnBenchは、ターンテイキングのダイナミクスに関するオープンベンチマークだ。スタジオ収録のデュアルチャネル対話30時間、154会話、6つのレジスターにわたる106名の声優、Fleissのカッパ0.78での三重アノテーション、誤陽性率に上限を設けた条件での再現率と中央値での符号付きレイテンシで採点される。最も重要な知見はこれだ。人間の話者はターン転換を開始し、相手はそれより中央値151ミリ秒後に話し終える。そして、この分野のどのシステムも、その誤陽性率の予算内でこれに匹敵しない。意味検出器は選択的で遅く、音響検出器は速くてノイズが多い。両方を兼ねるものはない。

それが分岐点だ、端的に言えば。Sesameは、人間の先読みの151 msと、最高の検出器が達成する368 msから1,234 msとの差を埋めようとしている。Phonicは、その差を埋める作業を取り除くことで、差を無意味にしようとしている。どちらも正当だ。今日、あなたがエンドポイントとして利用できるのはそのうち一方だけであり、それはベンチマークを公開した方ではない。

そのうちの一つを採点する板——そして、それが欠場する一つ

Artificial AnalysisのSpeech to Speech Indexはこの分野で唯一の独立した総合指標であり、本稿執筆時点ではPhonic 1がその首位を占めています。重要な行は次のとおりです：

• Phonic 1（High）— 指数87.1、第1位、最初の音声までの時間0.61秒、入力音声1時間あたり$4.20。

• Grok Voice 3.0 — 86.9；0.81秒；1時間あたり4.80ドル。

• GPT-Live-1（Astra、ミディアム）— 83.2；1.34秒；1時間あたり5.83ドル。

• Gemini 3.8 Live Extended Thinking (High) — 82.6、1.35 秒、1 時間あたり 3.50 ドル。

• Eleven Realtime v1 Max — 77.3、0.57秒、1時間あたり$4.80。

最後の行に注目してください。Eleven Realtime v1 Max は高速で、最初の音声までの時間が Phonic 1 より短く——0.57 秒対 0.61 秒——インデックスポイントは 9.8 低くなっています。最初の音声までの時間は、Phonic が勝った競技ではありません。Phonic が勝ったのは総合評価であり、そこでは音声推論、エージェントタスクの挙動、人間の選好、タスク成功率も重み付けされています。「最速」を単一の列から引用する人は、間違った列を引用しています。

では、この非対称性について。そのリーダーボードにSesame Previewの行はなく、現れる余地もない。このインデックスはAPIハーネスを通してモデルを実行するが、Sesame PreviewにはAPIがない。Sesame自身の測定機器もこの空白を埋めない。TurnBenchはSesameによって公開されているが、本稿執筆時点でSesameの項目を一切載せていない。このボードには音声活動投影モデル、ESPnet、KyutaiのセマンティックVAD、Gemini 3.1 Live、OpenAI Realtime、Moshiが並ぶが、同社自身の製品音声は載っていない。それは不祥事ではない。ベンチマークの作者であることとベンチマークへの提出は別の行為であり、コンパニオンアプリには採点者を向ける先の安定したエンドポイントがない。しかし、それはこの対決における2つの見出し数字——片側の87.1、もう片側の300ミリ秒未満——が同じ種類の主張ではないことを意味する。一方は第三者がハーネス上で測定したものだ。もう一方は、社外の誰も計測していない製品についてベンダーが述べた目標値である。

Phonic自身の証拠に照らすと、Phonic 1が負けるコラム

もしあなたがSesame Previewに目を向けている理由が、それが人間のように聞こえるからなのであれば、この比較には居心地の悪い答えがあり、それは批評家からではなく、Phonic自身のプレス資料から来ている。

Phonicは第三者リスナーテストサービスであるPodonosにブラインドのペアワイズ聴取テストを委託し、その結果をローンチ記事で報告した。Phonic-1はGPT-Live-1に対して61.5%対32.0%、Grok Voice 3に対して66.5%対26.5%、Eleven v4 Turboに対して78.0%対14.0%で選好された。同社が記事の冒頭に据えた見出しは、負けたほうの結果だ。つまり人間の声優がPhonic-1より57.0%対32.0%で選好され、記事ではこれを「人間がおよそ60%の確率で勝った」と表現しつつ、改善の余地はまだ大きいとしている。これらはベンダーが委託し、ベンダーが報告した数値であり、独立に再現されたものは一つもない。だがそれはベンダー自身の数値であり、Phonic 1が比較対象の中で最高の合成音声であり、なお人間ではないことを示している。

独立した選好データも同じ方向を示している。総合指標に寄与するSpeech Agent Arenaでは、Phonic 1はリスナー選好でElo 1,012の30中8位、タスク成功率92.3%で4位となっている。指標の首位に立つモデルは、リスナーが最も話したいと思うモデルではない。これはGrok Voice 3.0で逆側から見たのと同じ分裂であり——xAIはアリーナを制してエージェント部門で敗れた——この2者の直接対決を一つの数値では決着できない構造的な理由である。

一方、Sesameの評判は、まさにその列だけに支えられており、それ以上に厳密なものには何も支えられていない。Maya and Milesのデモは2025年2月に、息遣い、ためらい、言い直し、笑い声によってバイラル化し、広まった主張は、短いクリップでは聴者がその声を人間の声と確実に区別できないというものだった。それは聴衆が形成した印象であり、採点されたテストではない。そして、Phonic 1と同じ場で比較されたことは一度もない。Sesame PreviewとPhonic 1を聴者が続けて聴く公開実験は存在しない。どちらがより良く聞こえるか教えてくれる人は、自分がどちらを聴いたことがあるかを教えているにすぎない。

1分にいくらかかるのか、そしてなぜ「分」は間違った単位なのか

価格表は短く、偏っています：

• Phonic 1 — Starterでは最低利用額なしで1分$0.07、同時通話10件、エージェント10名、シート3席。Proでは月額最低$200で1分$0.065、およそ3,100分、同時通話50件。エンタープライズはカスタム。11月30日までの登録で$250分のクレジット、cascadeから移行する顧客には3か月無料。

• Sesame Preview — $0。分単位でも、席単位でも、エージェント単位でもありません。アプリ内で無料です。

• Sesame CSM-1B — 重みは無料だが、請求額はGPU時間と、単体ではテキストを生成できないチェックポイントの周りに発話交替・文脈条件付け・言語モデルを組み立てるためのエンジニアリング時間だ。

生産的な比較を行えば、分単位の枠組みは崩れる。Phonic 1 Starterで月1万分钟なら700ドルで、これはコールセンターにとっては誤差だが、サイドプロジェクトにとっては現実的な予算だ。Sesameが何も請求しないのは、Sesameが分を売っているわけではないからだ。2027年のアイウェア発売に先立って日々の習慣を売っており、習慣は音声の1分単位ではなく、人単位・年単位でハードウェア上で収益化される。料金表を無料アプリと比べるのは、供給業者を看板広告と比べるようなものだ。

残るのは、コストに関する問いの正直な版です。つまり、いくらかかるのか、リリースするには？Phonic 1の場合、答えは契約1件、WebSocket 1本、そしてProの料金を払わない限りStarterでの同時通話10件です。Sesame Previewの場合、答えは数字が存在しないということです。なぜならオファーが存在しないからです。リリース可能なSesameに最も近いものはCSM-1Bであり、CSM-1Bにとって料金表に最も近いものはGPUの請求書です。

3人の買い手、3つの異なる答え

通話量をカスケードから移しており、通話は完了しなければなりません。 Phonic 1、そしてケースは複合ではなくエージェント列です。発信者が話し終える前に発火するツール呼び出しが、予約を取るエージェントと発信者に同じことを繰り返させるエージェントの違いになります。$0.07は、失敗した受付通話のコストに比べれば安上がりであり、コミットする前に見積もるべきなのは同時実行数の上限です。

あなたの製品は、その声の響きそのものが製品です。コンパニオン、コーチ、チューター、ブランドボイス——ユーザーが使い続ける理由がその声そのものであるものなら何でも。Sesame Previewが基準点であり、Phonic 1はまだ答えではありません。ベンダー自身のブラインドテストでは、人間がほぼ2対1でそれを上回りました。しかし基準点は購入できないため、実用的な選択肢は、計測済みの選好スコアを持つライセンス音声モデルか、CSM-1Bと自社による大量のエンジニアリングのいずれかです。

あなたが求めているのは分離構成、つまりエージェント型バックエンドを備えた Sesame 風の音声です。 これは両社のロードマップが指し示しながら、どちらも販売していない組み合わせです。構築可能なバージョンは、音声部分に CSM-1B または別のオープン音声モデル、その背後に思考部分として従来型のテキストモデルを置き、それらをあなた自身で接続する形です。このテキスト段階は通常のチャット推論であり、まさに 200 以上のモデルを 0% マークアップで使える単一 API が当てはまる層です。推論側のための単一キー、プロバイダーの定価をそのまま透過させる仕組み、同じ呼び出し内でターンテイキングの雑談とポリシー重視の推論を別々のモデルへ振り分けるルーティング DSL、そしてプロバイダーの一時的な不調で会話が終わらないようにする自動フェイルオーバーです。Phonic 1 も Sesame Preview もこのカタログには含まれません。Phonic 1 は単一ベンダーのエンドポイントであるため、Sesame Preview はルーティングすべきエンドポイントが存在しないためです。したがってこれは、あなた自身が組み立てるスタックの半分についての説明であり、上記のどちらのモデルについての主張ではありません。

何がこの回答を変えるでしょうか

三つのこと、可能性の低い順に。

Phonicは、standardインテリジェンス設定のリスニングテスト数値を公開している。この記事のすべてのスコア（87.1や0.61秒を含む）はhigh設定で算出された。APIはデフォルトでstandardになっており、低遅延モードとして文書化されているが、その設定が品質や最初の音声までの時間に何をもたらすかは誰も公開していない。この設定に一切触れない統合は、測定されていない変種を実行していることになる。

Sesameがエンドポイントを公開するか、自社のターンテイキング用ボードに自社の実運用音声を載せるか。どちらかが実現すれば、これは製品と評判の比較から、測定可能な二つのものの比較へと変わる。どちらもSesameが示してきたロードマップにはなく、そのロードマップはAndroidを経て、2027年のアイウェアへと続く。

同じ部屋で両方を動かす人がいる。Sesame Previewの本番用ボイスとPhonic 1を同じプロンプトで試す一度の盲検テストなら、自然さに関する疑問は午後ひとつで決着するだろう。しかし、二つのシステムのうち一方は外部の人間からは利用できないため、Sesameで働いていない人にはこれを実施できない。

そのうちの一つが起こるまでは、妥当な解釈はこうだ。Phonic 1は、その2つのうち実際に導入できる唯一のものであり、どちらか一方を評価対象とする唯一の独立系総合指標で首位に立ち、「ターンが終わるまでにどれだけ作業を済ませられるか」という勝負で優位に立ち、しかも客観的に見てまだ人間の声にはなっていない。Sesame Previewは、手に入れられない、より音の良いもので、現時点でそれを販売事業として扱っていない企業のものだ。それらは同じメニューに並ぶ2つの選択肢ではない。一方はサプライヤー、もう一方はデモであり、両者のスペックシートを比較するのをやめるのが早ければ早いほど、あなたの製品が実際に必要としていたのはどちらかを早く決められる。