Realtime-Venus vs Sesame Preview：手に入るものが良いものとは限らない

Realtime-Venus と Sesame Preview は、音声モデルが何のためにあるかについてまったく異なる考えを持つラボによって作られており、正反対の方向から同じ罠に陥っている。Sesame Preview は無料のコンシューマー向けアプリで——iOS は2026年5月から、Android は8月上旬から——4つの会話エージェント、通話中のライブWeb検索、そしてレビュアーが業界最高クラスと評した音声を備えている。Sesame が公開したオープンウェイトは、同社自身がデモで耳にした音声として提示しているものではない、別のより小さなモデルだ。Ant Group の Venus Team と清華大学による9Bの全二重システム、Realtime-Venus は逆の道を行った。ダウンロード可能な成果物は本物であり、製品はまったく存在しない。どちらの場合でも、利用可能なものと印象的なものとの間のギャップこそ、どちらかを軸に何かを計画する前に理解しておくべき最も有用なことだ。

それぞれが実際に何なのか

Sesame Previewは製品です。Sesameは、Brendan Iribe、Ankit Kumar、Ryan Brownによって2023年に設立されたサンフランシスコのラボで、a16z、Sequoia、Spark、Matrixが出資しています。その消費者向け音声アシスタントは、Maya、Miles、Simone、Charlieという4つのパーソナリティを備え、それぞれが異なる気質と声を持っています。エージェントは会話の途中でウェブ検索を行い、メモやリマインダーを作成し、通話後に要約を送信できます。メモリはエージェントごとに管理され、サインインしていればウェブとモバイル間で同期します。また、過去のメモリを読み取るものの新しいメモリは書き込まないシークレットモードがあります。無料で、広告は表示されず、同社はデータを販売していないと述べています。

Realtime-Venus は研究リリースです。Hugging Face 上に Apache-2.0 の下で公開された 2 つの 9B チェックポイント — 音声視覚インタラクション向けの Realtime-Venus-Omni と音声インタラクション向けの Realtime-Venus-Audio — に加えて、2026年9月12日に arXiv へ投稿された技術レポート、プロジェクトページ、そして Realtime-Venus-Harness コンポーネントを収めるコンパニオンリポジトリがあります。アプリも API も価格も、ベンダーからの発表もありません。このリポジトリはどの推論プロバイダーによってもデプロイされておらず、ダウンロード数も追跡されていません。

両方向の罠

Sesameのバージョンは典型的なオープンウォッシングの形をしており、Sesameは大半の組織よりもそれについて正直だ。ラボがApache-2.0で公開したCSMチェックポイントはベース音声生成モデルであり、LlamaバックボーンがMimiコーデックデコーダに入力を供給する構造で、ドキュメントは、それがアプリの声ではなく、エンドツーエンドの音声対音声システムでもないことを明言している。テキストを生成できず、主に英語データで訓練されており、それ以外の能力は限定的だ。Sesame Previewを動かしているのは、公開されていない、より大規模な実運用モデルだ。したがって、デモのあの声を探しに行ったのなら、あなたが見つけたのはその研究上の系譜であり、そのもの自体ではない。4人のエージェントの1人があなたの呼びかけに応じるとき、あなたが聞いているのはダウンロードできないものだ。

Realtime-Venus のバージョンは鏡像であり、おそらくはより異質なほうだ。公開されているものはすべて本物だ。実際の重み、実際のコード、実際のレポート、寛容なライセンス。欠けているのは、GPU を所有することを伴わずにそれを使う方法だ。BF16 の 9B チェックポイント2つは、活性化メモリを別にすれば、それぞれおよそ18ギガバイトの重みがあり、どちらもライブの音声・映像入力を伴う継続的な1秒ストリーミングループを実行するよう設計されている。それはサーバークラスのデプロイだ。同じ機能をスマートフォンに提供するコンシューマーアプリは、このリリースが試みていないことをしているのであり、ダウンロード可能なモデルと実行可能なモデルの間の隔たりこそ、それを望むほとんどの人たちが足止めを食らうまさにその場所なのだ。

測定可能性はより際立った違いである

どちらのモデルにも独立した音声品質スコアはないが、その理由は異なる。

• Sesame Preview — アリーナへのエントリーもなく、製品版ボイスに関する公表された評価もない。その評判はレビュアーと、オリジナルのデモが聴き手に与えた効果に支えられている。これはある種の確かな証拠ではあるが、完全に定量化されていない。

• CSM-1B — 公開されているチェックポイントはベース生成モデルであり、会話システムではないため、会話システムとのベンチマーク比較は行われていません。

• Realtime-Venus — 自己申告の音声指標が1つだけ、VoiceBench AlpacaEvalスコア4.81。報告書では最高の比較値に匹敵すると説明されている。第三者による評価は行われていない。

• どちらも与えてくれないもの — 結果に何の利害関係も持たない誰かが算出した数値。もし音声品質が購入の判断基準なら、この比較全体は採点不能であり、誠実な行動は、表に委ねるのではなく、両方を聴いて自分で決めることだ。

双方が証明すべきものを持っているターンテイキング

Sesameの評判はまさにこれによって築かれた。そのラボを有名にしたデモは、息遣い、ためらい、割り込みのタイミングを伴う声で、聞き手が電話の向こうに人がいると思い込むほど説得力があった。それは会話のダイナミクスに関する主張であり、製品が売りにしているまさにその点である。

Realtime-Venusは、数字を添えて同様の主張を行っている。Full-Duplex-Bench v1.5では、そのオーディオチェックポイントはユーザーの割り込みの75%に応答したと報告しており、継続率はあいづちでは97%、他者に向けられた発話では88%、背景発話では86%だとしている——3つの継続指標すべてでGemini 3.1 LiveとGPT-4oを上回ると述べられている。これらの数値は自身の報告書に由来するもので、誰も再現していない。

つまりこの比較は、数字のないデモと、デモのない数字を突き合わせたものであり、まさに気まずい立場を的確に表している。このカテゴリ全体が現状いかに自己報告しているかを言い当ててもいる。確実に言えるのは、どちらの主張も第三者の検証を経ていないということだ。そして裏ルートでの97%継続は、確定したものとして引用される前に第三者による検証に値するほど高い。

実際に構築できるもの

Sesame Preview はビルダーに何も与えない。API もモデル識別子も料金表も、そのための明言された計画もない。通話はログイン時で30分、それ以外では5分が上限で、公式にサポートされている言語は英語のみであり、エージェントは調査と記憶はするがタスクを実行しない——航空券の予約はしない。無料枠こそが製品だ。それは消費者向けの提供としては申し分ないが、統合にとっては行き止まりだ。

Realtime-Venusは、ビルダーに実行する場所以外のすべてを提供する。重みは寛容なライセンスで提供され、コードは標準的なTransformers呼び出しで読み込まれ、全二重ストリーミングは単一のメソッド切り替えで開始でき、文書化されたループは、1秒のストリーミングプリフィルとそれに続くストリーミング生成を繰り返すというものだ。長尺動画メモリはmemory-minutesパラメータで有効化され、トレーニング不要と説明されている。これは、通常ファインチューニングを必要とする能力としては珍しい。2つの注意点は、発見に委ねられるのではなく文書化されている。ユーティリティのインポート前に定数を引き上げない限り長尺動画を黙って切り詰めるフレーム上限と、デュプレックス動画にレンダリングされる非ラテン文字字幕に必要なCJKフォントだ。

そうしたことのいずれも変えないのは、ハーネス——このアーキテクチャで最も特徴的な部分である非同期の委任を実行するコンポーネント——が別のGitHubリポジトリにあり、モデルよりもはるかにドキュメントが少なく、本番運用への準備が整っているかを最も判断しにくい部分だという事実です。実際のデプロイでは、委任の部分は会話フロントエンドの背後にあるごく普通のテキスト推論にすぎません。OrcaRouterはRealtime-VenusもSesame Previewも扱っていません。両方の音声レイヤーは当社が提供する範囲の外にあり、存在しないホスティング関係をほのめかすのではなく、そのことをはっきりと申し上げます。プロバイダーの定価でマークアップなし、1つのキーの背後に約200のテキストモデル——これが、そのアーキテクチャのうち当社が実際にカバーしている半分であり、委任されたタスクが上流の障害を乗り切るため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ます。それは、面白い部分が売り物ではない設計のうち、購入できる部分です。

正直な推薦

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、それを統合する必要がない消費者なら、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、レビュアーがそう言い続けているのも納得できるほど正当なものです。使って楽しんでください。

もしあなたが研究者、あるいは中身を検査してファインチューニングできるオープンな音声・視覚の全二重スタックを必要とする、十分なリソースを持つエンジニアリングチームなら、Realtime-Venus はごく少数しかない実質的な選択肢の一つであり、そのベンチマークが自己申告であるという事実は、重みが本当にオープンで、アーキテクチャが本当に文書化されていることを変えるものではない。

今四半期に投入する音声レイヤーを探しているプロダクトチームにとって、このどちらも答えにはならない。そして、この組み合わせから得られる有益な示唆は、なぜそうなのかという点にある。一方のラボは優れたものを作りながら、良い部分を非公開にした。もう一方はすべてを公開し、インフラを用意するのはあなたに任せた。このカテゴリーは、聴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形で購入可能であるべきかどうかは、まだ決めていない。