Phonic 1 vs Sesame Preview: 무음 침묵 문제, 두 가지 정반대 방식으로 해결

Phonic 1과 Sesame Preview는 둘 다 대화형 음성 모델로 판매되지만, 둘이 추구하는 역할은 같지 않다. Phonic 1 — 벤더는 Phonic-1로 표기한다 — 은 분당 $0.07의 음성 대 음성 엔드포인트로, 2026년 10월 29일 상용화된 뒤 Artificial Analysis의 Speech to Speech Index에서 87.1점으로 곧바로 1위에 올랐다. Sesame Preview는 Maya, Miles, Simone, Charlie 목소리를 뒷받침하는 무료 컴패니언 앱이다: 공개 API도, 요금표도, 어떤 독립 리더보드의 순위도 없으며, 2027년에 안경을 판매하겠다는 계획만 내세우고 있다. 두 이름을 한 문장에 넣으면 가장 먼저 드러나는 사실은 둘 중 하나만 구매할 수 있다는 점이다.

두 번째로 따라 나오는 것은 더 흥미롭다. 두 제품 모두 마케팅을 걷어내면 같은 작은 굴욕에 대한 답이다. 기계가 무슨 말을 할지 결정하는 동안의 0.5초 침묵 말이다. Phonic은 발화자가 말을 끝내기 전에 작업을 수행함으로써 이를 공략한다. Sesame은 발화자가 언제 말을 끝냈는지 더 잘 알아내는 방식으로 이를 공략한다. 이는 진정으로 다른 엔지니어링 베팅이며, 겹치지 않는 도구로 측정되고, 둘 사이의 선택은 벤치마크 표가 아니라 당신의 제품이 어느 베팅에 의존하는지에서 나온다.

비교가 애매해지기 전에 각각이 실제로 무엇인지

Phonic 1은 오디오 입력과 오디오 출력을 갖춘 종단 간 음성 모델로, 중간에 전사한 뒤 사고하고 발화하는 캐스케이드가 없습니다. TypeScript 및 Python SDK, CLI, 노코드 에이전트 빌더와 함께 출시되었으며, 화자의 정체성을 유지하면서 대화 중 전환할 수 있는 51개 언어가 문서화되어 있고, 문서화된 intelligence_level 설정의 기본값은 standard이며 high로 높일 수 있으며, 엔터프라이즈 약관에는 SOC 2 Type II, HIPAA BAA, 제로 데이터 보존, 99.9% 업타임 SLA가 포함됩니다. 세 가지 티어로 분당 판매되며, 이 회사를 이끄는 곳은 MIT와 스탠퍼드 출신 약 10명으로, First Round가 주도한 2,750만 달러 규모의 시리즈 A 투자를 유치했습니다.

Sesame Preview는 대여하는 모델이 아니다. 그것은 소비자 제품이다 — iOS 및 웹 앱으로, 무료이며, 2026년 5월 말부터 39개국에 걸쳐 출시되었고, 지속적 메모리, 문장 중간에 실행되는 병렬 웹 검색, 노트 작성, 문자 모드, 시크릿 모드를 갖춘 네 개의 이름 있는 에이전트를 탑재한다. Sesame이 보고한 목표는 첫 오디오 300ms 미만이며, 회사는 이 모델이 어조와 속도 면에서 여전히 "지나치게 적극적이고 종종 부적절하다"고 공개적으로 인정해 왔다. 엔터프라이즈 등급은 없으며 프로덕션 음성을 라이선스할 방법도 없다.

Sesame이라는 이름이 빌드에 실제로 적용되는 단 하나는 Sesame CSM-1B이며, 2025년 3월 13일에 Apache 2.0으로 공개되었습니다. 이는 기본 대화형 음성 모델로, 영어 중심이며, 이전 턴에 조건화된 Mimi 오디오 토큰을 생성하도록 구축되었습니다. 이는 앱의 음성은 아닙니다. Preview 캐릭터는 공개된 적 없는 큐레이션된 파인튜닝과 음성 캐스트에서 비롯됩니다. 두 가지를 모두 실행해 본 리뷰어들은 공개 체크포인트가 앱보다 들을 때 더 약하다고 설명하며, 이는 "Sesame 모델을 그냥 자체 호스팅하는 것"을 라이선스 없는 지름길이 아니라 다른 제품으로 만듭니다.

같은 반 초 동안 가해진 두 번의 공격

Phonic의 출시 주장은 이 범주에서 가장 구체적인 것이다. Phonic-1은 발화자가 아직 말하고 있는 동안에도 행동할 수 있는 유일한 모델이라고 말한다. 회사가 공개한 데모에서 이 모델은 문장 중간에 다섯 개의 도구 호출을 모두 실행했고, 발화자가 말을 멈춘 뒤 1.1초 만에 응답했으며, 동일한 스크립트에서 GPT-Live-1은 15.7초로 제시한다. 이는 벤치마크가 아니라 설계의 데모로 읽어야 한다 — 공급업체가 선택한 작업을 공급업체가 고른 스크립트에서 수행한 것이다. 하지만 핵심은 설계다. 턴이 끝날 때까지 조회가 이미 완료되어 있다면, 모델은 턴의 끝을 예측하는 데 탁월할 필요가 없고, 그저 방해가 되지 않으면 된다.

Sesame은 다른 길을 갔고, 예측 자체를 하나의 연구 프로그램으로 만들었다. 2026년 8월에 공개한 TurnBench는 턴테이킹 동역학을 위한 공개 벤치마크다. 스튜디오에서 녹음한 2채널 대화 30시간, 154개의 대화, 여섯 가지 레지스터에 걸친 106명의 성우로 구성되었고, Fleiss' kappa 0.78로 삼중 주석되었으며, 위양성률에 상한을 둔 조건에서의 재현율과 중앙값 기준 부호 있는 지연으로 채점된다. 꼭 기억해야 할 핵심 결과는 이것이다: 상대방이 말을 멈추기 전에인간 화자는 중앙값 151 ms 먼저 턴 전환을 시작하며, 이 분야의 어떤 시스템도 위양성 예산 안에서 그에 필적하지 못한다. 의미 기반 탐지기는 선택적이고 느리며, 음향 기반 탐지기는 빠르고 잡음이 많다. 둘 다인 것은 없다.

그것이 갈림길입니다. 분명히 말하자면요. Sesame은 인간의 예측 시간인 151ms와 최고의 탐지기가 처리하는 368ms에서 1,234ms 사이의 격차를 좁히려고 합니다. Phonic은 그 격차를 채우는 작업을 없애 격차를 무의미하게 만들려고 합니다. 둘 다 타당합니다. 오늘 여러분이 엔드포인트로 사용할 수 있는 것은 둘 중 하나뿐이며, 그것은 벤치마크를 공개한 쪽이 아닙니다.

그중 하나를 점수 매기는 심사위원단 — 그리고 그것이 빠지는 하나

Artificial Analysis의 Speech to Speech Index는 이 분야에서 유일한 독립적 복합 지표이며, 이 글을 쓰는 현재 Phonic 1이 그 최상위를 차지하고 있습니다. 주목할 행은 다음과 같습니다:

• Phonic 1 (High) — 지수 87.1, 1위; 첫 오디오까지 소요 시간 0.61초; 입력 오디오 1시간당 $4.20.

• Grok Voice 3.0 — 86.9; 0.81초; 시간당 $4.80.

• GPT-Live-1 (Astra, medium) — 83.2; 1.34초; 시간당 $5.83

• Gemini 3.8 Live Extended Thinking (High) — 82.6; 1.35초; 시간당 $3.50.

• Eleven Realtime v1 Max — 77.3; 0.57초; 시간당 $4.80.

마지막 행에 주목하세요. Eleven Realtime v1 Max는 Phonic 1보다 첫 오디오까지 더 빠르며 — 0.57초 대 0.61초 — 지수는 9.8포인트 더 낮습니다. 첫 오디오까지 걸리는 시간은 Phonic이 이긴 경쟁 항목이 아닙니다. Phonic이 승리한 것은 종합 점수이며, 여기에는 음성 추론, 에이전트 작업 행동, 인간 선호도, 작업 성공률도 함께 반영됩니다. 단일 항목만 보고 "가장 빠르다"고 인용하는 사람은 잘못된 항목을 인용하는 것입니다.

이제 비대칭성이 드러난다. 그 리더보드에는 Sesame Preview 행이 없고, 나타날 방법도 없다. 그 인덱스는 API 하네스를 통해 모델을 실행하는데, Sesame Preview에는 API가 없기 때문이다. Sesame 자체의 평가 도구도 이 공백을 메우지 못한다. TurnBench는 Sesame이 공개했으며, 이 글을 쓰는 시점에 Sesame 항목을 싣고 있지 않다. 그 보드에는 음성 활동 예측 모델, ESPnet, Kyutai의 시맨틱 VAD, Gemini 3.1 Live, OpenAI Realtime, Moshi가 나열되지만, 자사가 실제로 제공하는 음성은 빠져 있다. 그건 스캔들이 아니다. 벤치마크 작성과 벤치마크 제출은 다른 행위이며, 컴패니언 앱에는 채점기가 겨냥할 안정적인 엔드포인트가 없다. 그러나 그것은 이 맞대결의 두 헤드라인 수치, 즉 한쪽의 87.1과 다른 쪽의 300ms 미만이 같은 종류의 주장이 아니라는 뜻이다. 하나는 제3자가 하네스에서 측정한 것이다. 다른 하나는 회사 외부 누구도 계측하지 않은 제품에 대해 벤더가 밝힌 목표치다.

Phonic 자체 근거로 볼 때, Phonic 1이 지는 칼럼

Sesame Preview를 살펴보는 이유가 그것이 사람처럼 들리기 때문이라면, 이 비교에는 불편한 답이 있으며, 그 답은 비평가가 아니라 Phonic 자체의 보도 자료에서 나옵니다.

Phonic은 제3자 청취 테스트 서비스인 Podonos에 블라인드 쌍대 비교 청취 테스트를 의뢰했고, 출시 게시글에서 그 결과를 보고했다. Phonic-1은 GPT-Live-1보다 61.5% 대 32.0%로, Grok Voice 3보다 66.5% 대 26.5%로, Eleven v4 Turbo보다 78.0% 대 14.0%로 더 선호되었다. 회사가 대표로 내세운 헤드라인은 정작 회사가 진 항목이다. 인간 성우가 Phonic-1보다 57.0% 대 32.0%로 더 선호되었으며, 게시글은 이를 인간이 약 60%의 승률을 기록한 것으로 설명하면서도 아직 개선의 여지가 상당하다고 밝혔다. 이는 모두 벤더가 의뢰하고 벤더가 보고한 수치이며, 어느 것도 독립적으로 재현되지 않았다. 그러나 이는 벤더의 수치이고, 이 수치에 따르면 Phonic 1은 비교 대상 중 최고의 합성 음성이지만 여전히 인간은 아니다.

독립적인 선호도 데이터도 같은 방향을 가리킨다. 종합 지수에 반영되는 Speech Agent Arena에서 Phonic 1은 청취자 선호도에서 Elo 1,012로 30개 중 8위인 반면, 작업 성공률 92.3%로 4위를 기록한다. 지수 1위 모델은 청취자들이 가장 대화하고 싶어 하는 모델이 아니다. 이는 Grok Voice 3.0에서 반대쪽으로 목격한 것과 같은 분열이다. xAI는 아레나를 장악했지만 에이전틱 부문에서는 졌다. 그리고 이것은 이 둘 간의 맞대결을 하나의 숫자로 결판낼 수 없는 구조적 이유다.

한편 Sesame의 평판은 바로 그 칼럼에만 기대 있으며, 그보다 더 엄격한 것에는 전혀 기대지 않는다. Maya and Miles 데모는 2025년 2월에 숨소리, 망설임, 자기 수정, 웃음 때문에 입소문을 탔고, 그때 퍼진 주장은 청취자들이 짧은 클립에서 그 목소리와 인간의 목소리를 안정적으로 구별할 수 없다는 것이었다. 그것은 점수화된 테스트가 아니라 청중이 형성한 인상이며, Phonic 1과 같은 자리에 놓인 적이 없다. 한 청취자가 Sesame Preview와 Phonic 1을 연달아 듣는 공개된 실험은 없다. 어느 쪽이 더 좋게 들리는지 말하는 사람은 자신이 어느 쪽을 들어봤는지를 말하고 있을 뿐이다.

1분의 비용, 그리고 분이 잘못된 단위인 이유

가격표는 짧고 한쪽으로 치우쳐 있습니다:

• Phonic 1 — Starter에서는 최소 사용량 없이 분당 $0.07, 동시 통화 10건, 에이전트 10명 및 좌석 3개; Pro에서는 월 최소 $200 기준 분당 $0.065, 약 3,100분, 동시 통화 50건; 엔터프라이즈는 맞춤형입니다. 11월 30일 이전에 가입하면 $250 크레딧을 받으며, Cascade에서 이전하는 고객은 3개월 무료입니다.

• Sesame Preview — $0. 분당 과금도, 좌석당 과금도, 에이전트당 과금도 아닙니다. 앱에서 무료입니다.

• Sesame CSM-1B — 가중치는 무료이지만, 비용은 GPU 시간과, 자체적으로 텍스트를 생성할 수 없는 체크포인트를 중심으로 턴테이킹, 문맥 조건화 및 언어 모델을 구성하는 엔지니어링 시간을 합한 것입니다.

생산적인 비교를 해 보면 분당 기준의 구도는 무너진다. Phonic 1 Starter에서 월 1만 분은 700달러로, 콜센터에는 반올림 오차에 불과하고 사이드 프로젝트에는 실제 예산이다. Sesame은 요금을 받지 않는데, Sesame은 분을 팔고 있는 것이 아니라 2027년 아이웨어 출시를 앞두고 일상 습관을 팔고 있으며, 습관은 오디오의 분당이 아니라 하드웨어에서 1인당·연간으로 수익화된다. 요금표를 무료 앱과 비교하는 것은 공급업체를 광고판과 비교하는 것이다.

그러면 비용 질문의 정직한 버전이 남습니다: 출시하는 데 드는 비용은 얼마입니까? Phonic 1의 답은 계약 하나, 웹소켓 하나, 그리고 Pro 비용을 지불하지 않는 한 Starter에서 동시 호출 10건입니다. Sesame Preview의 답은 숫자가 없다는 것입니다. 제공 상품 자체가 없기 때문입니다. 출시 가능한 Sesame에 가장 가까운 것은 CSM-1B이고, CSM-1B에 요율표라고 부를 만한 가장 가까운 것은 GPU 청구서입니다.

세 명의 구매자, 세 가지 다른 답변

호출량을 캐스케이드에서 빼내고 있고, 통화는 반드시 완료되어야 합니다. Phonic 1, 그리고 이 케이스는 컴포지트가 아니라 에이전틱 컬럼입니다. 발신자가 말을 멈추기 전에 발생하는 도구 호출이야말로 예약을 잡아 주는 에이전트와 발신자에게 같은 말을 반복하게 만드는 에이전트를 가르는 차이입니다. $0.07은 실패한 인테이크 통화의 비용에 비하면 저렴하며, 커밋하기 전에 크기를 산정해야 할 것은 동시성 상한입니다.

당신의 제품은 그 제품이 들리는 방식 그 자체입니다. 동반자, 코치, 튜터, 브랜드 보이스 — 사용자가 머무는 이유가 바로 그 목소리 자체인 모든 것. Sesame Preview가 기준점이며 Phonic 1은 아직 답이 아닙니다: 벤더 자체의 블라인드 테스트에서 인간이 거의 2대 1로 이를 앞섰습니다. 하지만 그 기준점은 구매할 수 없으므로, 현실적인 선택지는 측정된 선호도 점수를 갖춘 라이선스 음성 모델, 또는 CSM-1B와 상당한 자체 엔지니어링입니다.

당신이 원하는 것은 분리된 구성, 즉 Sesame의 색깔을 지닌 음성에 에이전트형 백엔드를 붙인 조합입니다. 이것은 두 회사의 로드맵이 모두 가리키지만 어느 쪽도 판매하지 않는 조합입니다. 실제로 구현할 수 있는 버전은 음성용으로 CSM-1B나 다른 오픈 음성 모델을 사용하고, 그 뒤에 사고용으로 기존의 텍스트 모델을 두고, 당신이 직접 이 둘을 연결하는 것입니다. 그 텍스트 단계는 평범한 채팅 추론이며, 바로 이 계층에서 200개 이상 모델을 0% 마크업으로 제공하는 하나의 API가 실제로 적용됩니다: 추론 단계를 위한 단일 키, 제공자 정가가 그대로 전달되는 것, 같은 호출 안에서 잡담형 주고받기와 정책 비중이 큰 추론을 서로 다른 모델로 보내는 라우팅 DSL, 그리고 제공자 쪽의 일시적 장애가 대화를 끝내지 않도록 하는 자동 페일오버까지. Phonic 1도 Sesame Preview도 그 카탈로그에 없습니다 — Phonic 1은 단일 벤더 엔드포인트이기 때문이고, Sesame Preview는 라우팅할 엔드포인트가 없기 때문입니다 — 따라서 이것은 당신이 직접 조립하는 스택의 절반에 관한 진술이며, 위의 어느 모델에 관한 주장이 아닙니다.

이 답변을 바꾸려면 무엇이 필요할까요?

세 가지를, 가능성이 높아지는 순서로 말하자면.

Phonic은 표준 지능 설정에 대한 청취 테스트 수치를 공개합니다. 이 글의 모든 점수는 87.1과 0.61초를 포함하여 고급에서 산출되었습니다. API는 기본값으로 표준을 사용하며, 이는 더 낮은 지연 시간 모드로 문서화되어 있지만, 그 구성이 품질이나 첫 오디오까지 걸리는 시간에 어떤 영향을 미치는지는 아무도 공개하지 않았습니다. 해당 설정을 건드리지 않는 통합은 측정되지 않은 변형을 실행하고 있는 셈입니다.

Sesame가 엔드포인트를 공개하거나, 자사 턴테이킹 보드에 자사 실제 제품 음성을 올리는 것. 둘 중 어느 하나라도 이뤄지면 이 일은 제품 대 명성의 비교에서 두 가지 측정 가능한 대상의 비교로 바뀔 것이다. 둘 다 Sesame가 설명한 로드맵에는 없다. 그 로드맵은 Android를 거쳐 2027년 아이웨어로 이어진다.

누군가 같은 방에서 두 시스템을 모두 실행한다. 동일한 프롬프트로 {{1}}Sesame Preview의 프로덕션 음성과 Phonic 1{{/1}}을 대상으로 단 한 번의 블라인드 테스트를 하면 자연스러움 문제는 반나절 안에 결판날 것이며, 두 시스템 중 하나는 외부인이 접근할 수 없기 때문에 Sesame에서 일하지 않는 사람은 그 테스트를 실행할 수 없다.

그중 하나가 실현되기 전까지, 정당화될 수 있는 해석은 이렇다. Phonic 1은 둘 중 실제로 배포할 수 있는 유일한 제품이고, 두 제품 중 어느 하나를 점수화하는 유일한 독립 종합 평가에서 선두이며, ‘턴이 끝나기 전에 완료된 작업’이라는 승부에서 이기고, 측정 가능한 수준에서 아직 사람의 목소리가 아니다. Sesame Preview는 더 좋게 들리지만 구할 수 없는 것이며, 현재 그것을 판매하는 사업을 하지 않는 회사가 내놓은 것이다. 그 둘은 한 메뉴에 올라 있는 두 가지 선택지가 아니다. 그것들은 공급업체와 데모이고, 두 제품의 사양표 비교를 빨리 멈출수록 당신의 제품이 실제로 필요로 했던 것이 어느 쪽인지 더 빨리 결정할 수 있다.