Eleven Realtime v1 Max vs Sesame Preview: Głos, który zachwyca ucho, przegrywa z zadaniem

Zapytaj kogoś, jaki asystent głosowy brzmi najbardziej ludzko, a usłyszysz S​esame Preview. Zapytaj, jaki model przedsiębiorstwo może udostępnić pod numerem telefonu, a odpowiedź brzmi Eleven Realtime v1 Max — model mowa-mowa ogłoszony 20 października 2026 r., który rozwiązuje 87,1% zadań w ustalonym zestawie ewaluacyjnym, odpowiada w 0,57 sekundy i jest dostępny przez ElevenAgents lub za pośrednictwem interfejsu Realtime API zgodnego z O​penAI. S​esame Preview to aplikacja konsumencka z czterema nazwanymi towarzyszami i bez możliwości kupienia głosu w niej zawartego. Udokumentowane incydenty AI i awarie agentów dotyczące modeli tej klasy są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom ważności, stopień pewności i oznaczenie sporne.

To nie jest nokaut, ponieważ oba produkty gonią za czymś innym, a argument za głosem Sesame ma realne podstawy. Badacze Sesame już wcześnie i publicznie mówili o tym, że to nie barwa głosu, lecz wyczucie czasu w rozmowie — „mm-hmm”, nakładanie się wypowiedzi, gotowość do ustąpienia w połowie zdania — jest doliną niesamowitości. Dokumentacja ElevenLabs stawia ten sam zakład z przeciwnej strony: Mini jest opisywany jako wykrywający, czy mówca skończył, czy tylko się wtrąca. Dwa laboratoria, jedna teza, przeciwne modele biznesowe.

To, co w tym porównaniu jest ciekawe, to co każdy z nich faktycznie zmierzył. ElevenLabs publikuje sześć liczb i partnera ewaluacyjnego. Sesame publikuje doświadczenie.

Czym dokładnie jest każdy z nich

Eleven Realtime v1 Max to jedna sieć, która łączy rozpoznawanie, zarządzanie kolejnością mówienia, rozumowanie i generowanie głosu, przeznaczona do złożonych zadań z wieloetapowym korzystaniem z narzędzi: obsługa klienta, kwalifikacja leadów, wspomagane planowanie. Jej tańszy odpowiednik, Eleven Realtime v1 Mini, jest domyślnym wyborem dla nowych agentów ElevenAgents i jest ukierunkowany na naturalną rozmowę przy niższym koszcie. Do Maxa można dotrzeć na dwa sposoby — z listy rozwijanej ElevenAgents, gdzie ElevenLabs zarządza za Ciebie modelem LLM, modelem TTS, dostawcą ASR i ustawieniami rozumowania, albo przez Realtime API, które obsługuje protokół zdarzeń Realtime OpenAI przez WebSocket pod adresem wss://api.elevenlabs.io/v1/convai/realtime.

Sesame Preview to darmowy konsumencki asystent głosowy: czterech nazwanych agentów — Maya, Miles, Simone, Charlie — dostępnych na iOS i w internecie, opisywany przez niemal wszystkich, którzy go wypróbują, jako najbardziej naturalny asystent głosowy na rynku. Zachowuje kontekst między sesjami, wyszukuje w internecie i ustawia przypomnienia. Nie rezerwuje, nie kupuje ani nie składa żadnych dokumentów. Nie ma planu enterprise, opublikowanego cennika ani publicznego API dla głosu, który słyszysz w aplikacji.

Oba są pełnodupleksowymi systemami konwersacyjnymi, w których naprzemienność mówienia jest tak dobra, że ludzie przestają ją zauważać. Tu kończy się podobieństwo i tu pytanie „który jest lepszy” przestaje mieć jedną odpowiedź.

Liczby, które ma jedna z nich

Artificial Analysis niezależnie ocenił Eleven Realtime v1 Max w tym samym środowisku testowym, które stosuje do każdego modelu mowy na mowę. To są jego wyniki, a nie ElevenLabs:

• Rozumowanie mowy (Big Bench Audio) — Maks. 98,8%

• Dynamika konwersacji (Full-Duplex-Bench) — Maks. 94,1%

• Wskaźnik skuteczności zadań — maks. 87,1%

• Preferencja areny (Elo) — Maks. 997

• Czas do pierwszego dźwięku — maks. 0,57 s

• Koszt za godzinę audio wejściowego — maks. 4,80 USD

• Wydajność agentowa (τ-Voice) — Max nie został zmierzony

• Speech to Speech Index — Max nie został oceniony

S​esame Preview nie występuje w żadnym z tych wierszy. Nie ma publicznego API, więc żaden niezależny harness nie może go uruchomić, a zachowanie samej aplikacji nigdy nie było benchmarkowane pod kątem ukończenia zadań ani latencji przez nikogo spoza S​esame. Kiedy ludzie mówią, że S​esame brzmi lepiej, relacjonują wrażenie słuchowe i jest to uzasadnione — to po prostu nie jest ten sam pomiar co arena, za którą stoją metodologia i model preferencji.

To działa w obie strony. Elo 997 w arenie to prawdziwa liczba od prawdziwych słuchaczy i plasuje Maxa za G​rok Voice 3.0 z 1,064, G​PT-Live-1 (Sol, low) z 1,047 i G​emini 3.8 Live z 1,078. E​levenLabs wygrywa w wierszach rozumowania i szybkości, a nie wygrywa w wierszu preferencji. Jeśli twoja intuicja podpowiada, że głos S​esame bije głos Maxa, wynik areny jest z nią spójny — po prostu zmierzono go względem innych modeli API, a nie względem S​esame.

Kwestia otwartych wag, czyli tam, gdzie większość porównań się myli

Każdy tekst zachwalający głos Sesame tak naprawdę chwali aplikację, a głos tej aplikacji to zamknięty model produkcyjny, którego Sesame nigdy nie udostępniło jako endpointu. To, co Sesame udostępniło na zasadach open source, to CSM-1B — 1B-parametrowy konwersacyjny model mowy z rodziny Moshi, na licencji Apache-2.0. To blok syntezy, a nie asystent: szkielet Llama przewiduje pierwszą książkę kodową Mimi, mniejszy dekoder Llama przewiduje pozostałe, a kodek Mimi zamienia to na przebieg fali 24 kHz. Jest zoptymalizowany przede wszystkim pod angielski, klonuje głos na podstawie krótkiego klipu referencyjnego i w ogóle nie potrafi generować tekstu — łączy się go z osobnym modelem językowym.

Osoby, które testowały oba, opisują głos CSM-1B jako wyraźnie słabszy niż w aplikacji Preview, a karta modelu samego Sesame potwierdza tę interpretację: interaktywne demo napędza dostrojony wariant CSM, który nie jest checkpointem dostępnym do pobrania.

Uczciwa wersja „S​esame vs E​levenLabs” wygląda tak. S​esame ma piękny zamknięty głos, którego nie można wywołać, oraz mały otwarty blok syntezy, który można — i nie są to te same modele. E​levenLabs ma wywoływalny model, którego głos jest wymiernie dobry, ale nie najbardziej lubiany, oraz cenę. Asymetria, która ma znaczenie dla twórcy, nie polega na tym, który brzmi lepiej; chodzi o to, który ma endpoint — a tu nie ma porównania.

Gdzie scalenie daje o sobie znać w środowisku produkcyjnym

E​levenLabs argumentuje, że połączenie rozpoznawania, zarządzania turami rozmowy, rozumowania i głosu w jeden dostrojony system eliminuje szwy, które pozostawia kaskada.

W ElevenAgents scalanie jest dosłowne i ma swoją cenę: gdy ustawiony jest model Realtime, LLM, nakład rozumowania, budżet myślenia, równoległe wywołania narzędzi, limit czasu kaskady, model TTS, tryb ekspresyjny i dostawca ASR są zarządzane przez ElevenLabs i ignorowane w agencie. Węzeł przepływu pracy nie może ich nadpisać, a agent w ogóle nie może używać niestandardowego LLM ani Amazon Bedrock. Wybierasz model i wybierasz cały stos pod nim.

Matryca zgodności jest nierówna w sposób, który zaskoczy osoby wdrażające to w różnych regionach:

• Lokalizacja danych — Max działa w USA i UE, ale nie w Indiach ani Singapurze, gdzie oferowana jest tylko Mini

• Tryb zerowego przechowywania danych i HIPAA — Max jest obsługiwany w USA i UE; Mini nie jest obsługiwany w żadnym z tych regionów

• Limit tokenów — Max wymaga 1,024 tokenów albo braku limitu, a węzły workflow nie mogą tego nadpisać

• Przekazywanie przez agenta — agent w Realtime-mode może przekazywać wyłącznie do innych agentów w Realtime-mode i od nich, choć dozwolone jest Mini-to-Max

• Transport — brak WebRTC na premierę; Realtime API działa wyłącznie przez WebSocket

Te reguły są egzekwowane przy publikacji, a nie przy zapisie: wersja robocza, która narusza którąś z nich, zapisuje się bez problemu, ale nie przechodzi przy publikacji — pojawia się błąd wskazujący dane ustawienie. Jeśli tworzysz prototyp, to drobna niedogodność. Jeśli wdrażasz do kolejki objętej regulacjami, decyduje to o tym, którego wariantu możesz użyć w którym środowisku, a tańszy nie zawsze jest zgodny z wymogami.

Który z nich należy do twojego stacka?

Wybierz Eleven Realtime v1 Max, gdy głos jest środkiem do celu, a rozmowa musi przynieść konkretny rezultat — triage wsparcia, planowanie wizyt, kwalifikacja leadów. Otrzymujesz endpoint już dziś, protokół zdarzeń zgodny z OpenAI, dzięki któremu migracja z integracji Realtime to zmiana dwóch ciągów znaków, zmierzony wskaźnik skuteczności realizacji zadań na poziomie 87,1%, najszybszy mocny model rozumujący w zestawieniu oraz cenę, którą możesz wyliczyć na 4,80 USD za godzinę dźwięku. Zaakceptuj to, że wdrożenie wciąż trwa, że jego zachowanie agentowe nie zostało zmierzone, a jego głos nie plasuje się na szczycie rankingu preferencji.

Wybierz S​esame Preview, gdy analizujesz, jak powinna brzmieć jakość konwersacyjna, albo budujesz produkt konsumencki, w którym rozmowa jest produktem. Jest darmowy, brzmi najlepiej spośród tego, czego próbowała większość ludzi, i to dobry sposób na skalibrowanie własnego gustu. Nie planuj wokół niego integracji: nie ma się z czym integrować, a CSM-1B nie jest modelem w aplikacji.

Wybierz CSM-1B tylko wtedy, gdy chcesz mieć otwarty, możliwy do samodzielnego hostowania blok syntezy mowy i jesteś gotów zbudować wokół niego resztę — ASR, model językowy, warstwę przejmowania tur. Jest objęty licencją Apache-2.0 i w tej roli jest naprawdę przydatny. Nie jest konkurentem dla Max i nigdy nie miał nim być.

Hybryda i ta połowa, w której router może pomóc

Większość poważnych produktów głosowych ostatecznie miesza modele, zamiast wybierać jeden. Model brzmiący naturalnie w turach otwarcia i potwierdzeń, gdzie odczuwalne są ciepło i opóźnienie; model niezawodny zadaniowo w turach transakcji, gdzie błąd oznacza utraconą rezerwację. Ani Eleven Realtime, ani S​esame nie ułatwiają tego w ramach jednego połączenia — interfejs Realtime API firmy E​levenLabs jest osobnym produktem od ElevenAgents i działa wyłącznie przez WebSocket, a S​esame nie ma API, z którym można by go łączyć.

Warstwa routingu naprawdę zasługuje na swoje miejsce o jeden poziom niżej — w pracy, którą deleguje model głosowy. W OrcaRouter oznacza to 209 modeli od 16 dostawców upstream za jednym kluczem, w cenie katalogowej dostawcy bez marży, z automatycznym przełączaniem awaryjnym, gdy dostawca zwróci błąd. Fuzja modeli pozwala panelowi odpowiadać wspólnie, gdy osąd jednego modelu nie wystarcza; DSL routingu pozwala złożyć kilka z nich w jedno wywołanie. Sam Eleven Realtime v1 Max nie znajduje się w naszym katalogu — nie ma dla niego endpointu strony trzeciej — więc uczciwą granicą jest to, że możemy routować wyszukiwanie, streszczanie i analizę po rozmowie, ale nie głos.

To, co zmieniłoby ten artykuł, to benchmark mierzący naturalność tak, jak arena mierzy preferencje, przeprowadzony zarówno na aplikacji Sesame, jak i na modelach API — albo endpoint produkcyjnego głosu Sesame. Każde z tych rozwiązań zamieniłoby wybór między dostępem a doświadczeniem w rzeczywiste porównanie. Do tego czasu jeden z tych modeli można wywołać, a drugi można jedynie podziwiać, i to przesądza więcej niż jakikolwiek test odsłuchowy.