Fish Audio Live 3 vs Sesame Preview: Dwie odpowiedzi na zmianę mówiących, jedna z nich mierzalna
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 100 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaNOWOŚĆOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 122 tok/s
- OrcaNOWOŚĆOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 229 tok/s
- OrcaNOWOŚĆOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 za 1 mln tokenów · 39 tok/s
- OrcaNOWOŚĆOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 129 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 58 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 97 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 40 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 124 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 105 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 za 1 mln tokenów · 63 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencja
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencja
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 za 1 mln tokenów · 417 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228Inteligencja
Sesame opracowało benchmark dokładnie pod problem, który Fish Audio Live 3 twierdzi, że rozwiązał, a następnie Fish Audio wypuściło model, którego w nim nie ma. To krótka wersja tego porównania. Sesame Preview — czteroagentowy produkt konsumencki działający na opracowanym w laboratorium Conversational Speech Model — opublikował TurnBench w sierpniu 2026 r.: trzydzieści godzin potrójnie anotowanej mowy dwóch osób, publiczny ranking, interaktywny podgląd rozmów oraz wyniki czternastu systemów. Fish Audio Live 3, ogłoszony 10 listopada 2026 r., przekonuje, że czasy konwersacyjne powinny być uczone wewnątrz modelu mowy, a nie narzucane przez progi ciszy, i publikuje trzy przykładowe rozmowy oraz wynik 186 milisekund. Argument jest ten sam. Dowody nie są te same.
Wszystko inne wynika z tego, jak odmiennie obie firmy przełożyły ten argument na produkt. Live 3 jest sprzedawany: $0,035 za minutę na Fish Audio Agent Platform w ramach promocji kończącej się 31 grudnia 2026 r., z udokumentowanym API i opcją on-premises dla przedsiębiorstw. Sesame Preview jest rozdawany za darmo: cztery stałe osobowości w aplikacji na iOS i Androida, bez API, bez identyfikatora modelu dla głosu w aplikacji i bez jakichkolwiek rozliczeń za tokeny lub minuty. Na jednym z nich możesz budować już w tym tygodniu. Drugiego możesz tylko słuchać.
Test, który istnieje — i dlaczego Live 3 się na nim nie znajduje
Naprzemienność mówienia to rzadka zdolność, w przypadku której branża zgodziła się co do sposobu jej pomiaru, zanim pojawiły się modele, i w dużej mierze zawdzięczamy to Sesame. TurnBench, opublikowany 28 sierpnia 2026 r. i zbudowany we współpracy z Carnegie Mellon University, Mundo AI i Oto, ocenia systemy pod kątem tego, jak radzą sobie dokładnie z zdarzeniami, przez które agent telefoniczny wydaje się działać źle: potwierdzeniem, które nie powinno przejmować tury, przerwaniem, które powinno, pauzą, która nie jest zakończeniem. Tabela liderów jest publiczna, zbiór deweloperski jest samoobsługowy, a wyniki obejmują czternaście systemów.
Fish Audio Live 3 nie znajduje się wśród nich, podobnie jak żaden inny model dupleksowy Fish Audio. To nie skandal — model wydany w listopadzie nie może znaleźć się na sierpniowym rankingu — ale jest to najbardziej przydatny pojedynczy fakt w tym porównaniu, ponieważ mówi, jaki rodzaj twierdzenia składa każda firma. Sesame umieściło swój własny produkt w publicznym teście, który pomogło zaprojektować, gdzie każdy może sprawdzić wynik. Fish Audio umieściło swój produkt w promocyjnym cenniku, gdzie każdy może sprawdzić cenę.
Oba są prawdziwymi premierami. Tylko jedna z nich pozwala postronnej osobie zweryfikować to, czego dotyczy marketing.
Co każda ze stron faktycznie dostarcza
• Co to jest — Fish Audio Live 3 to model mowy pełnodupleksowej stojący za platformą agentową; Sesame Preview to konsumencka aplikacja asystenta z czterema agentami — Maya, Miles, Simone i Charlie — z których każdy ma własną pamięć.
• Dystrybucja — Live 3: platforma samoobsługowa, udokumentowane API, wersja enterprise on-premises. Sesame Preview: aplikacje iOS i Android, bezpłatne, brak API, brak identyfikatora modelu dla głosu w aplikacji.
• Cena — Live 3: 0,035 USD/min w promocji, 0,07 USD według cennika, plus 0,01 USD/min za połączenia telefoniczne i 1,20 USD/miesiąc za numer. Sesame Preview: brak publikowanej ceny i publikowanego poziomu planu; aplikację można pobrać bezpłatnie.
• Języki — Live 3: tylko angielski w momencie premiery, jak ujmuje to samo Fish Audio, mimo że otaczająca platforma reklamuje głosy w ponad 30 językach. Sesame Preview: zorientowany na angielski, wytrenowany głównie na angielskim według własnych notatek badawczych laboratorium.
• Niezależność — Live 3: na dzień 11 listopada 2026 r. brak jakiegokolwiek opublikowanego benchmarku i brak pozycji w rankingu mowy do mowy Artificial Analysis. Sesame Preview: również brak niezależnego wyniku dla głosu tej aplikacji, ale istnieje publiczny ranking kolejności zabierania głosu, który firma pomogła stworzyć i który publikuje.
• Otwartość — Live 3: brak wag, brak licencji, brak repozytorium. Sesame: jeden otwarty checkpoint, CSM-1B, Apache-2.0 na Hugging Face od marca 2025 — który nie jest głosem w aplikacji.
• Interfejs — Live 3: integrujesz go. Sesame Preview: rozmawiasz z nim.
Wspólny problem ze słownictwem obu firm
Żaden z produktów nie publikuje wystarczająco dużo, by można było porównać to, na czym naprawdę ci zależy, a oba określają to tym samym słowem. Fish Audio nazywa to rytmem rozmowy i opisuje numer telefonu czytany fragmentami — „415… 555… 0132” — w którym konwencjonalny agent słyszy trzy odrębne zakończenia tury. Sesame w materiałach marketingowych nazywa to samo zachowanie obecnością, a jego notatki do wydania z października 2026 r. mówią, że firma zaktualizowała swój Conversational Speech Model, aby poprawić ekspresyjność i wymowę, przy mniejszym schlebianiu i mniejszej liczbie powtarzanych fraz. W takiej postaci, w jakiej zostały sformułowane, oba stwierdzenia są niefalsyfikowalne. Żaden z nich nie podaje liczby.
Różnica polega na tym, że Sesame dostarczyło linijkę. Jeśli Fish Audio chce porównania co do meritum, zbiór deweloperski TurnBench jest otwarty i pozwala na samodzielne punktowanie; tablica wyników czeka na wpis.
Co budowniczy może zrobić z każdym, a czego nie może
W tym miejscu oba produkty przestają być w ogóle porównywalne. Sesame Preview nie jest komponentem. Nie ma punktu końcowego, nie ma API sesji, nie ma sposobu, by umieścić jego głos za własnym numerem telefonu, a jedynym checkpointem Sesame, który ktokolwiek spoza aplikacji może wczytać, jest CSM-1B — model z 1 mld parametrów z marca 2025 r., który powstał o półtora roku pracy przed głosem w obecnej aplikacji. Zespół, który chce mieć w swoim produkcie konwersacyjne wrażenie Sesame, nie ma dziś drogi, która nie wymagałaby czekania.
Live 3 to odwrotna transakcja. Jest zamknięty w tym, co istotne — brak wag, brak możliwości samodzielnego hostowania poza umową enterprise — ale jest otwarty w sposób, który pozwala wdrażać: kreator agentów, udokumentowane API, telefonia i stawka za minutę. Warstwa rozumowania jest osobnym, wymiennym komponentem; agent może wskazywać na endpoint zgodny z OpenAI w zakresie rozumowania, podczas gdy mowa pozostaje po stronie Fish Audio. To właśnie ta struktura sprawia, że mały zespół może go wdrożyć w zwykły wtorek.
Mówiąc konkretnie o części odpowiadającej za rozumowanie, OrcaRouter udostępnia ponad 200 modeli pod jednym kluczem, w cenie katalogowej dostawcy i bez żadnej marży, z automatycznym przełączaniem awaryjnym, gdy backend zwróci błąd w trakcie wywołania, oraz DSL routingu do ustalania, który model obsługuje dany rodzaj tury. Fish Audio Live 3 nie należy do tych modeli — dla zamkniętego modelu mowy dupleksowej nie ma zewnętrznego endpointu i nie ma tu czego routować. Zadanie routera w tym stosie zaczyna się tam, gdzie kończy się mowa.
Który obejrzeć i po co
Trzy sygnały rozstrzygnęłyby to porównanie, a żaden z nich nie jest komunikatem prasowym. Wpis Live 3 w TurnBench lub wiersz na tablicy speech-to-speech Artificial Analysis zamieniłyby behawioralny argument Fish Audio w wynik z liczbą obok. API deweloperskie Sesame — firma zapowiedziała, że narzędzia dla deweloperów nadchodzą, bez daty — zamieniłoby głos aplikacji w coś, co produkt mógłby wynająć. A drugi otwarty checkpoint Sesame, nowszy niż CSM-1B, dałby środowisku otwartych wag to, czego premiera Live 3 wyraźnie nie dała.
Dopóki jedno z nich nie trafi na rynek, uczciwy ranking zależy wyłącznie od tego, co kupujesz. Jeśli chcesz najlepiej brzmiącej rozmowy dostępnej dziś i jesteś gotów mieć ją w aplikacji kogoś innego, Sesame Preview jest bardziej imponującym produktem i bardziej uczciwym co do tego, jak powinno się go oceniać. Jeśli potrzebujesz głosu w produkcji w tym kwartale, Sesame nie jest kandydatem, a porównanie sprowadza się do jednego pytania o Live 3: czy minuta promocyjna za $0.035 i próg potwierdzenia wynoszący 186 milisekund to wystarczające dowody, by postawić na tym linię telefoniczną. Dla większości zespołów odpowiedź brzmi „tak” dla pilotażu, a jeszcze nie dla działu płac — a benchmark, który zmieniłby tę odpowiedź, już istnieje, z pustym wierszem.
