Gemini 3.8 Live vs Sesame Preview: Głos, który możesz podziwiać, kontra ten, do którego możesz zadzwonić

Agent głosowy Sesame otrzymuje 4,5 na 5 w kategorii „brzmiał jak człowiek”. Gemini 3.8 Live otrzymuje 4,0. Sesame kończy również 71% procesów rezerwacji, podczas gdy Gemini 3.8 Live kończy 78%, a Sesame popełnia błędy wywołań funkcji mniej więcej dwa razy częściej. Jeśli wybierasz stos głosowy dla firmy, która rezerwuje wizyty, model, który brzmi lepiej, przegrywa — i przegrywa z powodów, które nie mają nic wspólnego z tym, jak dobrze brzmi.

Te liczby pochodzą z zewnętrznego testu porównawczego obejmującego 1500 rozmów z klientami na model, prowadzonego na skryptach rezerwacyjnych, i wiążą się z dwoma istotnymi zastrzeżeniami. Nie są nasze ani niezależnie powtórzone, a po stronie Gemini wykorzystano wczesną generację Gemini Live z 2026 roku, a nie model, o którym jest ten artykuł. Gemini 3.8 Live to wydane przez Google rozwiązanie do konwersacji głosowej z 15 września 2026 roku, dostępne już teraz w Live API. Sesame Preview to konsumencki asystent głosowy firmy Sesame, bezpłatny na iOS od maja 2026 roku i szeroko dostępny na Androidzie od początku sierpnia 2026 roku, zbudowany wokół czterech nazwanych agentów — Maya, Miles, Simone, Charlie — i powszechnie opisywany jako najbardziej ludzko brzmiący asystent głosowy, z jakim ktokolwiek rozmawiał.

To starcie nie jest tak naprawdę modelem przeciwko modelowi. To produkt, który możesz wprowadzić do produkcji, przeciwko doświadczeniu, które możesz tylko odwiedzić.

Kształt każdej rzeczy

Gemini 3.8 Live to interfejs dla deweloperów. Jest udostępniany jako gemini-3.8-live i gemini-3.8-live-extended-thinking w Live API, w cenie 0,005 USD za minutę audio na wejściu i 0,018 USD za minutę na wyjściu, przy czym tekst po 0,75 i 4,50 USD za milion tokenów, a wejście obrazu lub wideo – 1,00 USD za milion. Obsługuje 97 języków z przełączaniem w trakcie rozmowy, przetwarza dane wejściowe wizualne w niemal czasie rzeczywistym, wykonuje wywołania narzędzi i interfejsów API w tle, gdy rozmowa trwa, oraz opatruje znakiem wodnym SynthID każdą sekundę generowanego audio. Wariant Extended Thinking rozumuje i mówi jednocześnie, opisując postępy, aby linia nie milkła podczas długiego zadania. Zgłaszane przez producenta miejsce Google to drugie w Speech Agent Arena, a pierwsze miejsce w Speech to Speech Quality Index firmy Artificial Analysis z wynikiem 82,6 dla całej rodziny. Liczby Google'a, z tego tygodnia, niezreplikowane.

Sesame Preview to aplikacja konsumencka. Jest dostępna wyłącznie w języku angielskim. Obowiązuje w niej limit 30 minut na rozmowę, który spada do pięciu minut po wylogowaniu. Jej agenci utrzymują kontekst między sesjami, przeszukują internet i ustawiają przypomnienia — ale nie rezerwują, nie kupują ani nie składają żadnych dokumentów. Nie ma wersji dla przedsiębiorstw ani publicznego cennika.

Oba to pełnodupleksowe systemy konwersacyjne, w których zmiana mówiącego przebiega tak sprawnie, że ludzie przestają to zauważać. I na tym podobieństwa się kończą.

Co tak naprawdę pokazuje jedyne bezpośrednie porównanie, jakie mamy

Porównanie CallSphere uruchomiło skrypty przepływu rezerwacji na dużą skalę i podało cztery liczby dla każdego modelu. Pod względem ukończenia Gemini Live sfinalizował 78% rezerwacji w porównaniu do 71% Sesame Maya. W przypadku błędów wywołań funkcji Gemini Live osiągnął 3,3% w porównaniu do 6,7% Maya. W przypadku opóźnienia p95 Maya była szybsza — 480 ms w porównaniu do 640 ms. A w subiektywnym pomiarze „brzmiało jak człowiek” ocenianym w skali od 1 do 5 Maya uzyskała 4,5 w porównaniu do 4,0 Gemini Live.

Przeczytaj je razem, a wyłoni się wzorzec, którego nie pokazuje żaden pojedynczy wiersz. Sesame wygrywa dwa wiersze, które zauważa człowiek, i przegrywa dwa wiersze, które zauważa biznes. Naturalność i opóźnienie to coś, co odczuwa dzwoniący; wskaźnik ukończeń i wskaźnik błędów to coś, co widać w rozliczeniu. Głos, który brzmi jak człowiek, ale gubi jedną rozmowę na piętnaście w procesie rezerwacji, nie jest lepszym agentem głosowym — jest lepszym demem.

Dwa uczciwe zastrzeżenia. To porównanie to blog jednego dostawcy, a nie recenzowana ocena, a 1500 wywołań na model w przypadku jednego typu skryptu to wąski wycinek. Liczby dotyczące Gemini opisują generację Gemini Live wchodzącą na rynek na początku 2026 r., która jest co najmniej o cały model starsza od 3.8 Live. Zastosowanie tych liczb do Gemini 3.8 Live byłoby zgadywaniem. Nikt nie opublikował bezpośredniego porównania z udziałem modelu 3.8.

Element, który prawie każdy artykuł podaje błędnie

Każda publikacja wychwalająca głos Sesame chwali aplikację, a głos aplikacji to większy, zamknięty model produkcyjny, którego Sesame nigdy nie udostępniło jako API. Nie ma sposobu, by go kupić, licencjonować ani wywołać. Jeśli przeczytałeś, że wyczucie czasu w rozmowie Sesame jest najlepsze na rynku, i wywnioskowałeś, że możesz je mieć, to ten wniosek nie wynika z dowodów.

Tym, co Sesame faktycznie udostępniło jako open source, jest CSM-1B — wariant 1B modelu konwersacyjnej mowy, wydany na licencji Apache-2.0 w rodzinie Moshi. To blok syntezy, a nie asystent: szkielet Llama przewiduje pierwszy codebook Mimi, a mniejszy dekoder Llama przewiduje resztę; kodek Mimi przekształca to w przebieg fali o częstotliwości 24 kHz. Działa wyłącznie w języku angielskim, klonuje głos na podstawie czystego 10–15-sekundowego klipu referencyjnego i w ogóle nie potrafi generować tekstu — łączy się go z osobnym modelem językowym. Osoby, które przetestowały oba, opisują głos CSM-1B jako wyraźnie słabszy niż w aplikacji Preview. Jest dostępny w wersji hostowanej za 7 USD za milion znaków u jednego zewnętrznego dostawcy, co daje około 0,35 USD za godzinę audio, albo bezpłatnie, jeśli hostujesz go samodzielnie.

Karta modelu mówi głośno to, co zwykle się przemilcza: dostrojony wariant CSM napędza interaktywne demo głosowe, które nie jest checkpointem, który możesz pobrać. Zatem uczciwa wersja porównania „Sesame vs Gemini” wygląda tak: Sesame ma piękny zamknięty głos, do którego nie masz dostępu, oraz niewielki otwarty blok syntezy, do którego masz — i to nie to samo. Google ma jeden model, który możesz wywołać, i to ten, który reklamuje. Ta asymetria jest dla budującego warta więcej niż jakikolwiek wynik naturalności.

Kontrast specyfikacji

• Co otrzymujesz — Gemini 3.8 Live, czyli API, które można wywołać już dziś, kontra Sesame Preview, darmowa aplikacja konsumencka bez API dla swojego produkcyjnego głosu

• Głos produkcyjny z możliwością licencjonowania — Gemini 3.8 Live: tak, płatność za minutę, a Sesame Preview: nie, nigdy nie wydany

• Otwarty artefakt — Gemini 3.8 Live brak, zamknięty vs Sesame Preview CSM-1B, Apache-2.0, inny i słabszy model

• Języki — Gemini 3.8 Live 97 vs Sesame Preview tylko angielski

• Wywoływanie narzędzi — Gemini 3.8 Live: wywołania narzędzi i API w tle podczas rozmowy vs Sesame Preview: agenci pamiętają kontekst i przeszukują sieć, ale nie wykonują zadań

• Limit sesji — Gemini 3.8 Live nieopublikowany przez Google kontra Sesame Preview 30 minut, 5 gdy użytkownik jest wylogowany

• Naturalność — Gemini 3.8 Live bez pomiarów na tej osi, a Sesame Preview oceniany jako najlepszy w swojej klasie pod względem wrażeń ze słuchania, przy braku niezależnego benchmarku dla obu

• Opóźnienie — Gemini 3.8 Live nieopublikowane w porównaniu z Sesame Preview: 250–450 ms end-to-end dla Maya, poniżej 300 ms dla pierwszego bajtu strumieniowania, według pomiaru niezależnego podmiotu

• Ścieżka Enterprise — prywatna wersja zapoznawcza Gemini 3.8 Live w Gemini Enterprise, już wkrótce w Customer Experience vs Sesame Preview: brak

• Deklarowany kierunek — integracje Gemini 3.8 Live z Live API z Agora, LiveKit, Pipecat, Fishjam i innymi vs partnerstwa badawcze Sesame Preview i sprzęt okularowy planowany na 2027

Wiersz dotyczący naturalności jest tym, o który ludzie się spierają, i zauważcie, co się w nim mówi: żaden z modeli nie ma niezależnego benchmarku oceniającego, jak ludzko brzmi. Istnieje natomiast aplikacja Sesame chwalona przez słuchaczy oraz Google zajmujący drugie miejsce w arenie. To nie są te same pomiary, a arena przynajmniej ma metodologię.

Co naturalność kosztuje operacyjnie

Błędem jest traktowanie naturalności jako cechy, którą się dodaje. To kompromis, na który się decydujesz, i zazwyczaj odbywa się on kosztem niezawodności narzędzi — ponieważ zachowania, które sprawiają, że głos brzmi po ludzku: wahania, nakładanie się, gotowość do ustąpienia w połowie zdania, są generowane przez model, który zużywa zdolności na prozodię i naprzemienność tur, a nie na ścisłą gramatykę wywołania funkcji. To znacznie bardziej prawdopodobny mechanizm stojący za wskaźnikiem błędów 6,7% wobec 3,3% niż jakiekolwiek twierdzenie, że jedno laboratorium jest lepsze w inżynierii.

Ma też koszt infrastruktury, którego nikt nie uwzględnia w budżecie. Głos brzmiący po ludzku podnosi oczekiwania, a dzwoniący, który wierzy, że rozmawia z człowiekiem, nie toleruje „Nie dosłyszałem” dwa razy z rzędu. Własny 30-minutowy limit Sesame to ciche przyznanie, że uruchamianie tej klasy modeli w trybie ciągłym jest kosztowne — limit, którego Google nie publikuje dla 3.8 Live, co nie jest równoznaczne ze stwierdzeniem, że taki limit nie istnieje.

Który z nich należy do twojego stacka?

Wybierz Gemini 3.8 Live, gdy głos jest środkiem do celu: planowanie, triage, wsparcie — cokolwiek, gdzie dzwoniący chce wyniku. Otrzymujesz API już dziś, publikowane stawki, pętlę narzędzi działającą w tle, 97 języków oraz ścieżkę dla przedsiębiorstw, jeśli jej potrzebujesz.

Wybierz Sesame Preview, gdy badasz, jak powinna brzmieć jakość konwersacji, albo gdy budujesz doświadczenie konsumenckie, w którym sama rozmowa jest produktem. Jest darmowe, naprawdę brzmi najlepiej ze wszystkiego, co jest dostępne, i to dobre miejsce, by skalibrować swój gust. Nie planuj wokół niego integracji produkcyjnej, bo nie ma z czym integrować.

Większość poważnych zespołów ostatecznie wybiera rozwiązanie hybrydowe, a hybryda to miejsce, w którym routing przestaje być opcjonalny. Umieść model brzmiący naturalnie w turach otwarcia i potwierdzenia, tam gdzie odczuwalne są opóźnienie i ciepło, a model niezawodny narzędziowo w turach transakcyjnych, gdzie błąd oznacza utraconą rezerwację. OrcaRouter jest stworzony dla takiego kształtu stosu — fuzja modeli pozwala panelowi modeli odpowiadać wspólnie, gdy osąd pojedynczego modelu nie jest wystarczająco dobry, DSL routingu łączy kilka z nich w jedno wywołanie, a failover przenosi ruch z modelu, który zaczyna się zachowywać nieprawidłowo, bez ponownego wdrożenia. Tam, gdzie dostawca publikuje stawkę, przekazujemy cenę katalogową dostawcy bez marży, więc obniżka ceny dociera na Twój rachunek tego samego dnia.

Co obserwować: API dla produkcyjnego głosu Sesame albo benchmark, który mierzy naturalność tak, jak arena mierzy jakość. Każde z nich zmieniłoby to z wyboru między dostępem a doświadczeniem w rzeczywiste porównanie. Do tego czasu jeden z tych modeli możesz wywołać, a drugi możesz tylko podziwiać, i to rozstrzyga sprawę szybciej niż jakikolwiek wynik.

Większość poważnych zespołów kończy na hybrydzie, a w hybrydzie routing przestaje być opcjonalny. Umieść model brzmiący naturalnie na turach otwarcia i potwierdzenia, gdzie odczuwalne są opóźnienie i ciepło, a model niezawodny w narzędziach na turach transakcyjnych, gdzie błąd oznacza utraconą rezerwację. OrcaRouter jest stworzony dla stosu o takim kształcie - fuzja modeli pozwala panelowi modeli odpowiadać wspólnie, gdy osąd pojedynczego modelu nie jest wystarczająco dobry, DSL routingu łączy kilka modeli w jedno wywołanie, a failover przenosi ruch z modelu, który zaczyna się źle zachowywać, bez ponownego wdrażania.