Grok Voice 3.0 vs Sesame Preview: głos, który wygrywa każdy test odsłuchowy, to ten bez API

Zapytaj pełną salę ludzi, które z nich brzmi bardziej jak człowiek, a otrzymasz jedną odpowiedź. Sesame Preview to darmowy asystent głosowy od Sesame — cztery agenty o imionach Maya, Miles, Simone i Charlie, dostępne na iOS od maja 2026, a szeroko na Androidzie od początku sierpnia — i to on wygenerował viralowe klipy, które sprawiły, że „najlepszy w swojej klasie tryb głosowy" to fraza, po którą recenzenci wciąż sięgają. G​rok Voice 3.0, ogłoszony przez S​paceXAI 14 października 2026, to najwyżej oceniany model mowa-do-mowy na publicznej tablicy — 86,9 — dostępny przez udokumentowany endpoint czasu rzeczywistego za 0,08 dolara za minutę. Te dwa fakty nie przeczą sobie, a różnica między nimi to cała istota tego starcia: jeden z nich to głos, który ludzie oceniają uszami, a drugi to głos, który ktoś z zewnątrz może zmierzyć.

Druga połowa tej luki to dostęp. Sesame Preview nie ma API, identyfikatora modelu, cennika ani ogłoszonego planu jego udostępnienia, a głos produkcyjny w aplikacji to większy zamknięty model, którego laboratorium nigdy nie udostępniło. Grok Voice 3.0 to komponent, który wynajmujesz na minuty. Jeśli wybierasz słuchem, chcesz Sesame. Jeśli wybierasz według tego, czy możesz coś wdrożyć, decyzja została podjęta za ciebie.

Czym jest każdy z nich, oficjalnie

Po odarciu z marketingu te dwa produkty nie są nawet tym samym rodzajem rzeczy.

• Co to jest — G​rok Voice 3.0 to model mowa-do-mowy stojący za działającym w czasie rzeczywistym WebSocketem S​paceXAI, z narzędziami o zasięgu sesji i zwracanymi transkrypcjami; Sesame Preview to aplikacja konsumencka z czterema agentami konwersacyjnymi, pamięcią dla każdego agenta, która synchronizuje się między wersją webową a mobilną, wyszukiwaniem w internecie na żywo podczas rozmowy oraz podsumowaniem wysyłanym po jej zakończeniu.

• Cena — 0,08 USD za minutę audio plus 0,004 USD za wprowadzenie tekstu, około 4,80 USD za godzinę, dla G​rok Voice 3.0; bezpłatnie dla użytkownika, bez reklam i bez podanego płatnego planu dla Sesame Preview.

• Dostęp deweloperski — udokumentowany punkt końcowy, tokeny efemeryczne do połączeń po stronie klienta oraz punkt końcowy niestandardowego głosu, który trenuje głos na podstawie klipu referencyjnego o długości do 120 sekund dla G​rok Voice 3.0; zupełnie nic dla Sesame Preview.

• Wagi — zamknięte po obu stronach, z jednym wyjątkiem: Sesame opublikowało CSM-1B, checkpoint na licencji Apache-2.0, który nie jest głosem w aplikacji.

• Niezależny wynik — 86,9 w Artificial Analysis Speech to Speech Index, z pięcioma czytelnymi komponentami dla G​rok Voice 3.0; dla głosu Sesame Preview nie ma żadnych, a Sesame również nie opublikowała żadnych.

• Ograniczenia — G​rok Voice 3.0 nie ma podanego limitu sesji, a jego poprzednia generacja była promowana na podstawie współczynnika błędów słów w 24 językach; Sesame Preview obsługuje tylko język angielski, ma limit rozmowy wynoszący 30 minut, który spada do pięciu minut po wylogowaniu, i nie wykonuje zadań — agenci rozmawiają, nie rezerwują, nie kupują ani nie składają żadnych dokumentów.

Ten ostatni punkt przekreśla większość ocen. Produkt głosowy, do którego nie można zadzwonić, nie jest komponentem; jest konkurentem.

Otwarty punkt kontrolny i czym nie jest

Sesame jest niezwykle bezpośrednie w kwestii różnicy między swoim demo a swoją wersją do pobrania, a to najważniejszy fakt dla każdego, kto rozważa oba.

CSM-1B to wydany na licencji Apache 2.0 23 kwietnia 2026 r. konwersacyjny model mowy o 1 mld parametrów: szkielet architektury Llama zasilający osobny dekoder i kodek Mimi firmy Kyutai, generujący 24-kilohercową monofoniczną mowę angielską z kontekstu wynoszącego około 4000 tokenów. To bazowy model generowania mowy. Według oceny osób, które uruchomiły oba, ma wyraźnie słabszy głos niż ten w aplikacji, a dokumentacja samego Sesame wprost stwierdza, że nie jest to system konwersji mowy na mowę typu end-to-end i nie potrafi generować tekstu.

Zatem to, co się pobiera, to badawcza linia rozwojowa, a nie produkt. Ktoś, kto szukał głosu z wersji demonstracyjnej, znalazł mniejszy model, który wyszedł z tego samego laboratorium, a to, co odpowiada, gdy odbierze jeden z czterech agentów, to model produkcyjny, który nigdy nie został udostępniony. Jest hostowany przez zewnętrznych dostawców inferencji za około 7 dolarów za milion znaków — mniej więcej 0,35 dolara za godzinę syntezowanego dźwięku — albo bezpłatnie na własnym sprzęcie, a nikt nie opublikował też niezależnego benchmarku tego modelu.

Dla zobrazowania skali: te 0,35 dolara za godzinę to najtańsze audio w tym porównaniu, trzynastokrotnie tańsze, a jednocześnie najmniej użyteczna pozycja w nim, ponieważ checkpoint 1B, który nie potrafi prowadzić dwukierunkowej rozmowy, nie konkuruje cenowo z G​rok Voice 3.0. Konkuruje z dowolnym narzędziem do narracji, którego już używałeś.

Dlaczego test słuchowy i wskaźnik się nie zgadzają i który z nich jest błędny

Nie są ze sobą sprzeczne. Odpowiadają na różne pytania, a tylko na jedno z nich można odpowiedzieć publicznie.

Reputacja Sesame Preview opiera się na tym, jak głos brzmi dla słuchacza: oddech, wahanie, wyczucie momentu przerwania, wrażenie, że po drugiej stronie jest człowiek. To prawdziwy dowód w swoim rodzaju — demo przekonało setki tysięcy ludzi i recenzentów, którzy nie mieli powodu do łaskawości — i całkowicie nie został skwantyfikowany. Nie ma wpisu w arenie, opublikowanej oceny produkcyjnego głosu ani liczby próbek. Każde twierdzenie o jakości w jedną albo drugą stronę jest wrażeniem słuchowym.

Wynik 86,9 Grok Voice 3.0 to dowód przeciwnego rodzaju. Rozkłada się on na rozumowanie mowy bliskie pułapu, 97,0% w Full Duplex Bench, 71,6% w τ-Voice, Elo areny wynoszące 1070 i 94,8% skuteczności w zadaniach — każdy mierzony w opublikowanym środowisku testowym, które zewnętrzny zespół może przeczytać, sprawdzić jego arytmetykę i nie zgodzić się z nim. Indeks złożony to wybór wag, a składnik areny jest zamrożony w momencie, gdy model staje się uprawniony, zamiast śledzić Elo na żywo — ale możliwość niezgody jest dostępna dla każdego, i to właśnie czyni to pomiarem, a nie twierdzeniem.

To, czego tablica wyników nie mierzy, to czy sprawia ci przyjemność rozmowa z nią. A w komunikacie o wydaniu jest konkretna liczba, która wpisuje się dokładnie w tę oś: G​rok Voice 3.0 zaczyna mówić po 0,81 sekundy, a model, który zastępuje, zaczynał po 0,70 sekundy. Flagowiec startuje o 0,11 sekundy wolniej niż jego własny poprzednik, co jest dokładnie tym rodzajem szczegółu, który słuchacz zauważa, zanim zrobi to benchmark.

Co mówi ci projekt czterech agentów

Cztery osobowości Sesame to nie szczegół marketingowy; to decyzja architektoniczna i jest przeciwieństwem tej, którą podjął S​paceXAI.

Maya, Miles, Simone i Charlie to stałe głosy o stałych temperamentach, a pamięć ma zakres przypisany do każdego agenta. To produkt zbudowany wokół założenia, że głos jest efektem końcowym, a osobowość — cechą. Nie ma dostosowywania głosu, klonowania ani ścieżki od aplikacji konsumenckiej do API — darmowy plan jest produktem, a deklarowany kierunek firmy to partnerstwa badawcze i planowane urządzenie sprzętowe, a nie platforma dla deweloperów.

G​rok Voice 3.0 działa w odwrotny sposób. Jest dostarczany z wbudowanym zestawem głosów S​paceXAI, a osobny endpoint niestandardowego głosu trenuje głos na podstawie próbki referencyjnej o długości do 120 sekund, przy czym uzyskany voice_id działa zarówno w API czasu rzeczywistego, jak i w strumieniowej syntezie mowy (text-to-speech). Jego sesja przyjmuje narzędzia, więc agent może wywołać Twój backend w trakcie rozmowy, a nie tylko o nim mówić.

To, który z nich jest lepszy, zależy od tego, czy sprzedajesz doświadczenie, czy je budujesz. Produkt głosowy, który dostarcza cztery doskonałe stałe osobowości, rozwiązał kwestię brandingu i integracji jedną decyzją. Produkt głosowy z endpointem do klonowania przekazał ci obszar zgodności i proces lokalizacji w jednej decyzji. Żaden z nich nie jest błędem i wskazują na różnych klientów.

Gdzie faktycznie trafia pytanie dotyczące routingu

OrcaRouter nie obsługuje żadnej z tych warstw głosowych. G​rok Voice 3.0 znajduje się za własnym WebSocketem czasu rzeczywistego S​paceXAI i nic nie może ingerować w dwukierunkową sesję audio należącą do jednego dostawcy; Sesame Preview nie ma w ogóle punktu końcowego, do którego można by kierować. Mówienie inaczej opisywałoby możliwość, która nie istnieje, a ta kategoria jest pełna platform, które robią dokładnie to.

To, co da się routować, to warstwa, od której po cichu zależą oba produkty. Agenci Sesame przeszukują sieć w trakcie rozmowy i wysyłają podsumowanie po jej zakończeniu; tablica narzędzi Grok Voice 3.0 dociera do dowolnego backendu, który odpowie, a wszystko cięższe niż wywołanie inline staje się żądaniem do modelu tekstowego za rozmową. Ta praca jest rozliczana za żądania, to tam kumuluje się znacząca część kosztu pojedynczego wywołania i to ta połowa produktu głosowego, którą można utrzymać na stałym poziomie, gdy zmienia się model audio pod spodem — co, biorąc pod uwagę, że grok-voice-latest/ zmienił się już dwukrotnie w ciągu jednego kwartału, jest cechą, którą warto mieć. Dwieście siedem modeli od ponad tuzina dostawców upstream za jednym kluczem, w cenie katalogowej dostawcy bez żadnej marży, z automatycznym przełączaniem awaryjnym, gdy dostawca zaczyna zawodzić, DSL do routingu pozwalającym złożyć kilka modeli w jedno wywołanie oraz fuzją modeli tam, gdzie osąd jednego modelu nie wystarcza. Ponieważ nic nie jest objęte marżą, obniżka ceny dostawcy na którykolwiek z tych modeli obowiązuje tu tego samego dnia.

Rekomendacja, podzielona według tego, kim jesteś

Jeśli jesteś konsumentem, który chce najlepiej brzmiącego głosu konwersacyjnego dostępnego dzisiaj i nie zamierza niczego integrować, Sesame Preview jest darmowe, działa na obu platformach mobilnych, ma tak zasłużoną reputację, że recenzenci wciąż ją potwierdzają, a nic w tym artykule tego nie zmienia. Korzystaj z niego i ciesz się nim.

Jeśli coś budujesz, decyzja już zapadła, a tok rozumowania warto sobie przyswoić. Nie możesz wywołać Sesame Preview, nie możesz przypiąć jego głosu ani porównać go z czymkolwiek — więc każda rozmowa zakupowa na jego temat kończy się w tym samym miejscu, czyli testem odsłuchowym między dwiema opcjami, których żadna ze stron nie potrafi ocenić. Grok Voice 3.0 daje ci cennik stawek, wersjonowany identyfikator modelu, transkrypcję, punkt końcowy do klonowania i wynik z tablicy wyników, z którym można polemizować. Pierwszą rzeczą, jaką należy z nim zrobić, jest przypięcie swojej wersji, ponieważ alias został już na nią przeniesiony bez pytania.

A jeśli jesteś badaczem, który szuka interesującej porażki: uczciwe podsumowanie tego zestawienia jest takie, że kategoria udowodniła, iż potrafi stworzyć głos, którego warto słuchać, ale jeszcze nie zdecydowała, czy ten głos powinien być dostępny do kupienia w jakiejkolwiek formie innej niż aplikacja. Sesame zbudowało lepsze doświadczenie i zamknęło je. S​paceXAI zbudowało lepszy komponent i opublikowało liczbę. Wypatruj wersji Sesame, która ma API — to wydanie uczyniłoby tę stronę przestarzałą.

Ta luka między tym, co mierzy tablica wyników, a tym, co napotyka wdrożenie, jest powodem, dla którego ten rejestr ma znaczenie: udokumentowane awarie AI i incydenty z agentami dotyczące modeli z tej klasy są gromadzone w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i znacznik sporności.