Phonic 1 kontra Sesame Preview: problem ciszy w eterze rozwiązany na dwa przeciwne sposoby

Phonic 1 i Sesame Preview są oba sprzedawane jako modele mowy konwersacyjnej i nie realizują tego samego zadania. Phonic 1 — dostawca zapisuje to jako Phonic-1 — to endpoint mowy do mowy w cenie 0,07 USD za minutę, który stał się komercyjnie dostępny 29 października 2026 r. i od razu zajął pierwsze miejsce w Speech to Speech Index Artificial Analysis z wynikiem 87,1. Sesame Preview to darmowa aplikacja towarzysząca stojąca za głosami Maya, Miles, Simone i Charlie: brak publicznego API, brak cennika, brak wiersza w jakimkolwiek niezależnym rankingu oraz deklarowany plan sprzedania ci okularów w 2027 r. Umieść te dwie nazwy w jednym zdaniu, a pierwszą rzeczą, jaka się nasuwa, jest to, że tylko jedną z nich można kupić.

Druga rzecz, która z tego wynika, jest ciekawsza. Pod warstwą marketingu oba produkty są odpowiedzią na to samo małe upokorzenie: pół sekundy ciszy, gdy maszyna decyduje, co powiedzieć. Phonic atakuje to, wykonując pracę, zanim dzwoniący skończy mówić. Sesame atakuje to, stając się lepsze w rozpoznawaniu, kiedy dzwoniący skończył. To naprawdę różne zakłady inżynierskie, mierzone przyrządami, które się nie pokrywają, a wybór między nimi wynika z tego, na którym zakładzie opiera się twój produkt — a nie z tabeli benchmarków.

Czym właściwie jest każdy z nich, zanim porównanie zacznie się rozmywać

Phonic 1 to end-to-end model mowy — audio na wejściu i audio na wyjściu — bez pośredniej kaskady transkrypcja–myślenie–wypowiedź. Został wydany z SDK dla TypeScript i Pythona, CLI oraz no-code'owym kreatorem agentów, 51 udokumentowanymi językami z przełączaniem w trakcie rozmowy, które zachowuje tożsamość mówcy, udokumentowanym ustawieniem intelligence_level, które domyślnie przyjmuje wartość standard i można je podnieść do high, a także warunkami enterprise obejmującymi SOC 2 Type II, umowę HIPAA BAA, zerowe przechowywanie danych i SLA dostępności 99,9%. Sprzedawany jest za minutę w trzech planach, a firma za nim stojąca to około dziesięciu osób z MIT i Stanford, które pozyskały 27,5 mln dolarów w rundzie Series A prowadzonej przez First Round.

Sesame Preview nie jest modelem, który się wynajmuje. To produkt konsumencki — aplikacja na iOS i w wersji webowej, darmowa, udostępniona w 39 krajach od końca maja 2026 r., zawierająca czterech nazwanych agentów z trwałą pamięcią, równoległym wyszukiwaniem w sieci działającym w trakcie wypowiedzi, robieniem notatek, trybem tekstowym i trybem incognito. Deklarowanym celem Sesame jest czas do pierwszego dźwięku poniżej 300 ms, a spółka publicznie przyznaje, że model wciąż jest „zbyt skory i często nieodpowiedni” pod względem tonu i tempa. Nie ma warstwy enterprise ani sposobu na licencjonowanie produkcyjnego głosu.

Jedyną rzeczą, która faktycznie przenosi nazwę Sesame do kompilacji, jest Sesame CSM-1B, opublikowany na licencji Apache 2.0 13 marca 2025 r. Jest to bazowy model mowy konwersacyjnej, nastawiony przede wszystkim na angielski, zbudowany do generowania tokenów audio Mimi warunkowanych wcześniejszymi turami. To nie jest głos w aplikacji: postacie Preview pochodzą ze starannie dobranego fine-tune’a i obsady głosowej, które nigdy nie zostały udostępnione. Recenzenci, którzy przetestowali oba, opisują otwarty checkpoint jako brzmieniowo wyraźnie słabszy niż aplikacja, co sprawia, że „wystarczy samodzielnie hostować model Sesame” oznacza inny produkt, a nie bezlicencyjny skrót.

Dwa ataki w tej samej półsekundzie

Twierdzenie Phonic dotyczące premiery jest najbardziej konkretną rzeczą w tej kategorii: firma twierdzi, że Phonic-1 to jedyny model, który potrafi działać, gdy dzwoniący wciąż mówi. W opublikowanej przez firmę demonstracji model wykonał wszystkie pięć wywołań narzędzi w połowie zdania i odpowiedział 1,1 sekundy po tym, jak dzwoniący przestał mówić; w tym samym skrypcie GPT-Live-1 wypada na 15,7 sekundy. Należy to czytać jako demonstrację projektu, a nie benchmark — to zadanie wybrane przez dostawcę na skrypcie wybranym przez dostawcę. Ale właśnie ten projekt jest sednem. Jeśli wyszukiwanie jest już wykonane, zanim zakończy się tura, model wcale nie musi być genialny w przewidywaniu końca tury; wystarczy, że nie będzie przeszkadzał.

Sesame wybrało przeciwną drogę i uczyniło samą predykcję programem badawczym. W sierpniu 2026 r. opublikowało TurnBench, otwarty benchmark do dynamiki przejmowania tur, obejmujący 30 godzin dwukanałowego dialogu nagranego w studiu, 154 rozmowy i 106 aktorów głosowych w sześciu rejestrach, potrójnie oznaczony przy współczynniku kappa Fleissa 0,78, oceniany pod kątem pełności (recall) przy ograniczonym wskaźniku fałszywych trafień, z medianą opóźnienia ze znakiem. Najważniejsze ustalenie jest takie, że ludzcy rozmówcy zaczynają przekazywanie tury z medianą 151 ms zanim druga osoba przestanie mówić, i żaden system w tej dziedzinie nie dorównuje temu w ramach budżetu fałszywych trafień. Detektory semantyczne są selektywne i wolne; detektory akustyczne są szybkie i zaszumione. Nic nie jest jednocześnie jednym i drugim.

To jest rozwidlenie dróg, powiedziane wprost. Sesame próbuje zasypać lukę między 151 ms ludzkiego przewidywania a 368 ms do 1,234 ms, jakie osiągają najlepsze detektory. Phonic próbuje sprawić, że ta luka stanie się nieistotna, usuwając pracę, która ją wypełnia. Obie są uzasadnione. Tylko jedna z nich jest dziś dostępna dla ciebie jako punkt końcowy, i nie jest to ta, która opublikowała benchmark.

Panel, który punktuje jednego z nich — i ten, który zostaje pominięty

Indeks mowy do mowy Artificial Analysis jest jedynym niezależnym wskaźnikiem złożonym w tej dziedzinie, a Phonic 1 zajmuje jego szczyt na moment pisania tego tekstu. Wiersze, które się liczą:

• Phonic 1 (High) — indeks 87.1, pierwszy; czas do pierwszego dźwięku 0,61 s; 4,20 USD za godzinę dźwięku wejściowego.

• Grok Voice 3.0 — 86,9; 0,81 s; 4,80 USD za godzinę.

GPT-Live-1 (Astra, medium) — 83,2; 1,34 s; 5,83 USD za godzinę.

• Gemini 3.8 Live Extended Thinking (High) — 82,6; 1,35 s; 3,50 USD za godzinę.

• Eleven Realtime v1 Max — 77,3; 0,57 s; 4,80 USD za godzinę.

Zauważ ostatni wiersz. Eleven Realtime v1 Max jest szybszy w dotarciu do pierwszego audio niż Phonic 1 — 0,57 s wobec 0,61 s — i plasuje się 9,8 punktu indeksu niżej. Czas do pierwszego audio to nie jest konkurencja, którą Phonic wygrał; zwyciężył w punktacji łącznej, która uwzględnia również rozumowanie mowy, zachowanie w zadaniach agentowych, preferencję człowieka i powodzenie zadania. Każdy, kto cytuje „najszybszy” z jednej kolumny, cytuje niewłaściwą kolumnę.

Teraz asymetria. Na tej tabeli wyników nie ma wiersza Sesame Preview i nie ma sposobu, by się pojawił: indeks przepuszcza modele przez harness API, a Sesame Preview nie ma API. Własne narzędzia Sesame również nie wypełniają tej luki. TurnBench jest publikowany przez Sesame i — w momencie pisania — nie zawiera żadnego wpisu Sesame; tabela wymienia modele przewidywania aktywności głosowej, ESPnet, semantyczny VAD firmy Kyutai, Gemini 3.1 Live, OpenAI Realtime i Moshi, ale nie własny produkcyjny głos firmy. To nie jest skandal; autorstwo benchmarku i zgłaszanie wyników do benchmarku to różne akty, a aplikacja towarzysząca nie ma stabilnego endpointu, na który można by wskazać system oceniający. Oznacza to jednak, że dwie nagłówkowe liczby w tym porównaniu — 87,1 po jednej stronie, poniżej 300 ms po drugiej — nie są tego samego rodzaju twierdzeniem. Jedną zmierzyła strona trzecia na harnessie. Drugą jest celem podanym przez dostawcę dotyczącym produktu, którego nikt spoza firmy nie poddał pomiarom.

Kolumna, w której Phonic 1 przegrywa, według własnych dowodów Phonic

Jeśli powodem, dla którego przyglądasz się Sesame Preview, jest to, że brzmi jak człowiek, to porównanie ma niewygodną odpowiedź — i pochodzi ona z materiałów prasowych samego Phonic, a nie od krytyka.

Firma Phonic zleciła Podonosowi, zewnętrznemu serwisowi do testowania słuchaczy, przeprowadzenie testów odsłuchowych w ciemno w parach, a wyniki podała w swoim wpisie z okazji premiery. Phonic-1 był częściej preferowany niż GPT-Live-1 (61,5% wobec 32,0%), niż Grok Voice 3 (66,5% wobec 26,5%) oraz niż Eleven v4 Turbo (78,0% wobec 14,0%). Nagłówek, który firma postanowiła wysunąć na pierwszy plan, jest tym, w którym przegrała: ludzcy aktorzy głosowi byli częściej preferowani niż Phonic-1 (57,0% wobec 32,0%), co wpis opisuje jako zwycięstwo ludzi w około 60% przypadków, przy wciąż znacznym polu do poprawy. To liczby zlecone i podane przez dostawcę, a żadnej nie powtórzono niezależnie — ale to liczby dostawcy, i mówią one, że Phonic 1 jest najlepszym syntetycznym głosem w swoim zestawie porównawczym, lecz wciąż nie jest człowiekiem.

Niezależne dane dotyczące preferencji wskazują na to samo. W Speech Agent Arena, która zasila wskaźnik złożony, Phonic 1 plasuje się na ósmym miejscu spośród 30 pod względem preferencji słuchaczy z Elo 1,012, a jednocześnie na czwartym miejscu pod względem skuteczności wykonywania zadań z wynikiem 92,3%. Model, który zajmuje szczyt indeksu, nie jest modelem, z którym słuchacze najbardziej chcą rozmawiać. To ten sam rozdźwięk, który widzieliśmy w Grok Voice 3.0 od przeciwnej strony — xAI wygrało w arenie, ale przegrało w kolumnie agentowej — i jest to strukturalny powód, dla którego bezpośrednie starcie między tymi dwoma nie może zostać rozstrzygnięte jedną liczbą.

Reputacja Sesame opiera się tymczasem dokładnie na tej kolumnie i na niczym bardziej rygorystycznym. Demo Maya i Miles stało się viralem w lutym 2025 r. dzięki oddechom, wahaniom, autokorektom i śmiechowi, a krążące twierdzenie głosiło, że słuchacze nie potrafili wiarygodnie odróżnić tych głosów od ludzkich na krótkich próbkach. To wrażenie ukształtowane przez publiczność, a nie test z punktacją, i nigdy nie zestawiono go bezpośrednio z Phonic 1. Nie opublikowano żadnego eksperymentu, w którym słuchacz słyszy Sesame Preview i Phonic 1 bezpośrednio jeden po drugim. Ktokolwiek mówi ci, który brzmi lepiej, mówi ci, którego słyszał.

Ile kosztuje minuta — i dlaczego minuta jest niewłaściwą jednostką

Cennik jest krótki i jednostronny:

• Phonic 1 — 0,07 USD za minutę w planie Starter bez minimum, 10 równoczesnych połączeń, 10 agentów i 3 stanowiska; 0,065 USD za minutę w planie Pro przy miesięcznym minimum 200 USD, około 3100 minut, z 50 równoczesnymi połączeniami; wersja enterprise — wycena indywidualna. Osoby, które zarejestrują się przed 30 listopada, otrzymają 250 USD w kredytach, a klienci przechodzący z kaskady otrzymają trzy darmowe miesiące.

• Sesame Preview — 0 $. Nie za minutę, nie za stanowisko, nie za agenta. Za darmo w aplikacji.

• Sesame CSM-1B — wagi są darmowe, a rachunek to Twoje godziny na GPU plus czas inżynierski potrzebny do złożenia naprzemienności mówienia, warunkowania kontekstem i modelu językowego wokół checkpointu, który samodzielnie nie potrafi generować tekstu.

Wystarczy rzetelnie porównać, a narracja o koszcie za minutę się załamuje. Dziesięć tysięcy minut miesięcznie w Phonic 1 Starter to 700 dolarów — błąd zaokrąglenia dla centrum obsługi klienta i realny budżet dla projektu pobocznego. Sesame nie pobiera żadnych opłat, bo Sesame nie sprzedaje minut — sprzedaje codzienny nawyk przed premierą okularów w 2027 roku, a nawyk monetyzuje się na osobę, na rok, na sprzęcie, a nie na minucie dźwięku. Porównywanie cennika z darmową aplikacją to porównywanie dostawcy z billboardem.

To pozostawia uczciwą wersję pytania o koszty: ile kosztuje wdrożenie? W przypadku Phonic 1 odpowiedź to jedna umowa, jeden websocket i dziesięć jednoczesnych wywołań w planie Starter, chyba że zapłacisz za Pro. W przypadku Sesame Preview odpowiedź brzmi: nie ma liczby, bo nie ma oferty. Najbliższym odpowiednikiem Sesame gotowego do wdrożenia jest CSM-1B, a najbliższym odpowiednikiem cennika dla CSM-1B jest faktura za GPU.

Trzech kupujących, trzy różne odpowiedzi

Przenosisz wolumen połączeń poza kaskadę i połączenia muszą się zakończyć. Phonic 1, a chodzi o kolumnę agentową, a nie o kompozyt. Wywołania narzędzi wyzwalane, zanim rozmówca skończy mówić, decydują o różnicy między agentem, który rezerwuje wizytę, a agentem, który zmusza rozmówcę do powtarzania się. 0,07 USD to niewiele w zestawieniu z kosztem nieudanego połączenia wstępnego, a limit współbieżności to element, który trzeba dobrać przed podjęciem decyzji.

Twój produkt to sposób, w jaki brzmi. Towarzysz, coach, tutor, głos marki — cokolwiek, gdzie powodem, dla którego użytkownik zostaje, jest sam głos. Sesame Preview jest punktem odniesienia, a Phonic 1 jeszcze nie jest odpowiedzią: w ślepym teście samego dostawcy ludzie wygrywają z nim niemal dwa do jednego. Ale punktu odniesienia nie można kupić, więc praktyczne opcje to licencjonowany model głosu z zmierzonym wynikiem preferencji albo CSM-1B i sporo własnej pracy inżynierskiej.

Chcesz rozdzielenia — mowy w stylu Sesame z backendem agentowym. To połączenie, na które wskazują plany rozwojowe obu firm, a którego nie sprzedaje żadna z nich. Wersja, którą można zbudować, to CSM-1B lub inny otwarty model mowy do warstwy głosowej oraz konwencjonalny model tekstowy za nim do warstwy myślenia, połączone przez ciebie. Ten etap tekstowy to zwykłe wnioskowanie w czacie, czyli warstwa, w której jedno API dla ponad 200 modeli z 0% marży faktycznie ma zastosowanie: jeden klucz dla części rozumującej, cena katalogowa dostawcy przekazywana bez zmian, DSL routingu do kierowania rozmowy z naprzemiennym zabieraniem głosu oraz rozumowania mocno opartego na politykach do różnych modeli w ramach tego samego wywołania, a także automatyczne przełączanie w razie awarii, dzięki czemu potknięcie dostawcy nie kończy rozmowy. Ani Phonic 1, ani Sesame Preview nie znajdują się w tym katalogu — Phonic 1, ponieważ jest endpointem jednego dostawcy, a Sesame Preview, ponieważ nie ma endpointu do routowania — więc to stwierdzenie o połowie stosu, którą składasz samodzielnie, a nie twierdzenie o którymkolwiek z powyższych modeli.

Co zmieniłoby tę odpowiedź?

Trzy rzeczy, w rosnącej kolejności prawdopodobieństwa.

Phonic publikuje wyniki testów odsłuchowych dla standardowego ustawienia inteligencji. Każdy wynik w tym artykule, w tym 87,1 i 0,61 s, uzyskano przy ustawieniu wysokim. API domyślnie używa standardowego ustawienia, udokumentowanego jako tryb o niższych opóźnieniach, i nikt nie opublikował, jak ta konfiguracja wpływa na jakość lub na czas do pierwszego dźwięku. Integracja, która nigdy nie ingeruje w to ustawienie, działa na niezmierzonym wariancie.

Sesame udostępnia endpoint albo umieszcza swój produkcyjny głos we własnej tablicy wyników naprzemiennego mówienia. Każde z tych posunięć zamieniłoby to z porównania produktu z reputacją w porównanie dwóch wymiernych rzeczy. Żadnego z nich nie ma na opisanej przez Sesame mapie drogowej, która prowadzi przez Androida, a następnie okulary w 2027 roku.

Ktoś uruchamia oba systemy w tym samym pomieszczeniu. Pojedynczy test w ciemno z produkcyjnymi głosami Sesame Preview i Phonic 1 na tych samych promptach rozstrzygnąłby kwestię naturalności w jedno popołudnie, a nie może go przeprowadzić nikt, kto nie pracuje w Sesame, ponieważ jeden z tych dwóch systemów jest niedostępny dla osoby z zewnątrz.

Dopóki jedna z tych rzeczy nie nastąpi, uzasadniona interpretacja jest następująca: Phonic 1 jest jedynym z tych dwóch, który możesz wdrożyć, stoi na czele jedynego niezależnego zbiorczego wskaźnika, który ocenia którąkolwiek z nich, wygrywa w zakładzie o pracę wykonaną przed zakończeniem tury i wymiernie nie jest jeszcze ludzkim głosem. Sesame Preview to lepiej brzmiąca rzecz, której nie możesz mieć, od firmy, która obecnie nie zajmuje się jej sprzedażą. To nie są dwie opcje w jednym menu. To dostawca i demo, a im szybciej przestaniesz porównywać ich specyfikacje, tym szybciej zdecydujesz, którego tak naprawdę potrzebował twój produkt.