Eleven Realtime v1 Max vs Sesame Preview: A Voz Que Conquista o Ouvido Perde a Tarefa

Pergunte a alguém qual assistente de voz soa mais humano e você ouvirá falar do Sesame Preview. Pergunte qual modelo uma empresa pode colocar por trás de um número de telefone e a resposta é Eleven Realtime v1 Max, um modelo de fala para fala anunciado em 20 de outubro de 2026, que resolve 87,1% das tarefas em uma avaliação fixa, responde em 0,57 segundo e está disponível por meio do ElevenAgents ou de uma API Realtime compatível com a OpenAI. O Sesame Preview é um aplicativo para consumidores com quatro companheiros nomeados e nenhuma forma de comprar a voz dentro dele. Os incidentes de IA documentados e as falhas de agentes por trás dos modelos desta classe estão reunidos no OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, seu grau de severidade, sua classificação de confiança e seu indicador de disputa.

Isso não é um nocaute, porque os dois produtos estão perseguindo coisas diferentes, e o argumento a favor da voz da Sesame é real. Os pesquisadores da Sesame foram pioneiros e públicos quanto à ideia de que o timing conversacional — o “mm-hmm”, a sobreposição, a disposição de ceder no meio da frase — é o vale da estranheza, não o timbre. A documentação da ElevenLabs faz a mesma aposta pela direção oposta: o Mini é descrito como capaz de detectar se um falante terminou ou está apenas intervindo. Dois laboratórios, uma tese, modelos de negócio opostos.

Onde a comparação fica interessante é no que cada uma realmente mediu. A E​levenLabs publica seis números e um parceiro de avaliação. A S​esame publica uma experiência.

O que cada um é, precisamente

Eleven Realtime v1 Max é uma única rede que realiza reconhecimento, alternância de turnos, raciocínio e geração de voz em conjunto, posicionada para tarefas complexas com uso de ferramentas em várias etapas: suporte ao cliente, qualificação de leads e agendamento assistido. Sua alternativa mais barata, Eleven Realtime v1 Mini, é o padrão para novos agentes ElevenAgents e visa conversação natural a um custo menor. O Max pode ser acessado de duas maneiras — no menu suspenso ElevenAgents, onde a ElevenLabs gerencia o LLM, o modelo TTS, o provedor de ASR e as configurações de raciocínio para você, ou por meio de uma API Realtime que usa o protocolo de eventos Realtime da OpenAI via WebSocket em wss://api.elevenlabs.io/v1/convai/realtime.

S​esame Preview é uma assistente de voz gratuita para consumidores: quatro agentes nomeados — Maya, Miles, Simone e Charlie — disponíveis no iOS e na web, descrita por quase todos que a experimentam como a assistente de voz mais natural do mercado. Ela mantém o contexto entre sessões, pesquisa na web e define lembretes. Não faz reservas, compras nem arquiva nada. Não há nível empresarial, nem preços publicados, nem API pública para a voz que você ouve no aplicativo.

Ambos são sistemas conversacionais full-duplex com troca de turnos boa o suficiente para que as pessoas parem de perceber. É aí que a semelhança termina e onde a pergunta "qual é melhor" deixa de ter uma única resposta.

Os números que um deles tem

A Artificial Analysis avaliou o Eleven Realtime v1 Max de forma independente no mesmo conjunto de testes que aplica a todos os modelos de fala para fala. Estes são os números dela, não da E​levenLabs:

• Raciocínio de fala (Big Bench Audio) — Máx. 98,8%

• Dinâmica conversacional (Full-Duplex-Bench) — Máx. 94,1%

• Taxa de sucesso da tarefa — Máx. 87,1%

• Preferência de Arena (Elo) — Máx. 997

• Tempo até o primeiro áudio — Máx. 0,57s

• Custo por hora de áudio de entrada — Máx. $4,80

• Desempenho agêntico (τ-Voice) — Max não medido

• Índice de Fala para Fala — Max sem pontuação

O Sesame Preview não aparece em nenhuma destas linhas. Não tem API pública, pelo que nenhum harness independente o consegue executar, e o comportamento da própria aplicação nunca foi avaliado por ninguém fora da Sesame em termos de conclusão de tarefas ou latência. Quando as pessoas dizem que o Sesame soa melhor, estão a relatar uma impressão auditiva, e é uma impressão legítima — simplesmente não é a mesma medição que uma arena com uma metodologia e um modelo de preferência por trás.

Isso vale nos dois sentidos. O Elo de 997 da arena é um número real, de ouvintes reais, e coloca o Max atrás dos 1.064 do G​rok Voice 3.0, dos 1.047 do G​PT-Live-1 (Sol, low) e dos 1.078 do G​emini 3.8 Live. O E​levenLabs vence nas linhas de raciocínio e velocidade e não vence na linha de preferência. Se o seu instinto é que a voz do S​esame supera a do Max, o resultado da arena é consistente com esse instinto — só aconteceu de ter sido medido contra outros modelos de API, não contra o S​esame.

A questão do open-weight, que é onde a maioria das comparações dá errado

Todo texto que elogia a voz da Sesame está elogiando o aplicativo, e a voz do aplicativo é um modelo de produção fechado que a Sesame nunca disponibilizou como endpoint. O que a Sesame tornou open source é o CSM-1B, um modelo de fala conversacional de 1B da família Moshi, sob Apache-2.0. É um bloco de síntese, não um assistente: um backbone Llama prevê o primeiro codebook Mimi, um decodificador Llama menor prevê o restante, e um codec Mimi transforma isso em uma forma de onda de 24 kHz. Ele prioriza o inglês, clona uma voz a partir de um clipe de referência curto e não consegue gerar texto de forma alguma — você o combina com um modelo de linguagem separado.

Pessoas que já testaram os dois descrevem a voz do CSM-1B como claramente mais fraca que a do aplicativo Preview, e o próprio model card da Sesame corrobora essa leitura: uma variante fine-tuned do CSM alimenta a demonstração interativa, e essa variante não é o checkpoint que você pode baixar.

Então, a versão honesta de “S​esame vs E​levenLabs” é esta. A S​esame tem uma bela voz fechada que você não consegue chamar, e um pequeno bloco de síntese aberto que você consegue, e eles não são o mesmo modelo. A E​levenLabs tem um modelo invocável cuja voz é mensuravelmente boa, mas não a mais apreciada, e um preço. A assimetria que importa para quem desenvolve não é qual soa melhor; é qual tem um endpoint, e aí não há comparação.

Onde o merge aparece em produção

O argumento da E​levenLabs é que fundir reconhecimento, alternância de turnos, raciocínio e voz em um único sistema ajustado elimina as emendas que uma cascata deixa.

No ElevenAgents, a mesclagem é literal e tem um custo: enquanto um modelo Realtime estiver definido, o LLM, o esforço de raciocínio, o orçamento de pensamento, as chamadas de ferramentas paralelas, o timeout em cascata, o modelo TTS, o modo expressivo e o provedor ASR são todos gerenciados pela ElevenLabs e ignorados no agente. Um nó de workflow não pode substituí-los, e o agente não pode usar um LLM personalizado nem o Amazon Bedrock de forma alguma. Escolha o modelo e você escolhe toda a stack subjacente.

A matriz de conformidade é irregular de uma maneira que surpreenderá quem estiver implementando isso nas diferentes regiões:

• Residência de dados — O Max funciona nos EUA e na UE, mas não na Índia ou em Singapura, onde apenas o Mini é oferecido

• Modo de Retenção Zero e HIPAA — o Max tem suporte nos EUA e na UE; o Mini não tem suporte em nenhum dos dois

• Limite de tokens — O Max exige 1.024 tokens ou nenhum limite, e os nós de workflow não podem substituir isso

• Transferências de agente — um agente em modo Realtime só pode transferir para e de outros agentes em modo Realtime, embora Mini-to-Max seja permitido

• Transporte — sem WebRTC no lançamento; a Realtime API é somente WebSocket

Essas regras são aplicadas na publicação, não no salvamento: um rascunho que viola uma delas é salvo sem problemas e falha quando você publica, com um erro que nomeia a configuração. Se você está fazendo prototipagem, isso é um incômodo menor. Se você está enviando para uma fila regulamentada, isso decide qual variante você pode usar em qual ambiente, e a mais barata nem sempre é a que está em conformidade.

Qual deles se encaixa na sua stack

Eleven Realtime v1 Max quando a voz é um meio para um fim e a chamada precisa produzir um resultado — triagem de suporte, agendamento, qualificação. Você recebe um endpoint hoje, um protocolo de eventos compatível com a OpenAI que torna a migração de uma integração Realtime uma mudança de duas strings, uma taxa de sucesso em tarefas medida de 87,1%, o raciocinador forte mais rápido do ranking e um preço que você pode modelar em US$ 4,80 por hora de áudio. Aceite que ele ainda está em rollout, que seu comportamento agêntico não foi medido e que sua voz não lidera a arena de preferência.

Escolha o S​esame Preview quando estiver estudando como a qualidade conversacional deve parecer, ou criando um produto de consumo em que a conversa é o produto. É gratuito, é a coisa com melhor sonoridade que a maioria das pessoas já experimentou, e é uma ótima maneira de calibrar seu gosto. Não planeje uma integração em torno dele: não há nada com que integrar, e o CSM-1B não é o modelo no aplicativo.

Escolha o CSM-1B apenas se você quiser um bloco de síntese aberto e auto-hospedável e estiver preparado para construir o restante — um ASR, um modelo de linguagem, uma camada de gerenciamento de turnos — em torno dele. Ele é Apache-2.0 e é genuinamente útil nessa função. Ele não é um concorrente do Max e nunca foi feito para ser.

O híbrido, e a metade com que um router pode ajudar

A maioria dos produtos de voz mais sérios acaba misturando modelos em vez de escolher um. Um modelo com som natural nos turnos de abertura e de confirmação, onde o acolhimento e a latência são percebidos; um modelo confiável em tarefas nos turnos de transação, onde um erro é uma reserva perdida. Nem o Eleven Realtime nem o S​esame tornam isso fácil dentro de uma única conexão — a API Realtime da E​levenLabs é um produto separado do ElevenAgents e funciona apenas via WebSocket, e o S​esame não tem API para misturar.

Onde uma camada de roteamento realmente conquista seu lugar é uma camada abaixo, no trabalho que o modelo de voz delega. No OrcaRouter, isso é 209 modelos de 16 provedores upstream por trás de uma única chave, pelo preço de lista do provedor, sem markup, com failover automático quando um provedor falha. A fusão de modelos permite que um painel responda em conjunto quando o julgamento de um único modelo não é suficiente; a DSL de roteamento compõe vários em uma única chamada. O próprio Eleven Realtime v1 Max não está no nosso catálogo — não há endpoint de terceiros para ele — então o limite honesto é que podemos rotear a recuperação, a sumarização e a análise pós-chamada, não a voz.

O que mudaria este artigo é um benchmark que mede naturalidade da forma como a arena mede preferência, aplicado tanto ao app da S​esame quanto aos modelos de API — ou um endpoint para a voz de produção da S​esame. Qualquer um dos dois transformaria uma escolha entre acesso e experiência em uma comparação de fato. Até lá, um desses modelos você consegue chamar, e o outro você só pode admirar, e isso resolve mais do que qualquer teste de escuta.