Fish Audio Live 3 vs Sesame Preview: Duas respostas à alternância de turnos, uma delas mensurável

Sesame criou um benchmark para exatamente o problema que o Fish Audio Live 3 afirma ter resolvido, e então a Fish Audio lançou um modelo que não está nele. Essa é a versão curta desta comparação. O Sesame Preview — o produto de consumo com quatro agentes rodando no Conversational Speech Model do laboratório — publicou o TurnBench em agosto de 2026: trinta horas de fala entre duas pessoas com tripla anotação, um ranking público, um visualizador interativo de conversa e resultados para quatorze sistemas. O Fish Audio Live 3, anunciado em 10 de novembro de 2026, argumenta que a temporização conversacional deve ser aprendida dentro do modelo de fala em vez de imposta por limites de silêncio, e publica três chamadas de exemplo e um número de 186 milissegundos. O argumento é o mesmo argumento. A evidência não é a mesma evidência.

Todo o resto decorre da maneira tão diferente como as duas empresas transformaram esse argumento em um produto. O Live 3 é vendido: US$ 0,035 por minuto na Agent Platform da Fish Audio durante uma promoção que termina em 31 de dezembro de 2026, uma API documentada e uma opção on-premises para empresas. O Sesame Preview é oferecido gratuitamente: quatro personalidades fixas em um aplicativo para iOS e Android, sem API, sem identificador de modelo para a voz no aplicativo e sem nada por token ou por minuto. Com um deles, você pode desenvolver já nesta semana. Com o outro, você só pode ouvir.

O teste que existe, e por que o Live 3 não está nele

A alternância de turnos é a rara capacidade em que o setor chegou a um consenso sobre como medi-la antes de os modelos chegarem, e a Sesame tem grande parte do mérito nisso. O TurnBench, lançado em 28 de agosto de 2026 e desenvolvido em parceria com Carnegie Mellon University, Mundo AI e Oto, avalia sistemas quanto à forma como lidam exatamente com os eventos que fazem um agente telefônico soar errado: uma confirmação que não deveria roubar o turno, uma interrupção que deveria, uma pausa que não é um fim. O ranking é público, o conjunto de desenvolvimento está disponível para uso autônomo, e os resultados abrangem catorze sistemas.

O Fish Audio Live 3 não está entre eles, e nenhum outro modelo duplex da Fish Audio também não está. Isso não é um escândalo — um modelo lançado em novembro não pode estar em um ranking de agosto —, mas é o fato mais útil desta comparação, porque revela que tipo de alegação cada empresa está fazendo. A Sesame colocou seu próprio produto em um teste público que ajudou a projetar, no qual qualquer pessoa pode verificar a pontuação. A Fish Audio colocou seu produto em uma tabela de preços promocional, na qual qualquer pessoa pode verificar o preço.

Ambos são lançamentos legítimos. Apenas um deles permite que um estranho verifique aquilo de que o marketing trata.

O que cada lado realmente entrega

• O que é — O Fish Audio Live 3 é um modelo de fala full-duplex por trás de uma plataforma de agentes; o Sesame Preview é um aplicativo assistente para o consumidor com quatro agentes, Maya, Miles, Simone e Charlie, cada um com sua própria memória.

• Distribuição — Live 3: plataforma de autoatendimento, API documentada, enterprise on-premises. Sesame Preview: apps para iOS e Android, gratuitos, sem API, sem ID de modelo para a voz no app.

• Preço — Live 3: $0,035/min promocional, $0,07 de tabela, mais $0,01/min para chamadas telefônicas e $1,20/mês por número. Sesame Preview: nenhum preço publicado e nenhum nível de plano publicado; o aplicativo é gratuito para baixar.

• Idiomas — Live 3: somente inglês no lançamento, nas próprias palavras da Fish Audio, embora a plataforma em torno dele anuncie vozes em mais de 30 idiomas. Sesame Preview: com foco no inglês, treinado principalmente em inglês de acordo com as próprias notas de pesquisa do laboratório.

• Independência — Live 3: nenhum benchmark publicado de qualquer tipo até 11 de novembro de 2026, e nenhuma linha no quadro de speech-to-speech da Artificial Analysis. Sesame Preview: também não há pontuação independente para a voz do aplicativo, mas há um ranking público de turn-taking que a empresa ajudou a criar e publica.

Abertura — Live 3: sem pesos, sem licença, sem repositório. Sesame: um checkpoint aberto, CSM-1B, Apache-2.0 no Hugging Face desde março de 2025 — que não é a voz no aplicativo.

• Interface — Live 3: você a integra. Sesame Preview: você fala com ele.

O problema de vocabulário que ambas as empresas compartilham

Nenhum dos dois produtos publica informações suficientes para permitir comparar aquilo que você realmente considera importante, e ambos usam a mesma palavra para isso. A Fish Audio chama isso de ritmo da conversa e descreve um número de telefone lido em blocos — "415… 555… 0132" — em que um agente convencional ouve três fins de turno separados. O marketing da Sesame chama o mesmo comportamento de presença, e suas notas de lançamento de outubro de 2026 dizem que a empresa atualizou seu Conversational Speech Model para melhorar a expressividade e a pronúncia, com menos bajulação e menos frases repetidas. Ambas as afirmações são infalsificáveis como estão escritas. Nenhum dos dois entrega um número.

A diferença é que a Sesame lançou a régua. Se a Fish Audio quer a comparação no mérito, o conjunto de desenvolvimento do TurnBench é aberto e de autoavaliação; o placar está esperando uma entrada.

O que um construtor pode fazer com cada um, e o que não pode

É aqui que os dois produtos deixam completamente de ser comparáveis. O Sesame Preview não é um componente. Não há endpoint, nem API de sessão, nem qualquer forma de colocar a voz dele por trás do seu próprio número de telefone, e o único checkpoint do Sesame que alguém fora do aplicativo consegue carregar é o CSM-1B, um modelo de 1 bilhão de parâmetros de março de 2025 que antecede a voz do aplicativo atual em um ano e meio de trabalho. Uma equipe que queira a sensação conversacional do Sesame em um produto não tem, hoje, nenhum caminho para isso que não envolva esperar.

Live 3 é a troca oposta. É fechado da forma que importa — sem pesos, sem como hospedá-lo você mesmo fora de um contrato empresarial — mas é aberto da forma que permite lançar: um construtor de agentes, uma API documentada, telefonia e uma tarifa por minuto. A camada de raciocínio é uma parte separada e substituível; o agente pode apontar para um endpoint compatível com OpenAI para o raciocínio, enquanto a fala continua sendo da Fish Audio. É essa estrutura que o torna implantável por uma equipe pequena numa terça-feira.

Especificamente para a parte de raciocínio, o OrcaRouter oferece mais de 200 modelos por trás de uma única chave, pelo preço de tabela do provedor e sem nenhuma margem, com failover automático quando um backend falha no meio da chamada e uma DSL de roteamento para decidir qual modelo trata cada tipo de turno. O Fish Audio Live 3 não é um desses modelos — não há endpoint de terceiros para um modelo de fala duplex fechado, e não há nada aqui para rotear. O trabalho do roteador nesta stack começa onde a fala termina.

Qual deles assistir, e para quê?

Três sinais resolveriam esta comparação, e nenhum deles é um comunicado à imprensa. Uma entrada do Live 3 no TurnBench ou uma linha no ranking de fala para fala do Artificial Analysis transformaria o argumento comportamental da Fish Audio em uma pontuação com um número ao lado. Uma API para desenvolvedores da Sesame — a empresa disse que ferramentas para desenvolvedores estão por vir, sem data — transformaria a voz do aplicativo em algo que um produto poderia alugar. E um segundo checkpoint aberto da Sesame, mais novo que o CSM-1B, daria à comunidade de pesos abertos aquilo que o lançamento do Live 3 conspicuamente não deu.

Até que um desses se concretize, o ranking honesto depende inteiramente do que você está comprando. Se você quer a conversa com melhor qualidade sonora disponível hoje e está disposto a tê-la dentro do app de outra pessoa, o Sesame Preview é o produto mais impressionante e o mais honesto sobre como ele deve ser avaliado. Se você precisa de uma voz em produção neste trimestre, o Sesame não é candidato, e a comparação se reduz a uma única pergunta sobre o Live 3: se um minuto promocional de US$ 0,035 e um piso de confirmação de 186 milissegundos são evidências suficientes para apostar uma linha telefônica. Para a maioria das equipes, a resposta é sim para um piloto e ainda não para uma folha de pagamento — e o benchmark que mudaria essa resposta já existe, com uma linha deixada em branco.