Gemini 3.8 Live vs Sesame Preview: A Voz que Você Pode Admirar vs Aquela que Você Pode Ligar

O agente de voz da Sesame pontua 4,5 de 5 em "soar humano". O do Gemini 3.8 Live pontua 4,0. O da Sesame também conclui 71% dos fluxos de agendamento, enquanto o do Gemini 3.8 Live conclui 78%, e o da Sesame comete erros de chamada de função a uma taxa aproximadamente duas vezes maior. Se você está escolhendo um stack de voz para uma empresa que agenda compromissos, o modelo que soa melhor perde — e perde por razões que não têm nada a ver com o quão bom ele soa.

Esses números vêm de um teste comparativo direto de terceiros com 1.500 chamadas de clientes por modelo em scripts de agendamento, e trazem duas ressalvas importantes. Eles não são nossos nem foram replicados de forma independente, e o lado do Gemini usou a geração Gemini Live do início de 2026, não o modelo sobre o qual este artigo trata. Gemini 3.8 Live é o lançamento de fala para fala do Google de 15 de setembro de 2026, disponível agora na Live API. Sesame Preview é o assistente de voz para consumidores da Sesame, gratuito no iOS desde maio de 2026 e amplamente disponível no Android desde o início de agosto de 2026, construído em torno de quatro agentes nomeados — Maya, Miles, Simone, Charlie — e amplamente descrito como o assistente de voz que mais parece humano com quem alguém já conversou.

A disputa não é bem modelo contra modelo. É um produto que você pode colocar em produção contra uma experiência que você só pode visitar.

A forma de cada coisa

O Gemini 3.8 Live é uma superfície para desenvolvedores. Ele é disponibilizado como gemini-3.8-live e gemini-3.8-live-extended-thinking na Live API, com preço de US$ 0,005 por minuto de áudio de entrada e US$ 0,018 por minuto de saída, com texto a US$ 0,75 e US$ 4,50 por milhão de tokens e entrada de imagem ou vídeo a US$ 1,00 por milhão. Ele lida com 97 idiomas com troca no meio da conversa, processa entrada visual em tempo quase real, executa chamadas de ferramentas e de API em segundo plano enquanto a conversa continua e aplica marca d'água com SynthID em cada segundo do áudio gerado. A variante Extended Thinking raciocina e fala ao mesmo tempo, narrando o progresso para que a linha não fique em silêncio durante uma tarefa longa. A colocação informada pelo fornecedor, Google, é a segunda na Speech Agent Arena, com o primeiro lugar no Speech to Speech Quality Index da Artificial Analysis, com 82,6 para a família. Números do Google, esta semana, não reproduzidos.

O Sesame Preview é um aplicativo para consumidores. É somente em inglês. Tem um limite de 30 minutos por chamada, que cai para cinco minutos quando você está desconectado. Os agentes do Sesame Preview mantêm o contexto entre sessões, pesquisam na web e definem lembretes — mas não reservam, compram nem arquivam nada. Não há nível empresarial nem preços públicos.

Ambos são sistemas conversacionais full-duplex com uma alternância de turnos suficientemente boa para que as pessoas deixem de a notar. É aí que termina a semelhança.

O que o único confronto direto que temos realmente mostra

A comparação do CallSphere executou scripts de fluxo de agendamento em volume e reportou quatro números por modelo. Na conclusão, o Gemini Live finalizou 78% dos agendamentos, contra 71% do Sesame Maya. Em erros de chamada de função, o Gemini Live registrou 3,3%, contra 6,7% do Maya. Na latência p95, o Maya foi mais rápido — 480 ms contra 640 ms. E na medida subjetiva, "soava humano" avaliada de 1 a 5, o Maya obteve 4,5, contra 4,0 do Gemini Live.

Leia esses dados em conjunto e surge um padrão que nenhuma linha isolada mostra. Sesame vence nas duas linhas que um humano percebe e perde nas duas linhas que uma empresa percebe. Naturalidade e latência são o que quem liga sente; taxa de conclusão e taxa de erro são o que aparece na conciliação. Uma voz que soa como uma pessoa, mas perde uma chamada a cada quinze num fluxo de reservas, não é um agente de voz melhor — é uma demo melhor.

Duas ressalvas honestas. A comparação é o blog de um fornecedor, não uma avaliação revisada por pares, e 1.500 chamadas por modelo em um único tipo de script é um recorte estreito. E os números do Gemini descrevem a geração do Gemini Live que será lançada no início de 2026, que está pelo menos um modelo completo atrás do 3.8 Live. Aplicar esses números ao Gemini 3.8 Live seria um chute. Ninguém publicou um comparativo direto envolvendo o modelo 3.8.

A parte que quase todos os artigos erram

Todo texto que elogia a voz da Sesame está elogiando o app, e a voz do app é um modelo de produção maior e fechado que a Sesame nunca lançou como API. Não há como comprá-lo, licenciá-lo ou chamá-lo. Se você leu que o timing conversacional da Sesame é o melhor do mercado e concluiu que pode tê-lo, a conclusão não decorre das evidências.

O que a Sesame realmente disponibilizou em código aberto é o CSM-1B — a variante de modelo de fala conversacional de 1B, lançada sob Apache-2.0 na família Moshi. É um bloco de síntese, não um assistente: uma espinha dorsal Llama prevê o primeiro codebook Mimi e um decodificador Llama menor prevê o restante, que um codec Mimi transforma em uma forma de onda de 24 kHz. É apenas em inglês, clona uma voz a partir de um clipe de referência limpo de 10 a 15 segundos e não consegue gerar texto de forma alguma — é preciso combiná-lo com um modelo de linguagem separado. Pessoas que executaram os dois descrevem a voz do CSM-1B como distintamente mais fraca do que a do aplicativo Preview. Ele está disponível hospedado a US$ 7 por milhão de caracteres de um único provedor terceirizado, cerca de US$ 0,35 por hora de áudio, ou gratuito se você mesmo o hospedar.

O cartão do modelo diz bem alto o que normalmente se cala: uma variante de CSM com ajuste fino alimenta a demonstração de voz interativa, que não é o checkpoint que você pode baixar. Então, a versão honesta de "Sesame vs Gemini" é esta: a Sesame tem uma bela voz fechada à qual você não tem acesso, e um pequeno bloco de síntese aberto que você pode acessar — e eles não são a mesma coisa. O Google tem um modelo que você pode chamar e é o que eles anunciam. Essa assimetria vale mais para quem constrói do que qualquer pontuação de naturalidade.

Contraste de especificação

• O que você recebe — Gemini 3.8 Live, uma API chamável hoje, vs. Sesame Preview, um aplicativo de consumidor gratuito sem API para sua voz de produção

• Voz de produção licenciável — Gemini 3.8 Live sim, pagamento por minuto vs. Sesame Preview não, nunca lançado

• Artefato aberto — Gemini 3.8 Live nenhum, fechado vs Sesame Preview CSM-1B, Apache-2.0, um modelo diferente e mais fraco

• Idiomas — Gemini 3.8 Live 97 vs Sesame Preview apenas em inglês

• Chamada de ferramentas — chamadas de ferramentas e API em segundo plano do Gemini 3.8 Live durante a conversa vs. agentes do Sesame Preview lembram o contexto e pesquisam na web, mas não executam tarefas

• Limite de sessão — Gemini 3.8 Live não publicado pelo Google vs Sesame Preview 30 minutos, 5 quando desconectado

• Naturalidade — Gemini 3.8 Live sem medição nesse eixo vs. Sesame Preview avaliado como o melhor da categoria em impressões de escuta, sem nenhum benchmark independente de qualquer um dos dois

• Latência — Gemini 3.8 Live não publicada vs. Sesame Preview 250–450 ms de ponta a ponta para Maya, primeiro byte de streaming abaixo de 300 ms, conforme medição de terceiros

• Caminho empresarial — prévia privada do Gemini 3.8 Live no Gemini Enterprise, em breve para Customer Experience vs. Sesame Preview: nenhum

• Direção declarada — integrações da Live API do Gemini 3.8 Live com Agora, LiveKit, Pipecat, Fishjam e outros vs. parcerias de pesquisa do Sesame Preview e hardware de óculos planejado para 2027

A linha de naturalidade é aquela sobre a qual as pessoas discutem, e repare no que ela diz: nenhum dos modelos tem um benchmark independente sobre o quão humano ele soa. O que existe é o app da Sesame sendo elogiado por ouvintes e o Google ficando em segundo lugar em uma arena. Essas não são a mesma medição, e a arena pelo menos tem uma metodologia.

Quanto custa operacionalmente a naturalidade?

O erro é tratar a naturalidade como uma funcionalidade que se acrescenta. É uma troca que se faz, e a troca geralmente é contra a confiabilidade da ferramenta — porque os comportamentos que fazem uma voz soar humana, as hesitações, as sobreposições, a disposição de ceder no meio da frase, são produzidos por um modelo que está gastando capacidade com prosódia e tomada de turno, em vez de com a gramática estrita de uma chamada de função. Esse é o mecanismo por trás da taxa de erro de 6,7% versus 3,3%, de forma muito mais plausível do que qualquer alegação de que um laboratório é melhor em engenharia.

Também há um custo de infraestrutura que ninguém inclui no orçamento. Uma voz que soa humana aumenta as expectativas, e quem liga acreditando estar falando com uma pessoa não tolera um "Não entendi isso" duas vezes seguidas. O próprio limite de 30 minutos da Sesame é um reconhecimento discreto de que essa classe de modelo é cara de rodar continuamente — um limite que o Google não publica para o 3.8 Live, o que não é o mesmo que dizer que ele não existe.

Qual deles se encaixa na sua stack

Escolha o Gemini 3.8 Live quando a voz for um meio para um fim: agendamento, triagem, suporte, qualquer coisa em que quem liga queira um resultado. Você tem uma API hoje, preços publicados, um loop de ferramentas que roda em segundo plano, 97 idiomas e um caminho corporativo, se precisar de um.

Escolha o Sesame Preview quando estiver estudando como a qualidade conversacional deve parecer, ou quando estiver construindo uma experiência de consumidor em que a própria chamada é o produto. É gratuito, é genuinamente a opção com o melhor som disponível e é um ótimo lugar para calibrar seu gosto. Não planeje uma integração de produção em torno dele, porque não há nada com que integrar.

A maioria das equipes sérias acaba com uma arquitetura híbrida, e é no híbrido que o roteamento deixa de ser opcional. Coloque um modelo que soe natural nos turnos de abertura e de confirmação, em que latência e calor humano são percebidos, e coloque um modelo confiável para ferramentas nos turnos de transação, em que um erro é uma reserva perdida. O OrcaRouter foi criado para esse formato de stack — a fusão de modelos permite que um painel de modelos responda em conjunto quando o julgamento de um único modelo não é bom o suficiente, a DSL de roteamento compõe vários em uma única chamada, e o failover desvia o tráfego de um modelo que começa a se comportar mal sem a necessidade de reimplantação. Quando um fornecedor publica uma tarifa, repassamos o preço de lista do provedor sem markup, para que um corte de preço chegue à sua fatura no mesmo dia.

O que observar: uma API para a voz de produção da Sesame, ou um benchmark que mede a naturalidade do jeito que a arena mede a qualidade. Qualquer um dos dois transformaria isto de uma escolha entre acesso e experiência em uma comparação de verdade. Até lá, um desses modelos você pode chamar e o outro você só pode admirar, e isso resolve a questão mais rápido do que qualquer pontuação.

A maioria das equipas sérias acaba por adotar uma abordagem híbrida, e é no híbrido que o encaminhamento deixa de ser opcional. Coloque um modelo com sonoridade natural nos turnos de abertura e de reconhecimento, onde a latência e a cordialidade se fazem sentir, e coloque um modelo fiável para ferramentas nos turnos de transação, onde um erro representa uma reserva perdida. O OrcaRouter foi criado para esse tipo de stack - a fusão de modelos permite que um painel de modelos responda em conjunto quando o julgamento de um único modelo não é suficientemente bom, a DSL de encaminhamento combina vários numa única chamada, e o failover desvia o tráfego de um modelo que começa a comportar-se mal sem ser necessário reimplantar.