Grok Voice 3.0 vs Sesame Preview: A voz que vence todos os testes de escuta é aquela sem API

Pergunte a uma sala cheia de pessoas qual destes soa mais como uma pessoa e você receberá uma única resposta. Sesame Preview é o assistente de voz gratuito da Sesame — quatro agentes chamados Maya, Miles, Simone e Charlie, no iOS desde maio de 2026 e amplamente no Android desde o início de agosto — e produziu os clipes virais que fizeram de "modo de voz de primeira linha" uma expressão à qual os críticos não param de recorrer. G​rok Voice 3.0, anunciado pela S​paceXAI em 14 de outubro de 2026, é o modelo de fala para fala com a maior pontuação no ranking público, com 86,9, podendo ser chamado por um endpoint em tempo real documentado a US$ 0,08 por minuto. Esses dois fatos não se contradizem, e a diferença entre eles é todo o confronto: um deles é uma voz que as pessoas julgam com os ouvidos, e o outro é uma voz que uma parte externa consegue medir.

A segunda metade dessa lacuna é o acesso. O Sesame Preview não tem API, nem identificador de modelo, nem tabela de preços e nenhum plano declarado para ter um, e a voz de produção no aplicativo é um modelo fechado maior que o laboratório nunca lançou. O G​rok Voice 3.0 é um componente que você aluga por minuto. Escolha de ouvido e você quer o Sesame. Escolha com base em se você consegue lançar algo e a decisão já foi tomada em seu lugar.

O que cada um é, para registro

Tirando o marketing, os dois produtos nem sequer são o mesmo tipo de coisa.

• O que é — G​rok Voice 3.0 é um modelo de fala para fala por trás do WebSocket em tempo real da S​aceXAI, com ferramentas com escopo de sessão e transcrições retornadas; Sesame Preview é um aplicativo de consumidor com quatro agentes conversacionais, memória por agente que sincroniza entre web e mobile, pesquisa na web ao vivo durante uma chamada e um resumo enviado depois.

• Preço — US$ 0,08 por minuto de áudio mais US$ 0,004 por entrada de texto, cerca de US$ 4,80 por hora, para o G​rok Voice 3.0; gratuito para o usuário, sem anúncios e sem plano pago declarado para o Sesame Preview.

• Acesso para desenvolvedores — um endpoint documentado, tokens efêmeros para conexões do lado do cliente, e um endpoint de voz personalizada que treina uma voz a partir de um clipe de referência de até 120 segundos para G​rok Voice 3.0; absolutamente nada para o Sesame Preview.

• Pesos — fechados em ambos os lados, com uma exceção: a Sesame publicou o CSM-1B, um checkpoint Apache-2.0 que não é a voz do aplicativo.

• Pontuação independente — 86,9 no Artificial Analysis Speech to Speech Index, com cinco componentes legíveis para o G​rok Voice 3.0; nenhum para a voz Sesame Preview, e nenhum publicado pela Sesame também.

• Limites — G​rok Voice 3.0 não tem limite declarado de sessão, e a geração anterior foi promovida com base na taxa de erro de palavras em 24 idiomas; o Sesame Preview é apenas em inglês, com limite de chamada de 30 minutos que cai para cinco minutos quando não se está conectado, e sem execução de tarefas — os agentes conversam, não reservam, compram nem arquivam nada.

Esse último ponto é o que encerra a maioria das avaliações. Um produto de voz que não pode ser chamado não é um componente; é um concorrente.

O checkpoint aberto, e o que ele não é

A Sesame tem sido incomumente direta sobre a diferença entre sua demo e seu download, e esse é o fato mais importante para qualquer pessoa que esteja avaliando os dois.

CSM-1B é um modelo de fala conversacional de 1B lançado sob a licença Apache 2.0 em 23 de abril de 2026: uma espinha dorsal de arquitetura Llama alimentando um decodificador separado e o codec Mimi da Kyutai, produzindo fala em inglês mono de 24 kHz a partir de um contexto de aproximadamente 4.000 tokens. É um modelo base de geração de fala. Segundo a avaliação de pessoas que rodaram os dois, é uma voz nitidamente mais fraca do que a do aplicativo, e a própria documentação da Sesame é explícita ao afirmar que ele não é um sistema de fala para fala de ponta a ponta e não consegue gerar texto.

Então, o download é uma linhagem de pesquisa, não o produto. Alguém que foi procurar a voz da demonstração encontrou o modelo menor que saiu do mesmo laboratório, e o que responde quando um dos quatro agentes atende é um modelo de produção que nunca foi lançado. Ele é hospedado por provedores de inferência de terceiros a cerca de US$ 7 por milhão de caracteres — aproximadamente US$ 0,35 por hora de áudio sintetizado — ou de graça no seu próprio hardware, e ninguém publicou um benchmark independente dele também.

Para se ter uma ideia, esses US$ 0,35 por hora são o áudio mais barato desta comparação, por um fator de treze, e também são a linha menos útil dela, porque um checkpoint de 1B que não consegue sustentar uma conversa duplex não está competindo com o Grok Voice 3.0 em preço. Ele está competindo com qualquer ferramenta de narração que você já usava.

Por que o teste auditivo e o índice divergem, e qual dos dois está errado

Eles não estão em conflito. Estão a responder a perguntas diferentes, e apenas uma delas pode ser respondida em público.

A reputação do Sesame Preview repousa em como uma voz soa para um ouvinte: respiração, hesitação, o timing de uma interrupção, a impressão de que há uma pessoa do outro lado da linha. Isso é evidência real de certo tipo — a demonstração convenceu centenas de milhares de pessoas e revisores que não tinham incentivo para serem generosos — e não foi quantificada de forma alguma. Não há entrada em arena, nem avaliação publicada da voz de produção, nem contagem de amostras. Toda afirmação de qualidade, em qualquer direção, é uma impressão auditiva.

O 86,9 do Grok Voice 3.0 é o tipo oposto de evidência. Ele decompõe-se em raciocínio de fala próximo do teto, 97,0% no Full Duplex Bench, 71,6% no τ-Voice, um Elo de arena de 1070 e 94,8% de sucesso em tarefas, cada um medido sob um harness publicado que uma equipa externa pode ler, conferir a aritmética e contestar. Um índice composto é uma escolha de ponderação, e o componente de arena é congelado no momento em que um modelo se torna elegível, em vez de acompanhar o Elo ao vivo — mas a discordância está disponível para qualquer pessoa, o que faz disso uma medição em vez de uma alegação.

O que a diretoria não mede é se você gosta de conversar com ele. E há um número específico no lançamento que incide exatamente sobre esse eixo: o Grok Voice 3.0 começa a falar em 0,81 segundos, e o modelo que ele aposenta começava em 0,70. O carro-chefe é 0,11 segundos mais lento na largada do que seu próprio antecessor, que é precisamente o tipo de detalhe que um ouvinte percebe antes de um benchmark.

O que o design de quatro agentes lhe diz

As quatro personalidades da Sesame não são um detalhe de marketing; são uma decisão arquitetural, e é o oposto daquela que a S​paceXAI tomou.

Maya, Miles, Simone e Charlie são vozes fixas com temperamentos fixos, e a memória tem um âmbito por agente. É um produto construído em torno do pressuposto de que a voz é o entregável e a personalidade é a funcionalidade. Não existe personalização de voz, nem clonagem, nem um caminho da aplicação de consumidor para uma API — o nível gratuito é o produto, e a direção declarada da empresa são parcerias de investigação e um dispositivo de hardware planeado, em vez de uma plataforma para programadores.

G​rok Voice 3.0 vai pelo caminho oposto. Ele vem com o conjunto de vozes integrado da S​paceXAI, e um endpoint separado de voz personalizada treina uma voz a partir de um clipe de referência de até 120 segundos, com o voice_id resultante funcionando tanto na API em tempo real quanto na conversão de texto em fala em streaming. A sessão dele aceita ferramentas, então o agente pode chamar seu backend no meio da conversa em vez de apenas falar sobre ele.

Qual dos dois é melhor depende de se estar vendendo uma experiência ou construindo uma. Um produto de voz que lança quatro excelentes personalidades fixas resolveu a identidade da marca e a integração numa única decisão. Um produto de voz com um endpoint de clonagem entregou-lhe uma superfície de conformidade e um fluxo de trabalho de localização numa única decisão. Nenhum dos dois é um erro, e apontam para clientes diferentes.

Onde a questão de roteamento realmente recai

O OrcaRouter não atende a nenhuma dessas camadas de voz. O G​rok Voice 3.0 fica atrás do WebSocket em tempo real da própria S​paceXAI e nada pode se interpor em uma sessão de áudio duplex pertencente a um único fornecedor; o Sesame Preview não tem endpoint algum para o qual rotear. Dizer o contrário seria descrever uma capacidade que não existe, e esta categoria está cheia de plataformas que fazem exatamente isso.

O que é roteável é a camada da qual os dois produtos dependem silenciosamente. Os agentes da Sesame pesquisam na web no meio da conversa e enviam um resumo depois; o array de ferramentas do Grok Voice 3.0 alcança qualquer backend que lhe responda, e qualquer coisa mais pesada que uma chamada inline vira uma requisição a modelo de texto por trás da conversa. Esse trabalho é medido por requisição, é onde uma parcela significativa do custo por chamada se acumula, e é a metade de um produto de voz que você pode manter constante enquanto o modelo de áudio por baixo dela muda — o que, dado que grok-voice-latest/ já mudou duas vezes em um único trimestre, é uma propriedade que vale a pena ter. Duzentos e sete modelos de mais de uma dúzia de provedores upstream por trás de uma única chave, pelo preço de tabela do provedor, sem nenhum markup, com failover automático quando um provedor se degrada, uma DSL de roteamento para compor vários modelos em uma única chamada, e fusão de modelos quando o julgamento de um único modelo não é suficiente. Como nada tem markup, uma redução de preço do fornecedor em qualquer um desses modelos já está valendo aqui no mesmo dia.

A recomendação, dividida por quem você é

Se você é um consumidor que quer a voz conversacional com o melhor som disponível hoje e não pretende integrar nada, o Sesame Preview é gratuito, está nas duas plataformas móveis, sua reputação é merecida o bastante para que os críticos continuem a confirmá-la, e nada neste artigo muda isso. Use-o e aproveite.

Se você está construindo, a decisão já foi tomada e o raciocínio vale a pena internalizar. Você não pode chamar o Sesame Preview, não pode fixar a voz dele e não pode compará-lo com nada — então toda conversa de compras sobre ele termina no mesmo lugar, que é um teste de escuta entre duas opções que nenhuma das partes consegue pontuar. G​rok Voice 3.0 oferece uma tabela de preços, uma string de modelo versionada, uma transcrição, um endpoint de clonagem e uma pontuação de leaderboard que você pode contestar. A primeira coisa a fazer com ele é fixar sua versão, porque o alias já foi movido para ele sem que ninguém perguntasse.

E se você for um pesquisador que quer a falha interessante: o resumo honesto desta dupla é que a categoria provou que consegue criar uma voz que vale a pena ouvir e ainda não decidiu se essa voz deveria ser comprável em qualquer formato que não seja um aplicativo. A Sesame construiu a melhor experiência e a manteve fechada. A S​paceXAI construiu o melhor componente e publicou o número. Fique atento à versão da Sesame que tem uma API — esse é o lançamento que tornaria esta página obsoleta.

Essa lacuna entre o que um placar mede e o que uma implantação enfrenta é a razão pela qual o registro importa: as falhas de IA documentadas e os incidentes com agentes envolvendo modelos dessa classe estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e indicador de contestação.