Phonic 1 vs Sesame Preview: O Problema do Silêncio no Ar, Resolvido de Duas Maneiras Opostas

Phonic 1 e Sesame Preview são ambos vendidos como modelos de fala conversacional, e não buscam o mesmo objetivo. Phonic 1 — o fornecedor escreve Phonic-1 — é um endpoint de fala para fala a US$ 0,07 por minuto que ficou disponível comercialmente em 29 de outubro de 2026 e foi direto para o primeiro lugar no Speech to Speech Index da Artificial Analysis, com 87,1. Sesame Preview é o aplicativo complementar gratuito por trás das vozes Maya, Miles, Simone e Charlie: sem API pública, sem tabela de preços, sem linha em qualquer ranking independente, e um plano declarado de vender óculos para você em 2027. Coloque os dois nomes em uma frase e a primeira coisa que salta é que apenas um deles pode ser comprado.

A segunda coisa que surge é mais interessante. Ambos os produtos são, por baixo do marketing, respostas à mesma pequena humilhação: o meio segundo de silêncio enquanto a máquina decide o que dizer. A Phonic ataca isso fazendo o trabalho antes que o interlocutor termine. A Sesame ataca isso ficando melhor em saber quando o interlocutor terminou. Essas são apostas de engenharia genuinamente diferentes, são medidas por instrumentos que não se sobrepõem, e a escolha entre elas decorre de qual aposta o seu produto depende — não de uma tabela de benchmarks.

O que cada um realmente é, antes que a comparação fique escorregadia

Phonic 1 é um modelo de fala ponta a ponta, áudio de entrada e áudio de saída, sem uma cascata de transcrever-depois-pensar-depois-falar no meio. Foi lançado com SDKs em TypeScript e Python, uma CLI e um construtor de agentes sem código, 51 idiomas documentados com troca no meio da conversa que mantém a identidade do falante, uma configuração documentada intelligence_level que usa standard como padrão e pode ser elevada para high, e termos empresariais que incluem SOC 2 Type II, um BAA da HIPAA, retenção zero de dados e um SLA de disponibilidade de 99,9%. É vendido por minuto em três níveis, e a empresa por trás dele é formada por cerca de dez pessoas do MIT e de Stanford que levantaram uma Série A de US$ 27,5 milhões liderada pela First Round.

O Sesame Preview não é um modelo que se aluga. É um produto de consumo — um aplicativo para iOS e web, gratuito, lançado em 39 países a partir do final de maio de 2026, com quatro agentes nomeados dotados de memória persistente, busca paralela na web que funciona no meio da frase, anotações, um modo de mensagens de texto e um modo incógnito. A meta divulgada pela Sesame para ele é um primeiro áudio em menos de 300 ms, e a empresa tem sido publicamente franca ao afirmar que o modelo ainda é "excessivamente ansioso e frequentemente inadequado" em tom e ritmo. Não há nível empresarial nem qualquer forma de licenciar a voz de produção.

A única coisa que de fato leva o nome Sesame para uma build é Sesame CSM-1B, publicado sob a Apache 2.0 em 13 de março de 2025. É um modelo base de fala conversacional, com foco inicial em inglês, criado para gerar tokens de áudio Mimi condicionados a turnos anteriores. Não é a voz do aplicativo: os personagens do Preview vêm de um fine-tune curado e de um elenco de vozes que nunca foi lançado. Avaliadores que testaram ambos descrevem o checkpoint aberto como audivelmente mais fraco que o aplicativo, o que faz de "apenas auto-hospedar o modelo Sesame" um produto diferente, e não um atalho isento de licença.

Dois ataques no mesmo meio segundo

A alegação de lançamento da Phonic é o argumento mais concreto nesta categoria: ela afirma que o Phonic-1 é o único modelo capaz de agir enquanto o interlocutor ainda está falando. Na demonstração publicada pela empresa, o modelo disparou todas as cinco chamadas de ferramentas no meio da frase e respondeu 1,1 segundo depois que o interlocutor parou de falar; no mesmo roteiro, ela coloca o GPT-Live-1 em 15,7 segundos. Leia isso como uma demonstração de um design, não como um benchmark — é uma tarefa selecionada pelo fornecedor em um roteiro escolhido pelo fornecedor. Mas o design é o que importa. Se a consulta já tiver sido feita quando o turno terminar, o modelo nunca precisa ser brilhante em prever o fim do turno; só precisa evitar atrapalhar.

A Sesame foi pela outra direção e transformou a própria predição em um programa de pesquisa. Em agosto de 2026, publicou TurnBench, um benchmark aberto para a dinâmica de troca de turno: 30 horas de diálogo de dois canais gravado em estúdio, 154 conversas, 106 atores de voz em seis registros, anotado em triplicata com um kappa de Fleiss de 0,78, avaliado com base em recall sob uma taxa limitada de falsos positivos, com latência assinada na mediana. O achado principal é o que vale reter: falantes humanos começam uma transferência de turno 151 ms, na mediana, antes de a outra pessoa parar de falar, e nenhum sistema na área iguala isso dentro do orçamento de falsos positivos. Detectores semânticos são seletivos e lentos; detectores acústicos são rápidos e ruidosos. Nada é as duas coisas.

Essa é a bifurcação na estrada, dita sem rodeios. A Sesame está tentando fechar a lacuna entre os 151 ms de antecipação humana e os 368 ms a 1.234 ms que os melhores detectores conseguem alcançar. A Phonic está tentando tornar a lacuna irrelevante ao remover o trabalho que a preenche. Ambas são legítimas. Apenas uma delas está disponível para você como endpoint hoje, e não é a que publicou o benchmark.

O painel que pontua um deles — e aquele de que ele fica de fora

O Speech to Speech Index da Artificial Analysis é o único composto independente do setor, e o Phonic 1 ocupa o topo dele até o momento desta redação. As linhas que importam:

• Phonic 1 (High) — índice 87,1, primeiro; tempo até o primeiro áudio 0,61 s; US$ 4,20 por hora de áudio de entrada.

• Grok Voice 3.0 — 86,9; 0,81 s; $4,80 por hora.

• GPT-Live-1 (Astra, medium) — 83,2; 1,34 s; $5,83 por hora.

• Gemini 3.8 Live Extended Thinking (High) — 82,6; 1,35 s; US$ 3,50 por hora.

• Eleven Realtime v1 Max — 77,3; 0,57 s; US$ 4,80 por hora.

Observe a última linha. O Eleven Realtime v1 Max é mais rápido até o primeiro áudio do que o Phonic 1 — 0,57 s contra 0,61 s — e está 9,8 pontos de índice abaixo. O tempo até o primeiro áudio não é o quesito que o Phonic venceu; ele venceu no composto, que também pondera raciocínio de fala, comportamento em tarefas agênticas, preferência humana e sucesso na tarefa. Quem cita “mais rápido” a partir de uma única coluna está citando a coluna errada.

Agora, a assimetria. Não há uma linha do Sesame Preview nesse ranking, e não há como uma aparecer: o índice executa modelos por meio de um harness de API, e o Sesame Preview não tem API. Os próprios instrumentos da Sesame também não preenchem a lacuna. O TurnBench é publicado pela Sesame e, até o momento em que escrevo, não traz nenhuma entrada da Sesame — o quadro lista modelos de projeção de atividade de voz, ESPnet, o VAD semântico da Kyutai, Gemini 3.1 Live, OpenAI Realtime e Moshi, mas não a voz de produção da própria empresa. Isso não é um escândalo; autoria de benchmark e submissão a benchmark são atos diferentes, e um aplicativo complementar não tem um endpoint estável para apontar um avaliador. Mas isso significa que os dois números de destaque nesta comparação — 87,1 de um lado, menos de 300 ms do outro — não são o mesmo tipo de afirmação. Um foi medido por um terceiro em um harness. O outro é uma meta declarada pelo fornecedor sobre um produto que ninguém fora da empresa instrumentou.

A coluna em que o Phonic 1 perde, com base nas próprias evidências da Phonic

Se o motivo pelo qual você está analisando o Sesame Preview é que ele soa como uma pessoa, esta comparação tem uma resposta desconfortável, e ela vem do próprio material de imprensa da Phonic, e não de um crítico.

A Phonic encomendou testes de escuta cegos em pares à Podonos, um serviço terceirizado de testes com ouvintes, e relatou os resultados em seu post de lançamento. O Phonic-1 foi preferido em relação ao GPT-Live-1 por 61,5% a 32,0%, em relação ao Grok Voice 3 por 66,5% a 26,5% e em relação ao Eleven v4 Turbo por 78,0% a 14,0%. A manchete com que a empresa escolheu abrir é justamente a que perdeu: atores de voz humanos foram preferidos ao Phonic-1 por 57,0% a 32,0%, o que o post descreve como humanos vencendo cerca de 60% das vezes, com uma margem substancial ainda para melhorar. Esses são números encomendados e relatados pelo fornecedor, e nenhum foi replicado de forma independente — mas são os números do fornecedor, e indicam que o Phonic 1 é a melhor voz sintética em seu conjunto de comparação e ainda assim não é humana.

Os dados de preferência independentes apontam na mesma direção. No Speech Agent Arena que alimenta o composto, o Phonic 1 fica em oitavo de 30 em preferência dos ouvintes, com Elo 1.012, enquanto fica em quarto em sucesso de tarefa, com 92,3%. O modelo que lidera o índice não é o modelo com quem os ouvintes mais querem conversar. Essa é a mesma divisão que vimos no Grok Voice 3.0 pelo lado oposto — a xAI dominou a arena e perdeu na coluna agêntica — e é a razão estrutural pela qual um confronto direto entre esses dois não pode ser resolvido com um único número.

A reputação da Sesame, por sua vez, baseia-se exatamente nessa coluna e em nada mais rigoroso. A demo de Maya e Miles viralizou em fevereiro de 2025 por causa de respirações, hesitações, autocorreções e risadas, e a alegação que circulou era de que os ouvintes não conseguiam distinguir de forma confiável as vozes das de humanos em clipes curtos. Trata-se de uma impressão formada por uma audiência, não de um teste pontuado, e ela nunca foi colocada na mesma sala que o Phonic 1. Não há nenhum experimento publicado no qual um ouvinte escute Sesame Preview e Phonic 1 em sequência. Quem lhe disser qual dos dois soa melhor está lhe dizendo qual dos dois ouviu.

Quanto custa um minuto, e por que o minuto é a unidade errada

A tabela de preços é curta e desequilibrada:

• Phonic 1 — US$ 0,07 por minuto no Starter sem mínimo, 10 chamadas simultâneas, 10 agentes e 3 licenças; US$ 0,065 por minuto no Pro com um mínimo mensal de US$ 200, aproximadamente 3.100 minutos, com 50 chamadas simultâneas; personalizado para empresas. Cadastros antes de 30 de novembro recebem US$ 250 em créditos, e clientes que migrarem de uma cascata ganham três meses grátis.

• Sesame Preview — $0. Não por minuto, não por usuário, não por agente. Grátis no app.

• Sesame CSM-1B — os pesos são gratuitos, e a conta são suas horas de GPU mais o tempo de engenharia para montar a alternância de turnos, o condicionamento de contexto e um modelo de linguagem em torno de um checkpoint que não consegue produzir texto sozinho.

Faça a comparação produtiva e o enquadramento por minuto desmorona. Dez mil minutos por mês no Phonic 1 Starter custam US$ 700, o que é um erro de arredondamento para um call centre e um orçamento de verdade para um projeto paralelo. A Sesame não cobra nada porque não está vendendo minutos — está vendendo um hábito diário antes do lançamento de óculos de 2027, e um hábito é monetizado por pessoa, por ano, em hardware, não por minuto de áudio. Comparar uma tabela de preços a um app gratuito é comparar um fornecedor a um outdoor.

O que resta é a versão honesta da questão de custo: quanto custa lançar? Para o Phonic 1, a resposta é um contrato, um WebSocket e dez chamadas simultâneas no Starter, a menos que você pague pelo Pro. Para o Sesame Preview, a resposta é que não há um número, porque não há uma oferta. A coisa mais próxima de um Sesame lançável é o CSM-1B, e a coisa mais próxima de uma tabela de preços que o CSM-1B tem é uma fatura de GPU.

Três compradores, três respostas diferentes.

Você está tirando o volume de chamadas de uma cascata e as chamadas precisam ser concluídas. Phonic 1, e o caso é a coluna agêntica, não o composto. Chamadas de ferramentas que disparam antes de o chamador parar são a diferença entre um agente que agenda a consulta e um que faz o chamador repetir o que disse. Os US$ 0,07 são baratos diante do custo de uma chamada de entrada fracassada, e o teto de concorrência é o que você precisa dimensionar antes de se comprometer.

O seu produto é a forma como soa. Um companheiro, um treinador, um tutor, uma voz de marca — tudo em que a razão para o utilizador ficar é a própria voz. O Sesame Preview é o ponto de referência e o Phonic 1 ainda não é a resposta: no próprio teste cego do fornecedor, os humanos superam-no quase por dois para um. Mas o ponto de referência não está disponível para compra, pelo que as opções práticas são um modelo de voz licenciado com uma pontuação de preferência medida, ou o CSM-1B e bastante do seu próprio trabalho de engenharia.

Você quer a separação — fala ao estilo Sesame com um backend agêntico. Esta é a combinação que os roadmaps das duas empresas apontam e que nenhuma delas vende. A versão implementável é o CSM-1B ou outro modelo de fala aberto para a voz, e um modelo de texto convencional por trás dele para o raciocínio, conectados por você. Essa etapa de texto é inferência de chat comum, que é a camada em que uma API para mais de 200 modelos com 0% de markup realmente se aplica: uma única chave para a etapa de raciocínio, preço de tabela do provedor repassado sem alteração, a DSL de roteamento para enviar conversa de troca de turnos e raciocínio denso em políticas para modelos diferentes dentro da mesma chamada, e failover automático para que um tropeço do provedor não encerre a conversa. Nem o Phonic 1 nem o Sesame Preview estão nesse catálogo — o Phonic 1 porque é um endpoint de fornecedor único e o Sesame Preview porque não há endpoint para rotear —, então esta é uma declaração sobre a metade da pilha que você monta, não uma alegação sobre qualquer um dos modelos acima.

O que mudaria esta resposta

Três coisas, em ordem crescente de probabilidade.

A Phonic publica números de testes de escuta para a standard configuração de inteligência. Todas as pontuações neste artigo, incluindo 87,1 e 0,61 s, foram produzidas em high. A API usa standard por padrão, documentado como o modo de menor latência, e ninguém publicou o que essa configuração faz com a qualidade ou com o tempo até o primeiro áudio. Uma integração que nunca altera a configuração está executando uma variante não medida.

Sesame abre um endpoint ou coloca sua própria voz de produção em seu próprio quadro de troca de turnos. Qualquer uma das duas opções transformaria isto de uma comparação de um produto contra uma reputação em uma comparação entre duas coisas mensuráveis. Nenhuma das duas está no roadmap que a Sesame descreveu, que passa pelo Android e depois pelos óculos em 2027.

Alguém executa os dois na mesma sala. Um único teste cego com as vozes de produção do Sesame Preview e o Phonic 1 nos mesmos prompts resolveria a questão da naturalidade em uma tarde, e não pode ser realizado por ninguém que não trabalhe na Sesame, porque um dos dois sistemas não é acessível a alguém de fora.

Até que uma dessas coisas aconteça, a interpretação defensável é esta: Phonic 1 é o único dos dois que você pode implantar, lidera o único índice composto independente que pontua qualquer um dos dois, vence na aposta do trabalho realizado antes do fim do turno e, de forma mensurável, ainda não é uma voz humana. Sesame Preview é a coisa de som melhor que você não pode ter, de uma empresa que atualmente não está no negócio de vendê-la. Essas não são duas opções no mesmo menu. São um fornecedor e uma demonstração, e quanto mais rápido você parar de comparar as fichas técnicas delas, mais rápido poderá decidir qual delas seu produto realmente precisava.