Eleven Realtime v1 Max против Sesame Preview: голос, который покоряет слух, проваливает задачу

Спросите кого-нибудь, какой голосовой помощник звучит наиболее по-человечески, и вы услышите S​esame Preview. Спросите, какую модель предприятие может поставить за телефонным номером, и ответ — Eleven Realtime v1 Max, модель «речь-в-речь», анонсированная 20 октября 2026 года, которая решает 87,1% задач на фиксированном тесте, отвечает за 0,57 секунды и доступна через ElevenAgents или O​penAI-совместимый Realtime API. S​esame Preview — это потребительское приложение с четырьмя компаньонами, у каждого из которых есть имя, и никакой возможности купить голос, звучащий внутри него, нет. Задокументированные инциденты с ИИ и сбои агентов, связанные с моделями этого класса, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг спорности.

Это не нокаут, потому что эти два продукта преследуют разные цели, и аргументы в пользу голоса S​esame действительно весомы. Исследователи S​esame одними из первых и публично высказали идею, что разговорный тайминг — «мм-хм», наложение реплик, готовность уступить посреди фразы — это «зловещая долина», а не тембр. Документация E​levenLabs делает ту же ставку с другой стороны: о Mini говорится, что он определяет, закончил ли говорящий или всего лишь вклинивается в разговор. Две лаборатории, один тезис, противоположные бизнес-модели.

Самое интересное в этом сравнении — это то, что каждая из них на самом деле измерила. ElevenLabs публикует шесть чисел и партнёра по оценке. Sesame публикует опыт.

Что именно представляет собой каждый из них

Eleven Realtime v1 Max — это единая сеть, которая выполняет распознавание, определение очерёдности реплик, рассуждение и генерацию голоса вместе, и предназначена для сложных задач с многошаговым использованием инструментов: поддержка клиентов, квалификация лидов, помощь в планировании. Её более дешёвый собрат Eleven Realtime v1 Mini — выбор по умолчанию для новых агентов ElevenAgents, нацеленный на естественный разговор при меньших затратах. Max доступен двумя путями: из выпадающего списка ElevenAgents, где ElevenLabs управляет для вас LLM, моделью TTS, провайдером ASR и настройками рассуждений, либо через Realtime API, который реализует протокол событий Realtime от OpenAI поверх WebSocket по адресу wss://api.elevenlabs.io/v1/convai/realtime.

S​esame Preview — бесплатный потребительский голосовой ассистент: четыре именованных агента — Maya, Miles, Simone, Charlie — доступны на iOS и в вебе; почти все, кто пробовал, называют его самым естественным голосовым ассистентом на рынке. Он сохраняет контекст между сессиями, ищет в интернете и ставит напоминания. Он ничего не бронирует, не покупает и не подаёт документы. У него нет корпоративного тарифа, опубликованных цен и публичного API для голоса, который вы слышите в приложении.

Обе являются полнодуплексными разговорными системами с настолько хорошим перехватом реплик, что люди перестают это замечать. Именно здесь сходство заканчивается, и вопрос «что лучше» перестаёт иметь единственный ответ.

Числа, которые есть у одного из них

Artificial Analysis независимо оценила Eleven Realtime v1 Max на том же стенде, который применяет ко всем моделям преобразования речи в речь. Это её показатели, а не E​levenLabs:

• Рассуждение на основе речи (Big Bench Audio) — максимум 98,8%

• Динамика разговора (Full-Duplex-Bench) — Макс. 94,1%

• Доля успешных задач — Макс. 87,1%

• Предпочтение арены (Elo) — Макс. 997

• Время до первого звука — Макс. 0,57 с

• Стоимость за час входного аудио — максимум $4.80

• Агентная производительность (τ-Voice) — для Max не измерялась

• Индекс Speech to Speech — Max не оценён

S​esame Preview не появляется ни в одной из этих строк. У него нет публичного API, поэтому никакой независимый испытательный стенд не может его запустить, а поведение самого приложения никто за пределами S​esame никогда не оценивал по выполнению задач или задержке. Когда люди говорят, что S​esame звучит лучше, они сообщают о впечатлении от прослушивания, и это законное впечатление — просто это не то же самое измерение, что арена с методологией и стоящей за ней моделью предпочтений.

Это палка о двух концах. Elo 997 на арене — это реальная цифра от реальных слушателей, и она ставит Max позади Grok Voice 3.0 с 1 064, GPT-Live-1 (Sol, low) с 1 047 и Gemini 3.8 Live с 1 078. ElevenLabs выигрывает строки рассуждений и скорости, но не выигрывает строку предпочтений. Если ваша интуиция говорит, что голос Sesame превосходит голос Max, результат арены согласуется с этой интуицией — просто так вышло, что его измеряли в сравнении с другими API-моделями, а не с Sesame.

Вопрос открытых весов — именно здесь большинство сравнений даёт сбой.

Каждый материал, в котором хвалят {{1}}голос S​esame{{/1}}, хвалит приложение, а голос приложения — это закрытая продакшен-модель, которую S​esame никогда не выпускала в виде эндпоинта. Единственное, что S​esame открыла, — это CSM-1B: разговорная речевая модель на 1 млрд параметров из семейства Moshi под лицензией Apache-2.0. Это блок синтеза, а не ассистент: бэкбон Llama предсказывает первую кодовую книгу Mimi, меньший декодер Llama предсказывает остальное, а кодек Mimi превращает это в звуковую волну с частотой 24 кГц. Она ориентирована в первую очередь на английский, клонирует голос по короткому референсному клипу и совсем не умеет генерировать текст — её нужно сочетать с отдельной языковой моделью.

Люди, запускавшие обе модели, описывают голос CSM-1B как заметно более слабый, чем у приложения Preview, и карточка модели самой Sesame подтверждает такую трактовку: интерактивную демонстрацию приводит в действие дообученный вариант CSM, и этот вариант — не тот чекпоинт, который можно скачать.

Итак, честная версия «S​esame vs E​levenLabs» звучит так. У S​esame есть прекрасный закрытый голос, который нельзя вызвать, и небольшой открытый блок синтеза, который можно, — и это не одна и та же модель. У E​levenLabs есть вызываемая модель, чей голос измеримо хорош, но не самый любимый, и цена. Асимметрия, важная для разработчика, не в том, кто звучит лучше, а в том, у кого есть эндпоинт, — и здесь даже близко не паритет.

Где слияние проявляется в продакшене

Аргумент ElevenLabs состоит в том, что объединение распознавания, определения очерёдности реплик, рассуждения и голоса в одну настроенную систему устраняет швы, которые остаются при каскадном подходе.

В ElevenAgents объединение является буквальным, и это имеет свою цену: пока установлена модель Realtime, LLM, уровень рассуждений, бюджет размышлений, параллельные вызовы инструментов, тайм-аут каскада, модель TTS, экспрессивный режим и провайдер ASR полностью управляются ElevenLabs и игнорируются на агенте. Узел рабочего процесса не может их переопределить, а агент вообще не может использовать пользовательскую LLM или Amazon Bedrock. Выбирая модель, вы выбираете весь стек под ней.

Матрица соответствия требованиям неоднородна — это удивит тех, кто будет внедрять её в разных регионах:

• Размещение данных — Max работает в США и ЕС, но не в Индии и не в Сингапуре, где доступен только Mini.

• Режим нулевого хранения и HIPAA — Max поддерживается в США и ЕС; Mini не поддерживается ни в одном из этих регионов.

• Лимит токенов — Max требует 1 024 токена или отсутствие лимита, а узлы рабочего процесса не могут это переопределить

• Передача агентов — агент в режиме Realtime может передавать только другим агентам в режиме Realtime и принимать передачу только от них, хотя переход Mini-to-Max разрешён

• Транспорт — на старте без WebRTC; Realtime API работает только через WebSocket

Эти правила применяются при публикации, а не при сохранении: черновик, нарушающий одно из них, сохраняется без проблем, но при публикации завершается ошибкой, в сообщении которой указан соответствующий параметр. Если вы занимаетесь прототипированием, это небольшое неудобство. Если вы выпускаете продукт в регулируемую очередь, это определяет, какой вариант можно использовать в какой среде, и более дешёвый вариант не всегда соответствует требованиям.

Какой из них должен быть в вашем стеке

Выбирайте Eleven Realtime v1 Max в случаях, когда голос — это средство достижения цели, а звонок должен давать результат: триаж обращений в поддержку, планирование, квалификация. Вы уже сегодня получаете эндпоинт, OpenAI-совместимый протокол событий, благодаря которому миграция с интеграции Realtime сводится к изменению двух строк, измеренный показатель успешного выполнения задач — 87,1%, самую быструю мощную модель рассуждений в таблице лидеров и цену, которую можно рассчитать на уровне $4,80 за час аудио. Учитывайте, что он всё ещё постепенно внедряется, что его агентное поведение не измерено и что его голос не занимает верхнюю строчку в арене предпочтений.

Выберите S​esame Preview, когда изучаете, каким должно быть ощущение качества разговора, или создаёте потребительский продукт, в котором разговор и есть продукт. Он бесплатный, звучит лучше всего, что пробовало большинство людей, и это отличный способ откалибровать ваш вкус. Не планируйте интеграцию вокруг него: интегрировать не с чем, и CSM-1B — не та модель, что используется в приложении.

Выбирайте CSM-1B, только если вам нужен открытый блок синтеза с возможностью самостоятельного хостинга и вы готовы создать всё остальное — ASR, языковую модель, слой определения очерёдности реплик — вокруг него. Он распространяется под лицензией Apache-2.0 и действительно полезен в этой роли. Он не является конкурентом Max и никогда им не задумывался.

Гибрид — и та половина, с которой может помочь роутер.

Большинство серьёзных голосовых продуктов в итоге смешивают модели, а не выбирают одну. Естественно звучащая модель на вступительных и подтверждающих репликах, где ощущаются теплота и задержка; модель, надёжная в выполнении задач, на транзакционных этапах, где ошибка означает потерянную запись. Ни Eleven Realtime, ни S​esame не позволяют легко сделать это в рамках одного соединения — Realtime API от E​levenLabs является отдельным продуктом от ElevenAgents и работает только через WebSocket, а у S​esame нет API, с которым можно было бы смешивать.

Слой маршрутизации действительно заслуживает своего места на уровень ниже — на работе, которую делегирует голосовая модель. В OrcaRouter это 209 моделей от 16 вышестоящих провайдеров за одним ключом, по прайс-листовой цене провайдера без наценки, с автоматическим переключением при ошибке провайдера. Объединение моделей позволяет панели отвечать совместно, когда суждения одной модели недостаточно; DSL маршрутизации объединяет несколько моделей в один вызов. Сам Eleven Realtime v1 Max отсутствует в нашем каталоге — для него нет сторонней конечной точки — поэтому честная граница такова: мы можем маршрутизировать извлечение данных, суммаризацию и постзвонковый анализ, но не голос.

Что изменило бы эту статью, так это бенчмарк, который измеряет естественность так же, как арена измеряет предпочтение, и запускается как в приложении S​esame, так и для API-моделей, — или эндпоинт для production-голоса S​esame. Любой из них превратил бы выбор между доступом и опытом в настоящее сравнение. А до тех пор одну из этих моделей можно вызвать, а другой можно только любоваться, и это решает больше, чем любой тест на слух.