Gemini 3.8 Live vs Sesame Preview: голос, которым можно восхищаться, против того, которому можно позвонить

Голосовой агент Sesame получает 4,5 из 5 по критерию «звучит по-человечески». У Gemini 3.8 Live — 4,0. Sesame также завершает 71% процессов бронирования, тогда как Gemini 3.8 Live — 78%, а Sesame допускает ошибки при вызове функций примерно вдвое чаще. Если вы выбираете голосовой стек для бизнеса, который записывает клиентов на приём, модель, которая звучит лучше, проигрывает — и проигрывает по причинам, никак не связанным с тем, насколько хорошо она звучит.

Эти цифры взяты из стороннего прямого сравнительного прогона на 1 500 клиентских звонках на каждую модель по скриптам бронирования, и при них есть две важные оговорки. Они не наши и не были независимо воспроизведены, а на стороне Gemini использовалось поколение Gemini Live начала 2026 года, а не модель, о которой рассказывает эта статья. Gemini 3.8 Live — это выпущенная Google 15 сентября 2026 года модель «речь в речь», уже доступная в Live API. Sesame Preview — это потребительский голосовой ассистент Sesame, бесплатный на iOS с мая 2026 года и в целом на Android с начала августа 2026 года, построенный вокруг четырёх именованных агентов — Maya, Miles, Simone, Charlie — и широко описываемый как самый человечный по звучанию голосовой ассистент, с которым кому-либо доводилось говорить.

Это противостояние на самом деле не модель против модели. Это продукт, который вы можете запустить в продакшене, против впечатления, которое вы можете только посетить.

Форма каждой вещи

Gemini 3.8 Live — это поверхность для разработчиков. Он поставляется как gemini-3.8-live и gemini-3.8-live-extended-thinking в Live API по цене $0,005 за минуту входящего аудио и $0,018 за минуту исходящего, текст — $0,75 и $4,50 за миллион токенов, а ввод изображений или видео — $1,00 за миллион. Он поддерживает 97 языков с переключением в середине разговора, обрабатывает визуальный ввод почти в реальном времени, выполняет вызовы инструментов и API в фоновом режиме, пока разговор продолжается, и помечает водяным знаком SynthID каждую секунду сгенерированного аудио. Вариант Extended Thinking рассуждает и говорит одновременно, озвучивая ход работы, чтобы линия не замолкала во время длительной задачи. Заявленное самим Google место — второе в Speech Agent Arena, а первое место — в индексе качества речь-в-речь Speech to Speech Quality Index от Artificial Analysis с показателем 82,6 для всего семейства. Это цифры Google, опубликованные на этой неделе и не воспроизведённые независимо.

Sesame Preview — потребительское приложение. Оно работает только на английском. На один звонок действует ограничение в 30 минут, которое сокращается до пяти минут, если вы вышли из системы. Агенты Sesame Preview сохраняют контекст между сессиями, ищут в интернете и ставят напоминания — но они ничего не бронируют, не покупают и не подают документы. Корпоративного тарифа нет, как и публичных цен.

Обе — полнодуплексные диалоговые системы, в которых смена реплик работает настолько хорошо, что люди перестают её замечать. И на этом сходство заканчивается.

Что на самом деле показывает единственное прямое сравнение, которое у нас есть

Сравнение CallSphere запускало сценарии бронирования в большом объёме и сообщило четыре показателя для каждой модели. По показателю завершения бронирований у Gemini Live — 78% против 71% у Sesame Maya. По ошибкам при вызове функций у Gemini Live — 3,3% против 6,7% у Maya. По задержке p95 Maya была быстрее — 480 мс против 640 мс. А по субъективной оценке «звучит по-человечески» по шкале от 1 до 5 Maya получила 4,5 против 4,0 у Gemini Live.

Сопоставьте их вместе — и проявится закономерность, которой не видно ни в одной отдельной строке. Sesame выигрывает в двух строках, которые замечает человек, и проигрывает в двух строках, которые замечает бизнес. Естественность и задержка — это то, что ощущает звонящий; доля завершённых звонков и доля ошибок — это то, что видно при сверке. Голос, который звучит как человек, но срывает один звонок из пятнадцати в процессе бронирования, — это не более совершенный голосовой агент, а более эффектная демонстрация.

Две честные оговорки. Это сравнение — блог одного вендора, а не рецензируемая оценка, и 1 500 вызовов на модель на одном типе скрипта — это узкий срез. А показатели Gemini описывают генерацию Gemini Live, выходящую в начале 2026 года, которая отстаёт как минимум на целую модель от 3.8 Live. Применять эти числа к Gemini 3.8 Live было бы догадкой. Никто не публиковал прямого сравнения с участием модели 3.8.

Та часть, которую почти каждая статья понимает неправильно

Каждый материал, восхваляющий голос Sesame, восхваляет приложение, а голос приложения — это более крупная закрытая production-модель, которую Sesame никогда не выпускала как API. Её нельзя купить, лицензировать или вызвать. Если вы читали, что тайминг разговора у Sesame лучший на рынке, и заключили, что можете её получить, этот вывод не следует из доказательств.

На самом деле Sesame открыла исходный код CSM-1B — варианта разговорной речевой модели на 1 млрд параметров, выпущенного под лицензией Apache-2.0 в семействе Moshi. Это блок синтеза, а не ассистент: базовая модель Llama предсказывает первую кодовую книгу Mimi, а меньший декодер Llama предсказывает остальные, которые кодек Mimi превращает в 24-кГц звуковую волну. Она работает только на английском, клонирует голос по чистому 10–15-секундному эталонному клипу и вообще не умеет генерировать текст — её используют в паре с отдельной языковой моделью. Те, кто запускал обе, описывают голос CSM-1B как заметно более слабый, чем у приложения Preview. Её можно использовать в хостинговом варианте за $7 за миллион символов у единственного стороннего провайдера — примерно $0,35 за час аудио, — или бесплатно, если разместить её у себя.

Карточка модели проговаривает вслух то, о чём обычно молчат: интерактивное голосовое демо работает на дообученном варианте CSM, а это не тот чекпойнт, который можно скачать. Так что честная версия «Sesame против Gemini» звучит так: у Sesame есть красивый закрытый голос, к которому у вас нет доступа, и небольшой открытый блок синтеза, который вам доступен, и это не одно и то же. У Google есть одна модель, которую можно вызвать, и именно её они рекламируют. Эта асимметрия для разработчика ценнее любой оценки естественности.

Спек контраст

• Что вы получаете — Gemini 3.8 Live, вызываемый API уже сегодня, против Sesame Preview — бесплатного потребительского приложения без API для его production-голоса

• Лицензируемый голос для продакшена — Gemini 3.8 Live: да, оплата поминутно; Sesame Preview: нет, никогда не выпускался.

• Открытый артефакт — Gemini 3.8 Live: нет; закрытый против Sesame Preview CSM-1B, Apache-2.0 — другая и более слабая модель

• Языки — Gemini 3.8 Live 97 против Sesame Preview, только английский

• Вызов инструментов — Gemini 3.8 Live выполняет фоновые вызовы инструментов и API во время разговора, тогда как агенты Sesame Preview запоминают контекст и ищут в интернете, но не выполняют задачи

• Лимит сеанса — Gemini 3.8 Live не опубликован компанией Google, тогда как Sesame Preview — 30 минут, 5 при выходе из системы

• Естественность — Gemini 3.8 Live не измерялась по этому аспекту, тогда как Sesame Preview оценена как лучшая в своём классе по впечатлениям от прослушивания, при этом независимого бенчмарка нет ни для одной из них

Задержка — Gemini 3.8 Live: данные не опубликованы, тогда как Sesame Preview — 250–450 мс сквозной задержки для Maya, первый байт потоковой передачи — менее 300 мс, по данным сторонних измерений

• Путь Enterprise — закрытое превью Gemini 3.8 Live в Gemini Enterprise, скоро появится в Customer Experience vs Sesame Preview нет

• Заявленное направление — интеграции Live API Gemini 3.8 Live с Agora, LiveKit, Pipecat, Fishjam и другими в отличие от исследовательских партнёрств Sesame Preview и аппаратного обеспечения для очков, запланированного на 2027 год

Строка о естественности — это то, из-за чего люди спорят, и обратите внимание, что в ней сказано: ни у одной из моделей нет независимого бенчмарка того, насколько человечно она звучит. Есть только приложение Sesame, которое хвалят слушатели, и второе место Google на арене. Это не одно и то же измерение, и у арены по крайней мере есть методология.

Во что обходится естественность с операционной точки зрения

Ошибка — в том, чтобы считать естественность функцией, которую можно добавить. Это компромисс, на который вы идёте, и обычно он делается в ущерб надёжности инструмента — потому что поведение, которое делает голос похожим на человеческий, — заминки, перекрытия, готовность уступить посреди фразы, — создаётся моделью, которая тратит ресурс на просодию и смену реплик, а не на строгую грамматику вызова функции. Это гораздо правдоподобнее объясняет механизм, стоящий за уровнем ошибок 6,7% против 3,3%, чем любое утверждение о том, что одна лаборатория лучше в инженерии.

У этого также есть инфраструктурная стоимость, которую никто не закладывает в бюджет. Голос, звучащий по-человечески, повышает ожидания, а звонящий, который верит, что говорит с человеком, не станет терпеть «Я не расслышал» дважды подряд. Собственный 30-минутный лимит Sesame — это тихое признание того, что модели этого класса дорого обходятся при непрерывной работе, — лимит, который Google не публикует для 3.8 Live, что не то же самое, что утверждать, будто его не существует.

Какой из них должен быть в вашем стеке

Выбирайте Gemini 3.8 Live, когда голос — это средство для достижения цели: планирование встреч, первичная сортировка обращений, поддержка — всё, где звонящему нужен результат. Вам доступны API уже сегодня, опубликованные тарифы, фоновый цикл работы с инструментами, 97 языков и корпоративный путь, если он вам нужен.

Выбирайте Sesame Preview, когда изучаете, каким должно ощущаться качество разговора, или когда создаёте потребительский опыт, где сам звонок и есть продукт. Он бесплатный, это действительно лучше всего звучащее доступное решение, и это отличное место, чтобы откалибровать свой вкус. Не планируйте на его основе интеграцию для продакшена, потому что интегрировать здесь не с чем.

Большинство серьёзных команд в итоге приходят к гибридной схеме, и именно в гибридной схеме маршрутизация перестаёт быть опциональной. Поставьте модель с естественным звучанием на вступительные реплики и реплики-подтверждения, где ощущаются задержка и теплота, а надёжную в работе с инструментами модель — на транзакционные реплики, где ошибка означает потерянную бронь. OrcaRouter создан именно для такого стека: model fusion позволяет группе моделей отвечать совместно, когда суждения одной модели недостаточно, DSL маршрутизации объединяет несколько моделей в один вызов, а failover переключает трафик с модели, которая начала сбоить, без повторного развёртывания. Там, где поставщик публикует тариф, мы передаём цену из прайс-листа провайдера без наценки, так что снижение цены отражается в вашем счёте в тот же день.

На что стоит обратить внимание: API для продакшн-голоса Sesame или бенчмарк, который измеряет естественность так же, как арена измеряет качество. Любой из них превратил бы это из выбора 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 всё быстрее, чем любой балл.

Большинство серьёзных команд в итоге приходят к гибридной схеме, а в гибридной схеме маршрутизация перестаёт быть опциональной. Поставьте модель с естественным звучанием на вступительные реплики и реплики-подтверждения, где ощущаются задержка и теплота, а на транзакционные реплики, где ошибка — это потерянная бронь, поставьте модель, надёжную в работе с инструментами. OrcaRouter создан именно для такой архитектуры — объединение моделей позволяет панели моделей отвечать вместе, когда суждения одной модели недостаточно, DSL маршрутизации собирает несколько моделей в один вызов, а переключение при сбое уводит трафик с модели, которая начала сбоить, без повторного развёртывания.