Grok Voice 3.0 против Sesame Preview: голос, побеждающий в каждом тесте на прослушивание, — это тот, у которого нет API

Спросите любую аудиторию, что из этого звучит более по-человечески, и вы получите один ответ. Sesame Preview — это бесплатный голосовой ассистент от Sesame, состоящий из четырёх агентов по имени Майя, Майлз, Симона и Чарли; он доступен на iOS с мая 2026 года и широко на Android с начала августа — и именно он создал вирусные клипы, из-за которых «голосовой режим, лучший в своём классе» стал фразой, к которой постоянно возвращаются обозреватели. G​rok Voice 3.0, анонсированный S​paceXAI 14 октября 2026 года, — это модель преобразования речи в речь с самым высоким рейтингом в публичном лидерборде — 86,9, — вызываемая через документированный эндпоинт реального времени за $0,08 в минуту. Эти два факта не противоречат друг другу, и разрыв между ними и есть суть противостояния: одно из них — это голос, который люди оценивают на слух, а другое — голос, который может измерить третья сторона.

Вторая половина этого разрыва — доступ. У Sesame Preview нет API, нет идентификатора модели, нет тарифной сетки и нет заявленных планов на его появление, а рабочий голос в приложении — это более крупная закрытая модель, которую лаборатория никогда не выпускала. Grok Voice 3.0 — это компонент, который вы арендуете поминутно. Выбирайте на слух — и вам нужен Sesame. Выбирайте по тому, сможете ли вы что-то выпустить, — и решение уже принято за вас.

Что каждый из них собой представляет, официально

Если отбросить маркетинг, эти два продукта — вообще не одно и то же.

• Что это — G​rok Voice 3.0 — это модель преобразования речи в речь, лежащая в основе WebSocket в реальном времени от S​paceXAI, с инструментами в рамках сессии и возвращаемыми транскриптами; Sesame Preview — потребительское приложение с четырьмя разговорными агентами, памятью для каждого агента, которая синхронизируется между веб-версией и мобильными устройствами, поиском в интернете в реальном времени во время звонка и резюме, отправляемым после него.

• Цена — $0,08 за минуту аудио плюс $0,004 за текстовый ввод, около $4,80 в час, для G​rok Voice 3.0; бесплатно для пользователя, без рекламы и без указанного платного тарифа для Sesame Preview.

• Доступ для разработчиков — документированный эндпоинт, эфемерные токены для клиентских подключений и эндпоинт для пользовательского голоса, который обучает голос на референсном клипе длительностью до 120 секунд для G​rok Voice 3.0; и совсем ничего для Sesame Preview.

• Веса — закрыты с обеих сторон, за одним исключением: Sesame опубликовала CSM-1B, чекпоинт под лицензией Apache-2.0, который не является голосом в приложении.

• Независимая оценка — 86,9 в индексе Speech to Speech от Artificial Analysis с пятью читаемыми компонентами для G​rok Voice 3.0; ни одного для голоса Sesame Preview и ни одного не опубликовано самой Sesame.

• Ограничения — у G​rok Voice 3.0 нет заявленного ограничения на длительность сеанса, а его предыдущее поколение рекламировалось с упором на частоту ошибок в словах для 24 языков; Sesame Preview доступен только на английском, с лимитом звонка в 30 минут, который при выходе из учётной записи снижается до пяти минут, и без выполнения задач — агенты разговаривают, но ничего не бронируют, не покупают и не подают никаких документов.

Тот последний пункт — это то, что завершает большинство оценок. Голосовой продукт, в который нельзя позвонить, — не компонент; это конкурент.

Открытый чекпойнт и чем он не является

Sesame проявил необычную прямоту в отношении разрыва между своей демоверсией и своей загружаемой версией, и это самый важный факт для любого, кто сравнивает эти два варианта.

CSM-1B — это разговорная речевая модель на 1B параметров, выпущенная под лицензией Apache 2.0 23 апреля 2026 года: основа архитектуры Llama, питающая отдельный декодер и кодек Mimi от Kyutai, генерирует монофоническую английскую речь с частотой 24 кГц на основе контекста примерно в 4000 токенов. Это базовая модель генерации речи. По оценке людей, запускавших обе, её голос заметно слабее, чем голос в приложении, а в собственной документации Sesame прямо указано, что она не является сквозной системой речь-в-речь и не может генерировать текст.

Итак, скачанное — это исследовательская ветвь, а не продукт. Тот, кто отправился искать голос из демо, нашёл меньшую модель, вышедшую из той же лаборатории, а то, что отвечает, когда один из четырёх агентов берёт трубку, — это продакшен-модель, которая никогда не выпускалась. Её размещают сторонние провайдеры инференса примерно за $7 за миллион символов — примерно $0,35 за час синтезированного аудио — или бесплатно на собственном оборудовании, и никто также не публиковал независимый бенчмарк для неё.

Для сравнения: эти $0,35 в час — самое дешёвое аудио в этом сравнении, причём в тринадцать раз дешевле, и одновременно это самый бесполезный пункт в нём, потому что чекпоинт на 1B, не способный поддерживать дуплексный разговор, не конкурирует с Grok Voice 3.0 по цене. Он конкурирует с тем инструментом озвучки, которым вы уже пользовались.

Почему тест на слух и индекс расходятся, и какой из них неверен

Они не противоречат друг другу. Они отвечают на разные вопросы, и только на один из них можно ответить публично.

Репутация Sesame Preview держится на том, как голос звучит для слушателя: дыхание, заминка, момент перебивания, ощущение, что на линии живой человек. Это в своём роде настоящее доказательство — демо убедило сотни тысяч людей и рецензентов, у которых не было стимула быть щедрыми, — и оно совершенно не измерено количественно. Нет ни заявки на арене, ни опубликованной оценки голоса в продакшене, ни количества образцов. Любое утверждение о качестве в любую сторону — это впечатление от прослушивания.

86,9 у Grok Voice 3.0 — это доказательство противоположного рода. Оно раскладывается на речевое рассуждение почти у верхней границы, 97,0% на Full Duplex Bench, 71,6% на τ-Voice, Elo на арене 1070 и 94,8% успешности выполнения задач; каждый показатель измерен на опубликованном стенде, который сторонняя команда может изучить, перепроверить в нём расчёты и с которым может не согласиться. Составной индекс — это выбор весов, а компонент арены замораживается на момент, когда модель получает право участвовать, вместо отслеживания текущего Elo, — но возможность не согласиться доступна каждому, и именно это делает его измерением, а не утверждением.

Чего не измеряет таблица лидеров, так это того, нравится ли вам с ней разговаривать. И в релизе есть конкретное число, которое ложится ровно на эту ось: Grok Voice 3.0 начинает говорить через 0,81 секунды, а модель, которую он выводит из эксплуатации, начинала через 0,70. Флагман на 0,11 секунды медленнее трогается с места, чем его собственный предшественник, и это как раз та деталь, которую слушатель замечает раньше, чем бенчмарк.

Что вам говорит дизайн с четырьмя агентами

Четыре личности Sesame — это не маркетинговая деталь; это архитектурное решение, и оно противоположно тому, которое приняла S​paceXAI.

Maya, Miles, Simone и Charlie — это фиксированные голоса с фиксированными темпераментами, а память ограничена рамками каждого агента. Это продукт, построенный вокруг предположения, что голос — это конечный результат, а личность — это ключевая особенность. Здесь нет настройки голоса, нет клонирования и нет пути из потребительского приложения к API — бесплатный тариф и есть продукт, а заявленное направление компании — исследовательские партнёрства и запланированное аппаратное устройство, а не платформа для разработчиков.

Grok Voice 3.0 идёт другим путём. Он поставляется со встроенным набором голосов SpaceXAI, а отдельный эндпоинт для кастомных голосов обучает голос по референсному клипу длительностью до 120 секунд, при этом полученный voice_id работает как в API реального времени, так и в потоковом синтезе речи. Его сессия принимает инструменты, поэтому агент может вызывать ваш бэкенд прямо во время разговора, а не только говорить о нём.

Что лучше — зависит от того, продаёте ли вы готовый опыт или создаёте его. Голосовой продукт, который поставляется с четырьмя отличными фиксированными персонами, одним решением решает задачи брендинга и интеграции. Голосовой продукт с эндпоинтом клонирования одним решением вручает вам поверхность комплаенса и рабочий процесс локализации. Ни то, ни другое не ошибка, и они ориентированы на разных клиентов.

Куда на самом деле попадает вопрос маршрутизации

OrcaRouter не обслуживает ни один из этих голосовых слоёв. G​rok Voice 3.0 работает за собственным realtime-WebSocket S​paceXAI, и ничто не может вклиниться в дуплексную аудиосессию, принадлежащую одному вендору; у Sesame Preview вообще нет эндпоинта, на который можно было бы маршрутизировать. Утверждать обратное означало бы описывать возможность, которой не существует, а эта категория полна платформ, которые делают именно это.

Маршрутизируемый слой — это то, от чего оба продукта тихо зависят. Агенты Sesame ищут в интернете прямо посреди разговора, а затем отправляют сводку; массив tools у Grok Voice 3.0 дотягивается до любого бэкенда, который ему ответит, а всё, что тяжелее встроенного вызова, превращается в запрос к текстовой модели за пределами разговора. Эта работа тарифицируется по запросам, именно в ней накапливается заметная доля стоимости одного вызова, и именно эту половину голосового продукта можно держать неизменной, пока аудиомодель под ней меняется, — а это, учитывая, что grok-voice-latest/ уже дважды сменился за один квартал, свойство, которое стоит иметь. Двести семь моделей от более чем дюжины апстримов за одним ключом, по каталожной цене провайдера с нулевой наценкой, с автоматическим переключением при деградации провайдера, DSL маршрутизации для объединения нескольких моделей в один вызов и слиянием моделей, когда суждения одной модели недостаточно. Поскольку наценки нет, снижение цены вендором на любую из этих моделей вступает в силу здесь в тот же день.

Рекомендация в зависимости от того, кто вы

Если вы потребитель, который хочет лучший по звучанию разговорный голос, доступный сегодня, и не намерен ничего интегрировать, Sesame Preview бесплатен, доступен на обеих мобильных платформах, его репутация настолько заслужена, что обозреватели продолжают это подтверждать, и ничто в этой статье этого не меняет. Пользуйтесь и наслаждайтесь.

Если вы занимаетесь разработкой, решение уже принято, и эту логику стоит усвоить. Вы не можете вызвать Sesame Preview, не можете закрепить его голос и не можете сравнить его с чем-либо по бенчмаркам — поэтому любой разговор о закупке сводится к одному и тому же: тесту на слух между двумя вариантами, которые ни одна из сторон не может оценить. G​rok Voice 3.0 даёт вам тарифную сетку, версионированную строку модели, транскрипт, эндпоинт для клонирования и оценку в лидерборде, с которой можно спорить. Первое, что с ним нужно сделать, — зафиксировать свою версию, потому что псевдоним уже перевели на неё, не спросив.

А если вы исследователь, которому нужен интересный провал: честное резюме этой пары состоит в том, что категория доказала, что способна создать голос, который стоит слушать, и ещё не решила, должен ли этот голос быть доступен для покупки в какой-либо форме, кроме приложения. Sesame создала лучший опыт и оставила его закрытым. S​paceXAI создала лучший компонент и опубликовала число. Следите за версией Sesame с API — именно этот релиз сделает эту страницу устаревшей.

Этот разрыв между тем, что измеряет табло результатов, и тем, с чем сталкивается развёртывание, — причина, по которой этот реестр важен: задокументированные сбои ИИ и инциденты с агентами, связанные с моделями этого класса, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и флаг спорности.