Phonic 1 против Sesame Preview: проблема мёртвого эфира, решённая двумя противоположными способами

Phonic 1 и Sesame Preview оба продаются как модели разговорной речи, и они не решают одну и ту же задачу. Phonic 1 — вендор пишет его название как Phonic-1 — это эндпоинт преобразования речи в речь за $0,07 в минуту, который поступил в коммерческую продажу 29 октября 2026 года и сразу занял первое место в Speech to Speech Index от Artificial Analysis с результатом 87,1. Sesame Preview — это бесплатное сопутствующее приложение, стоящее за голосами Maya, Miles, Simone и Charlie: никакого публичного API, никакой тарифной сетки, никакой строки ни в одном независимом рейтинге и заявленный план продавать вам очки в 2027 году. Поставьте эти два названия в одно предложение, и первое, что станет очевидно, — купить можно только одно из них.

Второе, что из этого следует, интереснее. Оба продукта, если снять маркетинговую оболочку, представляют собой ответы на одно и то же маленькое унижение: полсекунды тишины, пока машина решает, что сказать. Phonic атакует эту проблему, выполняя работу до того, как звонящий закончит. Sesame атакует её, становясь лучше в определении того, когда звонящий уже закончил. Это по-настоящему разные инженерные ставки, они измеряются инструментами, которые не пересекаются, и выбор между ними следует из того, на какую ставку опирается ваш продукт, — а не из таблицы бенчмарков.

Что каждый из них на самом деле собой представляет — до того, как сравнение станет зыбким

Phonic 1 — это сквозная речевая модель: аудио на входе и аудио на выходе, без промежуточного каскада «транскрибировать — думать — говорить». Она поставляется с SDK для TypeScript и Python, CLI и no-code-конструктором агентов, поддержкой 51 документированного языка с переключением в ходе разговора, сохраняющим идентичность говорящего, а также документированнойintelligence_level настройкой, которая по умолчанию равна standard и может быть повышена до high, а корпоративные условия включают SOC 2 Type II, соглашение HIPAA BAA, нулевое хранение данных и SLA доступности 99,9%. Она продаётся поминутно в трёх тарифах, а компания, стоящая за ней, — это примерно десять человек из MIT и Stanford, которые привлекли $27,5 млн в раунде Series A, который возглавила First Round.

Sesame Preview — это не модель, которую можно арендовать. Это потребительский продукт — приложение для iOS и веба, бесплатное, запущенное в 39 странах с конца мая 2026 года, с четырьмя именованными агентами, обладающими постоянной памятью, параллельным веб-поиском, работающим прямо во время произнесения фразы, функцией заметок, режимом обмена сообщениями и режимом инкогнито. Заявленная цель Sesame для него — менее 300 мс до первого звука, и компания публично признавала, что модель всё ещё «слишком усердна и часто неуместна» по тону и темпу. Корпоративного тарифа нет, и лицензировать production voice невозможно.

Единственное, что действительно переносит имя Sesame в сборку, — это Sesame CSM-1B, опубликованная под лицензией Apache 2.0 13 марта 2025 года. Это базовая разговорная речевая модель с приоритетом на английский, созданная для генерации аудиотокенов Mimi с учётом предыдущих реплик. Это не тот голос, что звучит в приложении: персонажи Preview происходят из специально подготовленного файнтюна и актёрского состава озвучивания, которые так и не были выпущены. Обозреватели, запускавшие и то, и другое, характеризуют открытый чекпойнт как звучащий заметно слабее приложения, из-за чего «просто развернуть модель Sesame у себя» — это другой продукт, а не свободный от лицензионных ограничений обходной путь.

Две атаки в одну и ту же полсекунду

Заявление Phonic о запуске — самое конкретное в этой категории: в нём говорится, что Phonic-1 — единственная модель, способная действовать, пока звонящий ещё говорит. В опубликованной компанией демонстрации модель инициировала все пять вызовов инструментов посреди предложения и ответила через 1,1 секунды после того, как звонящий замолчал; на том же сценарии GPT-Live-1 у неё показывает 15,7 секунды. Считайте это демонстрацией дизайна, а не бенчмарком — это выбранная вендором задача на выбранном вендором сценарии. Но суть именно в дизайне. Если поиск уже выполнен к моменту завершения реплики, модели вовсе не нужно блестяще предсказывать конец реплики; ей просто нужно не мешать.

Sesame пошла другим путём и сделала само предсказание исследовательской программой. В августе 2026 года она опубликовала TurnBench — открытый бенчмарк для динамики смены реплик: 30 часов студийно записанных двухканальных диалогов, 154 разговора, 106 актёров озвучивания в шести регистрах, тройная аннотация с каппой Флейсса 0,78, оценка по полноте при ограниченной частоте ложноположительных срабатываний и знаковой латентностью по медиане. Главный вывод стоит запомнить: люди начинают передачу реплики в медиане за 151 мс до того, как другой человек перестаёт говорить, и ни одна система в этой области не укладывается в бюджет ложноположительных срабатываний. Семантические детекторы избирательны и медленны; акустические — быстры и шумны. Ничто не обладает обоими качествами.

Вот развилка, выраженная прямо. Sesame пытается сократить разрыв между 151 мс человеческого предвосхищения и 368–1 234 мс, которых добиваются лучшие детекторы. Phonic пытается сделать этот разрыв несущественным, устраняя работу, которая его заполняет. Оба подхода законны. Сегодня вам как эндпоинт доступен только один из них, и это не тот, который опубликовал бенчмарк.

Совет, который оценивает одного из них, — и тот, который он пропускает.

Индекс Speech to Speech от Artificial Analysis — единственный независимый составной индекс в этой области, и на момент написания этого текста Phonic 1 занимает в нём первую позицию. Строки, которые имеют значение:

• Phonic 1 (High) — индекс 87.1, первое место; время до первого аудио 0.61 с; $4.20 за час входного аудио.

• Grok Voice 3.0 — 86,9; 0,81 с; 4,80 $ в час.

• GPT-Live-1 (Astra, средний) — 83,2; 1,34 с; 5,83 $ в час.

• Gemini 3.8 Live Extended Thinking (High) — 82,6; 1,35 с; 3,50 $ в час.

• Eleven Realtime v1 Max — 77,3; 0,57 с; 4,80 $ в час.

Обратите внимание на последнюю строку. Eleven Realtime v1 Max — быстрее достигает первого аудио, чем Phonic 1 — 0,57 с против 0,61 с — и находится на 9,8 пункта индекса ниже. Время до первого аудио — не то состязание, которое выиграл Phonic; он выиграл по составному показателю, который также учитывает речевые рассуждения, поведение в агентных задачах, предпочтения людей и успешность выполнения задач. Тот, кто называет «самый быстрый» по одной колонке, цитирует не ту колонку.

Теперь об асимметрии. В той таблице лидеров нет строки Sesame Preview, и появиться ей неоткуда: индекс прогоняет модели через API-стенд, а у Sesame Preview нет API. Собственные инструменты Sesame этот пробел тоже не закрывают. TurnBench публикуется Sesame и на момент написания этих строк не содержит записи о Sesame: в таблице перечислены модели прогнозирования голосовой активности, ESPnet, семантический VAD от Kyutai, Gemini 3.1 Live, OpenAI Realtime и Moshi, но не собственный продакшн-голос компании. Это не скандал; быть автором бенчмарка и подать в него заявку — разные действия, а у приложения-компаньона нет стабильной конечной точки, на которую мог бы указать оценщик. Но это означает, что две главные цифры в этом противостоянии — 87.1 с одной стороны и менее 300 мс с другой — не являются утверждениями одного рода. Одна была измерена третьей стороной на стенде. Другая — это целевой показатель, заявленный вендором о продукте, который никто за пределами компании не инструментировал.

Колонка, где Phonic 1 проигрывает, по собственным данным Phonic

Если вы рассматриваете Sesame Preview потому, что он звучит как человек, у этого сравнения есть неудобный ответ, и он исходит из собственных пресс-материалов Phonic, а не от критика.

Phonic заказала у Podonos, стороннего сервиса тестирования слушателей, слепые парные тесты на прослушивание и сообщила результаты в своём посте о запуске. Phonic-1 предпочитали GPT-Live-1 с результатом 61,5% против 32,0%, Grok Voice 3 — 66,5% против 26,5%, а Eleven v4 Turbo — 78,0% против 14,0%. Заголовок, с которым компания решила выйти, — тот, в котором она проиграла: живых актёров озвучивания предпочитали Phonic-1 с результатом 57,0% против 32,0%; в публикации это описывается как победа людей примерно в 60% случаев, при этом ещё есть существенный простор для улучшения. Это заказанные вендором и опубликованные вендором числа, и ни одно из них не было независимо воспроизведено — но это числа вендора, и они говорят, что Phonic 1 — лучший синтетический голос в своём наборе для сравнения и всё же не человек.

Независимые данные о предпочтениях указывают в том же направлении. В Speech Agent Arena, которая питает композитный индекс, Phonic 1 занимает восьмое место из 30 по предпочтению слушателей с Elo 1,012, при этом четвёртое место по успешности выполнения задач с 92,3%. Модель, возглавляющая индекс, — не та модель, с которой слушатели больше всего хотят разговаривать. Это тот же раскол, который мы видели в Grok Voice 3.0 с противоположной стороны — xAI удерживала арену и проиграла агентную колонку — и это структурная причина, по которой прямое сравнение этих двух моделей нельзя разрешить одной цифрой.

Тем временем репутация Sesame держится именно на этой колонке и ни на чём более строгом. Демо Maya и Miles стало вирусным в феврале 2025 года благодаря вздохам, паузам, самокоррекциям и смеху, а распространявшееся утверждение состояло в том, что слушатели не могли надёжно отличить эти голоса от человеческих на коротких фрагментах. Это впечатление, сформированное аудиторией, а не оценённый тест, и оно никогда не оказывалось в одной комнате с Phonic 1. Нет опубликованного эксперимента, в котором слушатель слышит Sesame Preview и Phonic 1 подряд. Любой, кто говорит вам, какой из них звучит лучше, говорит вам, какой из них он слышал.

Сколько стоит минута и почему минута — неправильная единица измерения

Прайс-лист короткий и однобокий:

• Phonic 1 — $0.07 в минуту на Starter без минимального платежа, 10 одновременных звонков, 10 агентов и 3 рабочих места; $0.065 в минуту на Pro при минимальном ежемесячном платеже $200, примерно 3 100 минут, с 50 одновременными звонками; для Enterprise — индивидуальные условия. При регистрации до 30 ноября начисляются кредиты на $250, а клиенты, переходящие с каскада, получают три месяца бесплатно.

• Sesame Preview — $0. Не за минуту, не за место, не за агента. Бесплатно в приложении.

• Sesame CSM-1B — веса бесплатны, а счёт — это ваши часы GPU плюс инженерное время на сборку механизма смены реплик, контекстного кондиционирования и языковой модели вокруг чекпоинта, который не может самостоятельно генерировать текст.

Продуктивное сравнение — и поминутная логика рассыпается. Десять тысяч минут в месяц на Phonic 1 Starter — это $700, что для колл-центра погрешность округления, а для сайд-проекта вполне реальный бюджет. Sesame не берёт ничего, потому что Sesame продаёт не минуты, а ежедневную привычку в преддверии запуска очков в 2027 году, и такая привычка монетизируется в расчёте на человека и на год через оборудование, а не за минуту аудио. Сравнивать тарифную сетку с бесплатным приложением — это сравнивать поставщика с рекламным щитом.

Что оставляет нам честную версию вопроса о стоимости: сколько стоит выпустить? Для Phonic 1 ответ — один контракт, один websocket и десять одновременных вызовов на Starter, если вы не платите за Pro. Для Sesame Preview ответ — числа нет, потому что нет предложения. Ближайшее к готовому к выпуску Sesame — это CSM-1B, а самое близкое к прайс-листу, что есть у CSM-1B, — это счёт за GPU.

Три покупателя, три разных ответа

Вы переводите объем звонков с каскада, и звонки должны завершаться. Phonic 1, и здесь речь идет о колонке для агентных сценариев, а не о композитной. Вызовы инструментов, которые срабатывают до того, как звонящий замолчит, — это разница между агентом, который записывает на прием, и тем, который заставляет звонящего повторять себя. $0.07 — это дешево по сравнению со стоимостью неудачного входящего звонка, а потолок параллелизма — это то, что нужно рассчитать до принятия обязательств.

Ваш продукт — это то, как он звучит. Компаньон, коуч, репетитор, голос бренда — всё, где причина, по которой пользователь остаётся, — это сам голос. Sesame Preview — это точка отсчёта, а Phonic 1 пока не ответ: в собственном слепом тесте поставщика люди побеждают его почти со счётом два к одному. Но точку отсчёта нельзя купить, поэтому практические варианты — это лицензированная голосовая модель с измеренной оценкой предпочтения, или CSM-1B и много вашей собственной инженерии.

Вам нужен этот сплит — речь в стиле Sesame с агентным бэкендом. Это та комбинация, на которую указывают дорожные карты обеих компаний и которую не продаёт ни одна из них. Собираемая версия — это CSM-1B или другая открытая речевая модель для голоса и обычная текстовая модель за ней для «мышления», соединённые вами вручную. Этот текстовый этап — обычный чат-инференс, то есть именно тот уровень, где один API для 200+ моделей с наценкой 0% действительно применим: единый ключ для звена рассуждений, прайс-лист провайдера, передаваемый без изменений, DSL-маршрутизация, позволяющая направлять болтовню с чередованием реплик и рассуждения с обилием правил разным моделям в рамках одного вызова, и автоматическое переключение при сбое, чтобы сбой у провайдера не обрывал разговор. Ни Phonic 1, ни Sesame Preview нет в этом каталоге — Phonic 1, потому что это эндпоинт одного вендора, а Sesame Preview, потому что там нет эндпоинта для маршрутизации — так что это утверждение о той половине стека, которую вы собираете сами, а не заявление о любой из двух моделей выше.

Что изменило бы этот ответ?

Три вещи, в порядке возрастания вероятности.

Phonic публикует показатели тестов на прослушивание для стандартного режима интеллекта. Каждый результат в этой статье, включая 87,1 и 0,61 с, был получен в высоком режиме. API по умолчанию использует стандартный режим, документированный как режим с меньшей задержкой, и никто не публиковал данных о том, как эта конфигурация влияет на качество или на время до первого звука. Интеграция, которая никогда не касается этой настройки, работает с неизмеренным вариантом.

Sesame откроет endpoint или выставит собственный production-голос на собственном стенде оценки перехвата реплик. Любой из этих шагов превратил бы нынешнее сравнение продукта с репутацией в сравнение двух измеримых вещей. Ни того, ни другого нет в описанной Sesame дорожной карте, которая проходит через Android, а затем — очки в 2027 году.

Кто-то запускает обе системы в одной комнате. Один слепой тест с рабочими голосами Sesame Preview и Phonic 1 на одних и тех же промптах решил бы вопрос естественности за полдня, и его не может провести никто, кто не работает в Sesame, потому что одна из двух систем недоступна для постороннего.

Пока не случится одно из этого, наиболее обоснованное прочтение таково: Phonic 1 — единственный из двух, который вы можете развернуть; он лидирует в единственном независимом сводном рейтинге, где оценивается хотя бы один из них; он выигрывает по ставке на объём работы, выполненной до завершения хода; и измеримо пока не является человеческим голосом. Sesame Preview — это лучше звучащая вещь, которой вы не можете обладать, от компании, которая сейчас не занимается её продажей. Это не два варианта в одном меню. Это поставщик и демо, и чем быстрее вы перестанете сравнивать их таблицы характеристик, тем быстрее сможете решить, какой из них на самом деле нужен вашему продукту.