Fish Audio Live 3 vs Sesame Preview: Två svar på turtagning, varav ett är mätbart

Sesame byggde ett benchmark för exakt det problem som Fish Audio Live 3 säger sig ha löst, och sedan lanserade Fish Audio en modell som inte finns med i det. Det är den korta versionen av den här jämförelsen. Sesame Preview – den konsumentprodukt med fyra agenter som körs på labbets Conversational Speech Model – publicerade TurnBench i augusti 2026: trettio timmar trippelannoterat tal mellan två personer, en offentlig resultattavla, en interaktiv samtalsvisare och resultat för fjorton system. Fish Audio Live 3, som tillkännagavs den 10 november 2026, argumenterar för att samtalsrytm ska läras in i talmodellen i stället för att påtvingas av tystnadströsklar, och publicerar tre exempelsamtal och en siffra på 186 millisekunder. Argumentet är samma argument. Bevisen är inte samma bevis.

Allt annat följer av hur olika de två företagen omvandlade det argumentet till en produkt. Live 3 säljs: 0,035 USD per minut på Fish Audios Agent Platform under en kampanj som slutar 31 december 2026, ett dokumenterat API och ett lokalt alternativ för företag. Sesame Preview ges bort gratis: fyra fasta personligheter i en iOS- och Android-app, utan API, utan modellbeteckning för rösten i appen och inget per token eller per minut över huvud taget. En av dem kan du bygga på den här veckan. Den andra kan du bara lyssna på.

Testet som finns, och varför Live 3 inte är med på det

Turtagning är en sällsynt förmåga där branschen enades om ett sätt att mäta den innan modellerna kom, och Sesame är en stor del av förklaringen. TurnBench, som lanserades den 28 augusti 2026 och byggdes tillsammans med Carnegie Mellon University, Mundo AI och Oto, poängsätter system utifrån hur de hanterar just de händelser som får en telefonagent att kännas fel: en bekräftelse som inte borde ta över ordet, ett avbrott som borde göra det, en paus som inte är ett slut. Topplistan är offentlig, utvecklingssetet är självbetjäningsbart och resultaten omfattar fjorton system.

Fish Audio Live 3 finns inte bland dem, och inte heller någon annan duplexmodell från Fish Audio. Det är ingen skandal – en modell som släpptes i november kan inte finnas på en topplista från augusti – men det är det enskilt mest användbara faktumet i den här jämförelsen, eftersom det säger dig vilken typ av påstående varje företag gör. Sesame satte sin egen produkt på ett offentligt test som det var med och utformade, där vem som helst kan kontrollera poängen. Fish Audio satte sin produkt på en kampanjprislista, där vem som helst kan kontrollera priset.

Båda är legitima lanseringar. Endast en av dem låter en utomstående verifiera det som marknadsföringen handlar om.

Vad respektive sida faktiskt levererar

• Vad det är – Fish Audio Live 3 är en full-duplex talmodell bakom en agentplattform; Sesame Preview är en konsumentassistentapp med fyra agenter, Maya, Miles, Simone och Charlie, som var och en har sitt eget minne.

• Distribution – Live 3: självbetjäningsplattform, dokumenterat API, on-premises för företag. Sesame Preview: iOS- och Android-appar, gratis, inget API, inget modell-ID för rösten i appen.

• Pris — Live 3: $0.035/min i kampanjpris, $0.07 i listpris, plus $0.01/min för telefonsamtal och $1.20/månad per nummer. Sesame Preview: inget publicerat pris och ingen publicerad abonnemangsnivå; appen är gratis att ladda ner.

• Språk — Live 3: Endast engelska vid lanseringen, enligt Fish Audios egna ord, trots att den omgivande plattformen marknadsför röster på 30+ språk. Sesame Preview: Engelskt centrerad, tränad huvudsakligen på engelska enligt labbets egna forskningsanteckningar.

• Oberoende – Live 3: ingen publicerad benchmark av något slag per den 11 november 2026, och ingen rad på Artificial Analysiss tal-till-tal-tavla. Sesame Preview: inte heller någon oberoende poäng för appens röst, men en offentlig resultattavla för turordning som företaget var med och byggde och publicerar.

• Öppenhet — Live 3: inga vikter, ingen licens, inget repo. Sesame: en öppen checkpoint, CSM-1B, Apache-2.0 på Hugging Face sedan mars 2025 — vilket inte är rösten i appen.

• Interface — Live 3: du integrerar det. Sesame Preview: du pratar med det.

Ordproblemet som båda företagen har gemensamt

Ingen av produkterna publicerar tillräckligt för att du ska kunna jämföra det du faktiskt bryr dig om, och båda använder samma ord för det. Fish Audio kallar det samtalets rytm och beskriver ett telefonnummer uppläst i bitar – "415… 555… 0132" – där en konventionell agent hör tre separata tursslut. Sesames marknadsföring kallar samma beteende närvaro, och företagets versionsanteckningar från oktober 2026 säger att företaget uppdaterade sin Conversational Speech Model för att förbättra uttrycksfullhet och uttal, med mindre inställsamhet och färre upprepade fraser. Båda påståendena är ofalsifierbara som de står. Ingen av dem levererar någon siffra.

Skillnaden är att Sesame levererade linjalen. Om Fish Audio vill göra jämförelsen på saklig grund är TurnBench utvecklingsset öppet och självpoängsättande; resultattavlan väntar på ett bidrag.

Vad en byggare kan göra med var och en, och vad hen inte kan

Det är här de två produkterna inte längre går att jämföra överhuvudtaget. Sesame Preview är inte en komponent. Det finns ingen endpoint, inget sessions-API, inget sätt att lägga dess röst bakom ditt eget telefonnummer, och den enda Sesame-checkpoint som någon utanför appen kan ladda är CSM-1B, en modell med 1B parametrar från mars 2025 som föregår rösten i den nuvarande appen med ett och ett halvt års arbete. Ett team som vill ha Sesames samtalskänsla i en produkt har i dag ingen väg dit som inte innebär att vänta.

Live 3 är det motsatta valet. Det är slutet på det sätt som betyder något – inga vikter, inget sätt att driva det själv utan ett företagsavtal – men det är öppet på det sätt som låter dig leverera: en agentbyggare, ett dokumenterat API, telefoni och ett minutpris. Resonemangslagret är en separat, utbytbar del; agenten kan peka mot en OpenAI-kompatibel endpoint för tänkandet medan talet förblir Fish Audios. Den strukturen är det som gör det driftsättningsbart av ett litet team på en tisdag.

Specifikt för resonemangsdelen tillhandahåller OrcaRouter fler än 200 modeller bakom en enda nyckel till leverantörens listpris utan påslag, med automatisk redundansväxling när en backend får fel mitt i ett anrop och ett routing-DSL för att avgöra vilken modell som hanterar vilken typ av tur. Fish Audio Live 3 är inte en av dessa modeller – det finns ingen tredjepartsslutpunkt för en sluten duplex-talmodell, och det finns inget här att routa. Routerns uppgift i den här stacken börjar där talet slutar.

Vilken ska man titta på, och för vad?

Tre signaler skulle avgöra den här jämförelsen, och ingen av dem är ett pressmeddelande. En Live 3-post på TurnBench eller en rad på Artificial Analysiss speech-to-speech-tavla skulle förvandla Fish Audios beteendeargument till en poäng med en siffra bredvid. Ett utvecklar-API från Sesame – företaget har sagt att utvecklarverktyg är på väg, utan datum – skulle göra appens röst till något som en produkt kunde hyra. Och en andra öppen Sesame-checkpoint, nyare än CSM-1B, skulle ge open-weights-publiken det som Live 3:s lansering påfallande nog inte gav.

Tills ett av dessa är på plats beror den ärliga rangordningen helt på vad du köper. Om du vill ha det bäst klingande samtal som finns i dag och är beredd att ha det inuti någon annans app, är Sesame Preview den mer imponerande produkten och den mer ärliga när det gäller hur den bör bedömas. Om du behöver en röst i produktion under detta kvartal är Sesame inte en kandidat, och jämförelsen reduceras till en enda fråga om Live 3: om en kampanjminut på 0,035 dollar och ett bekräftelsegolv på 186 millisekunder är tillräckliga bevis för att satsa en telefonlinje på. För de flesta team är svaret ja för en pilot och ännu inte för en lönekörning — och det benchmark som skulle ändra det svaret finns redan, med en rad lämnad tom.