Gemini 3.8 Live vs Sesame Preview: Rösten du kan beundra vs den du kan ringa

Sesames röstagent får 4,5 av 5 i kategorin "lät mänsklig". Gemini 3.8 Live får 4,0. Sesames röstagent slutför också 71 % av bokningsflödena, medan Gemini 3.8 Live slutför 78 %, och Sesames röstagent gör funktionsanropsfel ungefär dubbelt så ofta. Om du väljer en röststack för ett företag som bokar möten, förlorar modellen som låter bättre – och den förlorar av skäl som inte har något att göra med hur bra den låter.

De siffrorna kommer från en tredjeparts direkta jämförelse över 1 500 kundsamtal per modell på bokningsskript, och de har två viktiga förbehåll. De är inte våra och har inte replikerats oberoende, och Gemini-sidan använde den tidiga 2026-generationen av Gemini Live, inte modellen som den här artikeln handlar om. Gemini 3.8 Live är Googles tal-till-tal-släpp från den 15 september 2026, tillgängligt nu på Live API. Sesame Preview är Sesames konsumentröstassistent, gratis på iOS sedan maj 2026 och brett tillgänglig på Android sedan början av augusti 2026, uppbyggd kring fyra namngivna agenter – Maya, Miles, Simone, Charlie – och beskrivs allmänt som den mest människoliknande röstassistenten någon har talat med.

Matchen är egentligen inte modell mot modell. Det är en produkt du kan sätta i produktion mot en upplevelse du bara kan besöka.

Formen av varje sak

Gemini 3.8 Live är en utvecklaryta. Den levereras som gemini-3.8-live och gemini-3.8-live-extended-thinking på Live API, prissatt till $0,005 per minut för ljud in och $0,018 per minut ut, med text till $0,75 och $4,50 per miljon token och bild- eller videoinmatning till $1,00 per miljon. Den hanterar 97 språk med växling mitt i konversationen, bearbetar visuell inmatning i nästan realtid, kör verktygs- och API-anrop i bakgrunden medan konversationen fortsätter, och vattenmärker varje sekund av genererat ljud med SynthID. Varianten Extended Thinking resonerar och talar samtidigt, och berättar om framstegen så att linjen inte tystnar under en lång uppgift. Googles leverantörsrapporterade placering är tvåa i Speech Agent Arena, med förstaplatsen i Artificial Analysis Speech to Speech Quality Index på 82,6 för familjen. Googles siffror, denna vecka, inte reproducerade.

Sesame Preview är en konsumentapp. Den finns endast på engelska. Den har en gräns på 30 minuter per samtal, som sjunker till fem minuter när du är utloggad. Dess agenter håller kontext mellan sessioner, söker på webben och ställer in påminnelser – men de bokar, köper eller arkiverar ingenting. Det finns ingen företagsnivå och inga offentliga priser.

Båda är full-duplex-konversationssystem med turtagning som är tillräckligt bra för att folk ska sluta lägga märke till den. Det är där likheten slutar.

Vad den enda direkta jämförelsen vi har faktiskt visar

CallSphere-jämförelsen körde bokningsflödesskript i stor skala och rapporterade fyra siffror per modell. När det gällde slutförande slutförde Gemini Live 78 % av bokningarna mot Sesame Mayas 71 %. När det gällde funktionsanropsfel låg Gemini Live på 3,3 % mot Mayas 6,7 %. När det gällde p95-latens var Maya snabbare – 480 ms mot 640 ms. Och på det subjektiva måttet ”lät mänsklig”, betyg 1 till 5, fick Maya 4,5 mot Gemini Lives 4,0.

Läser man dem tillsammans framträder ett mönster som ingen enskild rad visar. Sesame vinner de två rader som en människa lägger märke till och förlorar de två rader som ett företag lägger märke till. Naturlighet och latens är vad en uppringare känner; slutförandegrad och felfrekvens är vad som syns i avstämningen. En röst som låter som en person men tappar vart femtonde samtal i ett bokningsflöde är inte en bättre röstagent – den är en bättre demo.

Två ärliga förbehåll. Jämförelsen är en enda leverantörs blogg, inte en peer review-granskad utvärdering, och 1 500 anrop per modell på en enda manustyp är ett snävt utsnitt. Och siffrorna för Gemini beskriver generationen av Gemini Live som levereras i början av 2026, vilket är minst en hel modell bakom 3.8 Live. Att tillämpa de siffrorna på Gemini 3.8 Live skulle vara en gissning. Ingen har publicerat en head-to-head som involverar 3.8-modellen.

Delen som nästan varje artikel har fel om

Varje text som hyllar Sesames röst hyllar appen, och appens röst är en större, sluten produktionsmodell som Sesame aldrig har släppt som ett API. Det finns inget sätt att köpa den, licensiera den eller anropa den. Om du har läst att Sesames tajming i samtal är den bästa på marknaden och dragit slutsatsen att du kan få den, följer slutsatsen inte av bevisen.

Vad Sesame faktiskt har öppnat upp källkoden för är CSM-1B — varianten av den konversationella talmodellen med 1 miljard parametrar, släppt under Apache-2.0 i Moshi-familjen. Det är ett syntesblock, inte en assistent: en Llama-stomme förutsäger den första Mimi-kodboken och en mindre Llama-avkodare förutsäger resten, som en Mimi-kodek omvandlar till en 24 kHz-vågform. Den är endast engelskspråkig, den klonar en röst från ett rent referensklipp på 10 till 15 sekunder, och den kan inte generera text alls — du kombinerar den med en separat språkmodell. Personer som har kört båda beskriver CSM-1B:s röst som klart svagare än Preview-appens. Den finns tillgänglig som hostad tjänst för 7 dollar per miljon tecken från en enda tredjepartsleverantör, ungefär 0,35 dollar per timme ljud, eller gratis om du själv hostar den.

Modellkortet säger det outtalade högt: en finjusterad variant av CSM, som inte är den checkpoint du kan ladda ner, driver det interaktiva röstdemot. Så den ärliga versionen av "Sesame vs Gemini" är denna: Sesame har en vacker sluten röst som du inte kan komma åt, och ett litet öppet syntesblock som du kan komma åt, och de är inte samma sak. Google har en modell som du kan anropa, och det är den de gör reklam för. Den asymmetrin är värd mer för den som bygger än någon naturlighetspoäng.

Spec-kontrast

• Vad du får — Gemini 3.8 Live, ett anropbart API idag, mot Sesame Preview, en gratis konsumentapp utan API för sin produktionsröst

• Produktionsröst licensierbar — Gemini 3.8 Live: ja, betala per minut vs Sesame Preview: nej, aldrig släppt

• Öppen artefakt — Gemini 3.8 Live ingen, stängd vs Sesame Preview CSM-1B, Apache-2.0, en annan och svagare modell

• Språk — Gemini 3.8 Live 97 vs Sesame Preview endast engelska

• Verktygsanrop – Gemini 3.8 Live gör verktygs- och API-anrop i bakgrunden under samtalet, medan Sesame Preview-agenterna kommer ihåg kontext och söker på webben men inte utför uppgifter

• Sessionsgräns — Gemini 3.8 Live inte publicerad av Google vs Sesame Preview 30 minuter, 5 när utloggad

• Naturlighet — Gemini 3.8 Live omätt på denna axel jämfört med Sesame Preview som bedömts vara bäst i klassen utifrån lyssningsintryck, utan någon oberoende benchmark för någon av dem.

• Latens – Gemini 3.8 Live ej publicerad vs Sesame Preview 250–450 ms end-to-end för Maya, under 300 ms för första byte vid strömning, enligt tredjepartsmätning

• Enterprise-väg — Gemini 3.8 Live privat förhandsvisning i Gemini Enterprise, kommer snart till Customer Experience vs Sesame Preview ingen

• Angiven inriktning — Gemini 3.8 Live Live API-integrationer med Agora, LiveKit, Pipecat, Fishjam och andra vs. Sesame Preview-forskningspartnerskap och glasögonhårdvara planerad till 2027

Raden om naturlighet är den som folk bråkar om, och lägg märke till vad den säger: ingen av modellerna har något oberoende riktmärke för hur mänsklig den låter. Det som finns är att Sesames app hyllas av lyssnare och att Google kommer tvåa i en arena. Det är inte samma mätning, och arenan har åtminstone en metodik.

Vad naturlighet kostar operativt

Misstaget är att behandla naturlighet som en funktion man lägger till. Det är en avvägning man gör, och avvägningen går vanligtvis ut över verktygstillförlitligheten – eftersom de beteenden som får en röst att låta mänsklig, tvekan, överlappningarna, villigheten att lämna över ordet mitt i en mening, produceras av en modell som lägger kapacitet på prosodi och turtagning snarare än på den strikta grammatiken i ett funktionsanrop. Det är mekanismen bakom felfrekvensen på 6,7 % mot 3,3 %, långt mer troligt än något påstående om att ett labb är bättre på ingenjörsarbete.

Det har också en infrastrukturkostnad som ingen budgeterar för. En röst som låter mänsklig höjer förväntningarna, och en uppringare som tror att de pratar med en människa tolererar inte "Jag uppfattade inte det" två gånger i rad. Sesames egen 30-minutersgräns är ett tyst medgivande att den här typen av modell är dyr att köra kontinuerligt — en gräns som Google inte publicerar för 3.8 Live, vilket inte är samma sak som att säga att den inte finns.

Vilken hör hemma i din stack?

Välj Gemini 3.8 Live när rösten är ett medel för att nå ett mål: schemaläggning, triage, support, allt där den som ringer vill ha ett resultat. Du får ett API idag, publicerade priser, en verktygsslinga som körs i bakgrunden, 97 språk och en företagsväg om du behöver en.

Välj Sesame Preview när du studerar hur samtalskvalitet bör kännas, eller när du bygger en konsumentupplevelse där själva samtalet är produkten. Den är gratis, den är genuint det bäst klingande som finns, och det är ett utmärkt ställe att kalibrera din smak på. Planera inte en produktionsintegration runt den, för det finns inget att integrera med.

De flesta seriösa team landar i en hybrid, och det är i hybriden som routning slutar vara valfritt. Sätt en naturligt klingande modell på öppnings- och bekräftelseturerna, där latens och värme känns, och sätt en verktygspålitlig modell på transaktionsturerna, där ett fel innebär en förlorad bokning. OrcaRouter är byggt för den formen av stack — modellfusion låter en panel av modeller svara tillsammans när en enskild modells omdöme inte räcker till, routing-DSL:en komponerar flera till ett enda anrop, och failover flyttar trafik bort från en modell som börjar bete sig illa utan att något behöver driftsättas på nytt. Där en leverantör faktiskt publicerar ett pris för vi leverantörens listpris vidare utan påslag, så en prissänkning når din faktura samma dag.

Vad man bör hålla utkik efter: ett API för Sesames produktionsröst, eller ett benchmark som mäter naturlighet så som arenan mäter kvalitet. Endera skulle förvandla detta från ett val mellan åtkomst och upplevelse till en faktisk jämförelse. Tills dess kan man anropa en av dessa modeller och den andra kan man bara beundra, och det avgör frågan snabbare än någon poäng.

De flesta seriösa team landar i en hybrid, och i hybriden blir routing ett måste. Sätt en naturligt klingande modell på öppnings- och bekräftelseturerna, där latens och värme känns, och sätt en verktygstillförlitlig modell på transaktionsturerna, där ett fel är en förlorad bokning. OrcaRouter är byggt för den typen av stack - modellfusion låter en panel av modeller svara tillsammans när en enskild modells omdöme inte är tillräckligt bra, routing-DSL:en komponerar flera till ett anrop, och failover flyttar trafik bort från en modell som börjar missköta sig utan att behöva driftsätta om.