GPT-Live-1 vs Sesame Preview: Den bästa rösten i den här jämförelsen är den du inte kan köpa

Fråga vem som helst som har använt båda, och rangordningen är inte ens nära: Sesame Preview är den mest övertygande röstassistenten som de flesta har talat med. Det är också den man inte kan bygga vidare på. GPT-Live-1 och Sesame Preview jämförs ständigt — båda är konversationella, båda hanterar avbrott, båda låter som en person snarare än en telefonmeny — men de erbjuds på motsatta sätt. GPT-Live-1 är en hostad modell som man hyr per minut, offentligt anropbar sedan 10 september 2026. Sesame Preview är en gratis konsumentapp helt utan API, och rösten som folk imponeras av körs på en produktionsmodell som aldrig har släppts.

Vad var och en faktiskt är

• GPT-Live-1 — OpenAI:s full-duplex-röstmodell, i ChatGPT sedan den 8 juli 2026, i API:t sedan den 10 september för 0,05 USD per röstminut. Tolv API-röster, ingen kloning, ingen bild- eller videoinmatning, transkriptioner och svarstext returneras med varje session.

• Sesame Preview — Sesames röstassistent för konsumenter. Gratis på iOS sedan maj 2026, brett tillgänglig på Android sedan början av augusti 2026, plus en webbförhandsvisning där rösten står i första rummet. Fyra agenter – Maya, Miles, Simone och Charlie – endast på engelska, med en samtalsgräns på 30 minuter som sänks till 5 minuter när man är utloggad.

• CSM-1B — den del av Sesame som är öppen: en 1B samtalsmodell för tal som släpptes under Apache 2.0 den 23 april 2026, byggd på en stomme med Llama-arkitektur med en separat avkodare och Kyutais Mimi-codec, som producerar 24 kHz mono engelskt tal från en kontext på ungefär 4K tokens.

De tre raderna ovan är hela formen av beslutet. Det ena företaget säljer en modell per minut. Det andra ger bort en app och släpper en mindre modell som öppen källkod – en modell som inte är den som finns i appen.

Gapet mellan demon och nedladdningen

Sesame har varit ovanligt direkt om detta, och det är det enskilt viktigaste faktumet för alla som utvärderar paret. Rösten i Preview-appen — den som producerade de virala klippen och recensionerna som beskrev röstläget som "bäst i klassen" — är en större, stängd produktionsmodell. CSM-1B är en öppen checkpoint med 1 miljard parametrar från samma labb, och enligt bedömningen från personer som har kört båda är det en klart svagare röst. Sessioner i Preview är också begränsade och enbart på engelska, och det finns ingen uppgiftsutförande: agenterna pratar, de bokar, köper eller arkiverar ingenting.

Det lämnar utvecklare med ett reellt men snävare erbjudande: en självhostbar checkpoint för konversationellt tal utan licensavgift, hostad av en tredjepartsleverantör av inferens för $7 per miljon tecken – ungefär $0,35 per timme syntetiserat ljud – eller gratis på din egen hårdvara. Ingen har publicerat en oberoende benchmark av vare sig Preview-rösten eller CSM-1B, så varje kvalitetsanspråk i någon riktning är ett lyssningsintryck, inte en mätning. Sesame har inte heller publicerat någon offentlig prissättning, någon företagsnivå eller någon intäktsplan; företagets angivna inriktning är forskningspartnerskap och en planerad hårdvaruprodukt.

Vad $0.05 i minuten köper som gratis inte gör

GPT-Live-1:s pitch till en utvecklare är inte att den låter bättre, för det argumentet är omöjligt att vinna mot en sluten modell som ingen kan mäta. Det är att saken är anropbar och prissatt. Konkret vad du får när mätaren tickar:

• En session som du styr – ett modell-ID, en Live Sessions-slutpunkt, det publicerade integrationsexemplet som körs över WebRTC, och en session som du konfigurerar med instruktioner, röster och ett delegeringsblock.

• Hantering av avbrott som ett dokumenterat beteende — 80,1 % interaktivitet på Full Duplex Bench v1.5 mot 45,4 % för GPT-Realtime-2.1, med 0,798 sekunders samtalsväxlingslatens och 87 % framgång vid verktygsanrop. Alla tre är Ope​nAIs egna siffror, publicerade med lanseringen och inte reproducerade av någon vid tidpunkten för skrivandet.

• En resonemangsbackend som du väljer – röstlagret lämnar över tungt arbete över en asynkron gräns till en separat modell som anges i sessionskonfigurationen, vilken fortsätter arbeta medan samtalet fortsätter. I OpenAI:s dokumentationsexempel är den backenden GPT-5.6 Terra; vid konsumentlanseringen i juli var den GPT-5.5.

• Transkript, svarstext och telefoniliknande fakturering — 3,00 USD för en timme med kontinuerligt öppen linje, debiteras per sekund, där 15 sekunder av sessionsinitiering krediteras i stället för att läggas till.

Sesame ger dig ett bättre samtal och inget av det där. Om du bygger en produkt är ”bättre samtal, inget API, inget pris, ingen benchmark, endast engelska, 30-minutersgräns” inte en jämförelse – det är en väntelista.

Det finns en siffra för GPT-Live-1 nu som inte fanns vid dess konsumentlansering, och den är den ärliga motvikten till allt ovanstående. Artificial Analysiss Speech to Speech Index ger GPT-Live-1 69,8 % – en sjundeplats av elva modeller, efter GPT-Realtime-2.1 på 73,9 % och efter Grok Voice Think Fast 2.0 på 79,0 %. Så modellen du kan köpa är inte den bästa på den oberoende resultattavlan heller. Det som resultattavlan inte kan poängsätta är det som Sesame faktiskt vinner på: ingen av de elva modellerna i det indexet betygsattes utifrån hur det känns att prata med den, och Sesame Preview-rösten har ingen rad någonstans.

Den del av stacken som inte tillhör något av företagen

Här möts de båda alternativen, och här upphör beslutet att vara binärt. Varken Sesame Preview eller GPT-Live-1 är en komplett agent. Sesames agenter utför inte uppgifter; GPT-Live-1 delegerar uttryckligen allt som kräver resonemang, hämtning eller ett verktyg till en backend-modell. I båda designerna sker det intressanta arbetet bakom rösten, i ett vanligt textmodellanrop, och det lagret är portabelt på ett sätt som röstlagret inte är – du kan flytta en backend utan att spela in en enda prompt på nytt för talmodellen.

Det backendet är också där OrcaRouter är användbart, och det är värt att vara precis om vad vi routar och inte routar. Vi routar inte GPT-Live-1: Live Sessions-endpointen är Ope​nAI:s, och röstlagret där är utom räckhåll. Vi routar inte heller Sesames produktionsmodell, av det enklare skälet att den aldrig har erbjudits som ett API. Det vi routar är lagret som båda produkterna lämnar över arbete till. Ungefär 190 modeller från elva uppströmsleverantörer körs bakom en nyckel till leverantörens listpris utan påslag, med automatisk failover mellan leverantörer och ett routing-DSL som kan komponera flera modeller till ett enda anrop. För ett team som bygger på en obeprövad röstfrontend är det den säkring som betyder något: röstlagret kan bytas ut eller strandsättas utan att ta resonemangslagret med sig, och modellen du satsade på i mars kan bytas ut i juni genom att redigera en rad.

Vad du ska titta på

Tre saker skulle förändra den här jämförelsen, och ingen av dem ligger ännu i någons händer. Ett Sesame-API – även ett betalt sådant – skulle omedelbart göra den starkaste rösten i kategorin till ett byggbart alternativ och sätta ett verkligt pris bredvid GPT-Live-1:s 0,05 dollar. Ett offentliggjort benchmarktest av Preview-rösten skulle omvandla ett lyssningsintryck till en siffra, och oberoende utvärderingar tenderar att vara ofördelaktiga mot röster som aldrig har tävlat utanför demos. Och den första externa reproduktionen av Ope​nAI:s interaktivitets- och latenssiffror skulle avgöra om full duplex är ett verkligt kapacitetsgap eller en väl vald utvärdering.

Fram till dess är den ärliga uppdelningen denna. Om du väljer en röst åt dig själv, använd Sesame Preview – den är gratis, den är bättre, och det kostar dig ingenting att föredra den. Om du väljer en röst för en produkt som du måste leverera, sälja och supporta, är GPT-Live-1 den enda av de två som du faktiskt kan köpa, och att den inte är den som låter bättre är priset för att vara med.