Grok Voice 3.0 vs Sesame Preview: Rösten som vinner varje lyssningstest är den utan API

Fråga en sal full av människor vilket av dessa som låter mest som en människa, och du kommer att få ett svar. Sesame Preview är den kostnadsfria röstassistenten från Sesame – fyra agenter vid namn Maya, Miles, Simone och Charlie, på iOS sedan maj 2026 och brett tillgänglig på Android sedan början av augusti – och den producerade de virala klipp som gjorde "best-in-class voice mode" till en fras som recensenter fortsätter att ta till. Grok Voice 3.0, som tillkännagavs av SpaceXAI den 14 oktober 2026, är den högst poängsatta tal-till-tal-modellen på den offentliga resultattavlan med 86,9, anropbar via en dokumenterad realtidsendpoint för 0,08 dollar i minuten. Dessa två fakta motsäger inte varandra, och klyftan mellan dem är hela jämförelsen: en av dessa är en röst som människor bedömer med öronen, och den andra är en röst som en utomstående part kan mäta.

Den andra halvan av det gapet är åtkomst. Sesame Preview har inget API, ingen modellidentifierare, ingen prislista och ingen uttalad plan för ett sådant, och produktionsrösten i appen är en större sluten modell som labbet aldrig har släppt. G​rok Voice 3.0 är en komponent du hyr per minut. Väljer du med örat vill du ha Sesame. Väljer du utifrån om du kan leverera något är beslutet redan fattat åt dig.

Vad var och en är, för protokollet

Om man bortser från marknadsföringen är de två produkterna inte ens samma typ av sak.

• Vad det är — G​rok Voice 3.0 är en tal-till-tal-modell bakom S​paceXAI:s WebSocket i realtid, med sessionsspecifika verktyg och returnerade transkript; Sesame Preview är en konsumentapp med fyra samtalsagenter, minne per agent som synkroniseras mellan webb och mobil, livesökning på webben under ett samtal och en sammanfattning som skickas efteråt.

• Pris — $0,08 per ljudminut plus $0,004 per textinmatning, cirka $4,80 i timmen, för G​rok Voice 3.0; gratis för användaren utan annonser och ingen angiven betalnivå för Sesame Preview.

• Utvecklaråtkomst — en dokumenterad slutpunkt, tillfälliga token för anslutningar på klientsidan och en slutpunkt för anpassad röst som tränar en röst utifrån ett referensklipp på upp till 120 sekunder för G​rok Voice 3.0; ingenting alls för Sesame Preview.

• Vikter – slutna på båda sidor, med ett undantag: Sesame har publicerat CSM-1B, en Apache-2.0-checkpoint som inte är rösten i appen.

• Oberoende poäng — 86,9 på Artificial Analysis Speech to Speech Index med fem läsbara komponenter för G​rok Voice 3.0; inga för Sesame Preview-rösten, och inga publicerade av Sesame heller.

• Gränser — G​rok Voice 3.0 har ingen angiven sessionsgräns, och dess föregående generation marknadsfördes utifrån sin ordfelsfrekvens över 24 språk; Sesame Preview finns endast på engelska, med en samtalsgräns på 30 minuter som sjunker till fem minuter när man är utloggad, och utför inga uppgifter — agenterna pratar, de bokar, köper eller arkiverar ingenting.

Den sista punkten är den som avslutar de flesta utvärderingar. En röstprodukt som inte går att ringa är inte en komponent; den är en konkurrent.

Den öppna kontrollpunkten, och vad den inte är

Sesame har varit ovanligt rakt på sak om klyftan mellan sin demo och sin nedladdning, och det är det enskilt viktigaste faktumet för den som väger de två mot varandra.

CSM-1B är en konversationell talmodell på 1B som släpptes under Apache 2.0 den 23 april 2026: en stomme med Llama-arkitektur som matar en separat avkodare och Kyutais Mimi-codec, vilket producerar 24 kHz mono engelskt tal från en kontext på ungefär 4 000 tokens. Det är en basmodell för talgenerering. Enligt bedömningen från personer som har kört båda är det en klart svagare röst än den i appen, och Sesames egen dokumentation är tydlig med att det inte är ett end-to-end-tal-till-tal-system och inte kan generera text.

Nedladdningen är en forskningslinje, inte produkten. Någon som letade efter rösten från demon hittade den mindre modellen som kom från samma labb, och det som svarar när en av de fyra agenterna tar samtalet är en produktionsmodell som aldrig har släppts. Den hostas av tredjepartsleverantörer av inferens för omkring 7 dollar per miljon tecken – ungefär 0,35 dollar per timme syntetiserat ljud – eller gratis på egen hårdvara, och ingen har heller publicerat något oberoende benchmark för den.

För att sätta det i perspektiv är de där 0,35 dollarna i timmen det billigaste ljudet i den här jämförelsen, tretton gånger billigare, och det är också den minst användbara posten i den, eftersom en 1B-checkpoint som inte kan föra ett duplexsamtal inte konkurrerar med G​rok Voice 3.0 när det gäller priset. Den konkurrerar med vilket berättarverktyg du än använder sedan tidigare.

Varför örontestet och indexet inte stämmer överens, och vilket av dem som är fel

De står inte i konflikt med varandra. De besvarar olika frågor, och bara en av dem kan besvaras offentligt.

Sesame Previews rykte vilar på hur en röst låter för en lyssnare: andning, tvekan, tajmingen i en avbrytning, intrycket att en person är på tråden. Det är verkligt bevis av ett slag – demon övertygade hundratusentals människor och recensenter som inte hade något incitament att vara generösa – och det är helt okvantifierat. Det finns ingen arena-post, ingen publicerad utvärdering av produktionsrösten och inget antal sampel. Varje kvalitetsanspråk i endera riktningen är ett lyssningsintryck.

G​rok Voice 3.0:s 86,9 är den motsatta sortens bevis. Det delas upp i talresonemang nära taket, 97,0 % på Full Duplex Bench, 71,6 % på τ-Voice, ett arena-Elo på 1070 och 94,8 % uppgiftsframgång, var och en mätt under en publicerad testrigg som ett utomstående team kan läsa, kontrollera aritmetiken i och vara oense med. Ett sammansatt index är ett val av viktning, och arenakomponenten är fryst vid den punkt då en modell blir behörig i stället för att följa live-Elo — men oenigheten är tillgänglig för alla, vilket är det som gör det till en mätning snarare än ett påstående.

Det styrelsen inte mäter är om du tycker om att prata med den. Och det finns en specifik siffra i lanseringen som landar rakt på den axeln: G​rok Voice 3.0 börjar tala på 0,81 sekunder, och modellen den pensionerar startade på 0,70. Flaggskeppet är 0,11 sekunder långsammare från start än sin egen föregångare, vilket är precis den typ av detalj som en lyssnare lägger märke till innan ett benchmark gör det.

Vad designen med fyra agenter säger dig

Sesames fyra personligheter är inte en marknadsföringsdetalj; de är ett arkitektoniskt beslut, och det är motsatsen till det som SpaceXAI fattade.

Maya, Miles, Simone och Charlie är fasta röster med fasta temperament, och minnet är avgränsat per agent. Det är en produkt byggd kring antagandet att rösten är slutprodukten och personligheten är funktionen. Det finns ingen röstanpassning, ingen kloning och ingen väg från konsumentappen till ett API — gratisnivån är produkten, och företagets angivna inriktning är forskningspartnerskap och en planerad hårdvaruenhet snarare än en utvecklarplattform.

G​rok Voice 3.0 går åt andra hållet. Det levereras med S​paceXAI:s inbyggda röstuppsättning, och en separat slutpunkt för anpassad röst tränar en röst från ett referensklipp på upp till 120 sekunder, där det resulterande voice_id:t fungerar i både realtids-API:et och strömmande text-till-tal. Dess session accepterar verktyg, så agenten kan anropa din backend mitt i en konversation i stället för att bara prata om den.

Vilken av dem som är bättre beror på om du säljer en upplevelse eller bygger en. En röstprodukt som levereras med fyra utmärkta fasta personligheter har löst varumärkesbyggande och integration i ett enda beslut. En röstprodukt med en kloningsslutpunkt har gett dig en compliance-yta och ett lokaliseringsarbetsflöde i ett enda beslut. Inget av dem är ett misstag, och de pekar mot olika kunder.

Var routingfrågan faktiskt landar

OrcaRouter betjänar inget av dessa röstlager. G​rok Voice 3.0 ligger bakom S​paceXAI:s egen realtids-WebSocket, och ingenting kan tränga sig in i en duplexljudsession som ägs av en enda leverantör; Sesame Preview har ingen endpoint att routa till över huvud taget. Att påstå något annat skulle vara att beskriva en förmåga som inte finns, och den här kategorin är full av plattformar som gör precis det.

Det som är routbart är det lager som båda produkterna tyst förlitar sig på. Sesames agenter söker på webben mitt i konversationen och skickar en sammanfattning efteråt; G​rok Voice 3.0:s verktygsarray når vilken backend som helst som svarar på den, och allt som är tyngre än ett inline-anrop blir en textmodellbegäran bakom konversationen. Det arbetet mäts per begäran, det är där en betydande del av kostnaden per samtal ackumuleras, och det är den halvan av en röstprodukt som du kan hålla konstant medan ljudmodellen under den ändras – vilket, med tanke på att grok-voice-latest/ har nu ändrats två gånger under ett kvartal, är en egenskap värd att ha. Tvåhundrasju modeller från ett drygt dussin uppströmsleverantörer bakom en enda nyckel, till leverantörens listpris utan påslag, med automatisk failover när en leverantör försämras, ett routing-DSL för att komponera flera modeller till ett anrop, och modellfusion där en enda modells omdöme inte räcker. Eftersom inget har något påslag, slår en leverantörsprissänkning på någon av dessa modeller igenom här samma dag.

Rekommendationen, uppdelad efter vem du är

Om du är en konsument som vill ha den bästa samtalsrösten som finns tillgänglig idag och inte har för avsikt att integrera något är Sesame Preview gratis, det finns på båda mobila plattformar, dess rykte är välförtjänt nog att recensenter fortsätter bekräfta det, och inget i den här artikeln ändrar på det. Använd det och njut av det.

Om du bygger är beslutet redan fattat och resonemanget är värt att ta till sig. Du kan inte anropa Sesame Preview, du kan inte låsa dess röst, och du kan inte benchmarka det mot något — så varje upphandlingssamtal om det slutar på samma ställe, vilket är ett lyssningstest mellan två alternativ som ingen av parterna kan poängsätta. G​rok Voice 3.0 ger dig en prislista, en versionshanterad modellsträng, en transkription, en klonings-endpoint och en poäng på en resultattavla som du kan argumentera emot. Det första du bör göra med den är att låsa din version, eftersom aliaset redan har flyttats över till den utan att någon frågade.

Och om du är en forskare som vill se det intressanta misslyckandet: den ärliga sammanfattningen av den här kombinationen är att kategorin har visat att den kan skapa en röst värd att lyssna på och ännu inte har bestämt om den rösten bör vara köpbar i någon annan form än en app. Sesame byggde den bättre upplevelsen och höll den stängd. S​paceXAI byggde den bättre komponenten och publicerade siffran. Håll utkik efter versionen av Sesame som har ett API — det är utgåvan som skulle göra den här sidan föråldrad.

Den där klyftan mellan vad en resultattavla mäter och vad en driftsättning möter är anledningen till att registret är viktigt: de dokumenterade AI-felen och agentincidenterna kring modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omtvistad flagga.