Phonic 1 vs Sesame Preview: Dödluftsproblemet – löst på två motsatta sätt

Phonic 1 och Sesame Preview säljs båda som konversativa talmodeller, och de jagar inte samma uppgift. Phonic 1 — leverantören stavar det Phonic-1 — är en tal-till-tal-endpoint för 0,07 dollar i minuten som blev kommersiellt tillgänglig den 29 oktober 2026 och gick rakt till förstaplatsen på Artificial Analysiss Speech to Speech Index med 87,1. Sesame Preview är den kostnadsfria följeappen bakom rösterna Maya, Miles, Simone och Charlie: inget offentligt API, ingen prislista, ingen rad på någon oberoende topplista, och en uttalad plan att sälja glasögon till dig 2027. Sätt de två namnen i en och samma mening och det första som faller ut är att bara en av dem går att köpa.

Den andra saken som faller ut är mer intressant. Båda produkterna är, under marknadsföringen, svar på samma lilla förödmjukelse: den halva sekunden av tystnad medan maskinen avgör vad den ska säga. Phonic angriper den genom att göra arbetet innan uppringaren är klar. Sesame angriper den genom att bli bättre på att avgöra när uppringaren är klar. Det är genuint olika ingenjörsmässiga satsningar, de mäts med instrument som inte överlappar, och valet mellan dem följer av vilken satsning din produkt beror på – inte av en benchmarktabell.

Vad var och en faktiskt är, innan jämförelsen blir glidande

Phonic 1 är en end-to-end-talmodell, ljud in och ljud ut, utan någon transkribera–tänka–tala-kaskad däremellan. Den levererades med TypeScript- och Python-SDK:er, ett CLI och en no-kod-agentbyggare, 51 dokumenterade språk med växling mitt i samtalet som bevarar talaridentitet, en dokumenterad intelligence_level inställning som standardmässigt är standard och kan höjas till high, samt företagsvillkor som omfattar SOC 2 Type II, ett HIPAA BAA, noll datalagring och ett SLA på 99,9 % drifttid. Den säljs per minut i tre nivåer, och företaget bakom den består av ungefär tio personer från MIT och Stanford som har samlat in 27,5 miljoner dollar i en serie A-runda ledd av First Round.

Sesame Preview är inte en modell som du hyr. Det är en konsumentprodukt – en iOS- och webbapp, gratis, lanserad i 39 länder från slutet av maj 2026, med fyra namngivna agenter med beständigt minne, parallell webbsökning som körs mitt i en mening, anteckningsfunktion, ett sms-läge och ett inkognitoläge. Sesames rapporterade mål för den är under 300 ms till första ljudet, och företaget har offentligt varit öppet med att modellen fortfarande är "alltför ivrig och ofta oanpassad" i ton och tempo. Det finns ingen företagsnivå och inget sätt att licensiera produktionsrösten.

Det enda som faktiskt bär Sesame-namnet in i ett bygge är Sesame CSM-1B, publicerad under Apache 2.0 den 13 mars 2025. Det är en basmodell för konversationellt tal, engelskspråkig i första hand, byggd för att generera Mimi-ljudtokens betingat på tidigare turer. Det är inte rösten i appen: Preview-karaktärerna kommer från en kurerad finjustering och en röstbesättning som aldrig släpptes. Recensenter som har testat båda beskriver den öppna checkpointen som hörbart svagare än appen, vilket gör "att bara självhosta Sesame-modellen" till en annan produkt, inte en licensfri genväg.

Två attacker under samma halvsekund

Phonics påstående vid lanseringen är det mest konkreta i den här kategorin: det säger att {{1}}Phonic-1{{/1}} är den enda modellen som kan agera medan den som ringer fortfarande talar. I demonstrationen som företaget publicerade utlöste modellen alla fem verktygsanropen mitt i meningen och svarade {{2}}1,1 sekunder{{/2}} efter att den som ringde hade tystnat; på samma manus placerar den {{3}}GPT-Live-1{{/3}} på {{4}}15,7 sekunder{{/4}}. Läs det som en demonstration av en design, inte som ett benchmark – det är en uppgift som leverantören valt ut på ett manus som leverantören valt. Men designen är poängen. Om uppslagningen redan är gjord när turen slutar behöver modellen aldrig vara briljant på att förutse slutet av turen; den behöver bara undvika att stå i vägen.

Sesame gick åt andra hållet och gjorde själva förutsägelsen till ett forskningsprogram. I augusti 2026 publicerade det TurnBench, ett öppet riktmärke för turtagningsdynamik: 30 timmar studiolagrad tvåkanalig dialog, 154 konversationer, 106 röstskådespelare över sex register, trippelannoterat med ett Fleiss' kappa på 0,78, poängsatt på recall vid en kapad falskpositivfrekvens med signerad latens vid medianen. Huvudresultatet är det man bör behålla: mänskliga talare börjar en turöverlämning i median 151 ms innan den andra personen slutar tala, och inget system på fältet matchar det inom falskpositivbudgeten. Semantiska detektorer är selektiva och långsamma; akustiska detektorer är snabba och brusiga. Inget är båda.

Det är vägskälet, rakt på sak. Sesame försöker minska gapet mellan 151 ms av mänskligt förutseende och de 368 ms till 1 234 ms som de bästa detektorerna klarar. Phonic försöker göra gapet irrelevant genom att ta bort arbetet som fyller det. Båda är legitima. Endast en av dem är tillgänglig för dig som slutpunkt i dag, och det är inte den som publicerade benchmarken.

Styrelsen som poängsätter en av dem – och den som den står över.

Speech to Speech Index från Artificial Analysis är det enda oberoende sammansatta indexet inom området, och Phonic 1 innehar förstaplatsen där vid detta skrivande. Raderna som räknas:

• Phonic 1 (Hög) — index 87,1, först; tid till första ljud 0,61 s; 4,20 USD per timme inmatat ljud.

• Grok Voice 3.0 — 86,9; 0,81 s; $4,80 per timme.

• GPT-Live-1 (Astra, medel) — 83,2; 1,34 s; $5,83 per timme.

• Gemini 3.8 Live Extended Thinking (High) — 82,6; 1,35 s; 3,50 USD per timme.

• Eleven Realtime v1 Max — 77,3; 0,57 s; 4,80 USD per timme.

Observera den sista raden. Eleven Realtime v1 Max är snabbare till första ljudet än Phonic 1 – 0,57 s mot 0,61 s – och ligger 9,8 indexpoäng lägre. Tid till första ljud är inte den tävling Phonic vann; den vann det sammansatta måttet, som även väger in talresonemang, agentiskt uppgiftsbeteende, mänskliga preferenser och uppgiftsframgång. Den som citerar "snabbast" utifrån en enda kolumn citerar fel kolumn.

Nu asymmetrin. Det finns ingen rad för Sesame Preview på den topplistan, och det finns inget sätt för en sådan att dyka upp: indexet kör modeller genom en API-testrigg, och Sesame Preview har inget API. Sesames egna instrument täcker inte heller luckan. TurnBench publiceras av Sesame och innehåller i skrivande stund ingen Sesame-post – tavlan listar modeller för projicering av röstaktivitet, ESPnet, Kyutais semantiska VAD, Gemini 3.1 Live, OpenAI Realtime och Moshi, men inte företagets egen produktionsröst. Det är inte en skandal; att författa ett benchmark och att skicka in ett benchmark är olika handlingar, och en tillhörande app har ingen stabil endpoint som en bedömare kan riktas mot. Men det betyder att de två mest framträdande siffrorna i den här jämförelsen – 87,1 på ena sidan, under 300 ms på den andra – inte är samma typ av påstående. Den ena mättes av en tredje part i en testrigg. Den andra är ett mål som leverantören uppger för en produkt som ingen utanför företaget har instrumenterat.

Kolonnen där Phonic 1 förlorar, enligt Phonics eget underlag

Om skälet till att du tittar på Sesame Preview är att det låter som en människa, har den här jämförelsen ett obehagligt svar, och det kommer från Phonics eget pressmaterial snarare än från en kritiker.

Phonic beställde blindade parvisa lyssningstester från Podonos, en tredjepartstjänst för lyssnartestning, och redovisade resultaten i sitt lanseringsinlägg. Phonic-1 föredrogs framför GPT-Live-1 med 61,5 % mot 32,0 %, framför Grok Voice 3 med 66,5 % mot 26,5 % och framför Eleven v4 Turbo med 78,0 % mot 14,0 %. Rubriken som företaget valde att leda med är den man förlorade: mänskliga röstskådespelare föredrogs framför Phonic-1 med 57,0 % mot 32,0 %, vilket inlägget beskriver som att människor vinner ungefär 60 % av gångerna, med betydande utrymme kvar för förbättring. Det är siffror som leverantören har beställt och själv rapporterat, och ingen av dem har oberoende replikerats – men de är leverantörens siffror, och de säger att Phonic 1 är den bästa syntetiska rösten i sin jämförelseuppsättning och fortfarande inte en människa.

Oberoende preferensdata pekar i samma riktning. På Speech Agent Arena, som ligger till grund för kompositvärdet, rankas Phonic 1 som åtta av 30 i lyssnarpreferens med Elo 1 012, medan den rankas som fyra i uppgiftsframgång med 92,3 %. Modellen som toppar indexet är inte den modell som lyssnarna helst vill prata med. Det är samma splittring som vi såg i Grok Voice 3.0 från andra sidan — xAI höll arenan och förlorade den agentiska kolumnen — och det är det strukturella skälet till att en direkt jämförelse mellan dessa två inte kan avgöras med ett enda tal.

Ryktet om Sesame vilar emellertid på exakt den kolumnen och på inget mer rigoröst. Demon med Maya and Miles gick viralt i februari 2025 för sina andetag, tvekan, självkorrigeringar och skratt, och påståendet som spreds var att lyssnare inte på ett tillförlitligt sätt kunde skilja rösterna från människor i korta klipp. Det är ett intryck som en publik har bildat sig, inte ett poängsatt test, och det har aldrig ställts i samma rum som Phonic 1. Det finns inget publicerat experiment där en lyssnare hör Sesame Preview och Phonic 1 direkt efter varandra. Den som säger till dig vilken som låter bättre säger bara vilken av dem hen har hört.

Vad en minut kostar, och varför minuten är fel enhet

Prislistan är kort och obalanserad:

• Phonic 1 — $0,07 per minut på Starter utan minimikrav, 10 samtidiga samtal, 10 agenter och 3 användarplatser; $0,065 per minut på Pro med ett månadsminimum på $200, cirka 3 100 minuter, med 50 samtidiga samtal; företagsanpassat. Den som registrerar sig före 30 november får $250 i krediter, och kunder som migrerar bort från en kaskad får tre månader gratis.

Sesame Preview — $0. Inte per minut, inte per plats, inte per agent. Gratis i appen.

• Sesame CSM-1B — vikterna är gratis, och räkningen består av dina GPU-timmar plus den utvecklingstid som krävs för att sammanställa turtagning, kontextbetingning och en språkmodell kring en checkpoint som inte kan producera text på egen hand.

Genomför den produktiva jämförelsen så kollapsar inramningen per minut. Tiotusen minuter i månaden på Phonic 1 Starter kostar 700 dollar, vilket är ett avrundningsfel för ett callcenter och en riktig budget för ett sidoprojekt. Sesame tar inget betalt eftersom Sesame inte säljer minuter — det säljer en daglig vana inför en glasögonlansering 2027, och en vana monetiseras per person, per år, på hårdvara, inte per minut ljud. Att jämföra ett priskort med en gratis app är att jämföra en leverantör med en reklamtavla.

Vilket för oss till den ärliga versionen av kostnadsfrågan: vad kostar det att leverera? För Phonic 1 är svaret ett kontrakt, en websocket och tio samtidiga anrop på Starter om du inte betalar för Pro. För Sesame Preview är svaret att det inte finns någon siffra, eftersom det inte finns något erbjudande. Det närmaste en leveransklar Sesame är CSM-1B, och det närmaste CSM-1B har till en prislista är en GPU-faktura.

Tre köpare, tre olika svar

Du flyttar samtalsvolym från en kaskad, och samtalen måste slutföras. Phonic 1, och här är det agentkolumnen snarare än kompositen som gäller. Verktygsanrop som utlöses innan den som ringer tystnar är skillnaden mellan en agent som bokar mötet och en som får den som ringer att upprepa sig. $0.07 är billigt jämfört med kostnaden för ett misslyckat intagssamtal, och samtidighetstaket är det du måste dimensionera innan du binder dig.

Din produkt är hur den låter. En följeslagare, en coach, en lärare, en varumärkesröst – allt där användarens skäl att stanna kvar är själva rösten. Sesame Preview är referenspunkten och Phonic 1 är ännu inte svaret: i leverantörens eget blindtest slog människor den med nästan två mot ett. Men referenspunkten går inte att köpa, så de praktiska alternativen är en licensierad röstmodell med ett uppmätt preferensbetyg, eller CSM-1B och en hel del eget ingenjörsarbete.

Du vill ha delningen – Sesame-smakande tal med en agentisk backend. Det här är kombinationen som båda företagens roadmaps pekar mot och som ingen av dem säljer. Den byggbara versionen är CSM-1B eller en annan öppen talmodell för rösten, och en konventionell textmodell bakom den för tänkandet, sammankopplade av dig. Det textsteget är vanlig chattinferens, vilket är det lager där ett API för 200+ modeller med 0 % påslag faktiskt gäller: en enda nyckel för resonemangsbenet, leverantörens listpris vidarebefordrat oförändrat, routnings-DSL:en för att skicka turtagningssmåprat och policytungt resonemang till olika modeller inom samma anrop, och automatisk failover så att en leverantörshicka inte avslutar konversationen. Varken Phonic 1 eller Sesame Preview finns i den katalogen – Phonic 1 eftersom det är en endpoint från en enda leverantör och Sesame Preview eftersom det inte finns någon endpoint att routa – så detta är ett uttalande om den halva av stacken som du själv sätter samman, inte ett påstående om någon av modellerna ovan.

Vad skulle ändra det här svaret?

Tre saker, i stigande ordning efter sannolikhet.

Phonic publicerar lyssningstestssiffror för standardinställningen för intelligens. Varje poäng i den här artikeln, inklusive 87,1 och 0,61 s, producerades vid hög. API:et är som standard inställt på standard, dokumenterat som läget med lägre latens, och ingen har publicerat vad den konfigurationen gör med kvaliteten eller med tiden till första ljudet. En integration som aldrig rör inställningen kör en omätt variant.

Sesame öppnar en slutpunkt, eller sätter sin egen produktionsröst på sin egen turtagningstavla. Endera skulle förvandla detta från en jämförelse av en produkt mot ett rykte till en jämförelse av två mätbara saker. Inget av det finns på den färdplan som Sesame har beskrivit, vilken går via Android och sedan vidare till glasögon 2027.

Någon kör båda i samma rum. Ett enda blindtest med produktionsrösterna från Sesame Preview och Phonic 1 på samma prompter skulle avgöra naturlighetsfrågan på en eftermiddag, och det kan inte genomföras av någon som inte arbetar på Sesame, eftersom ett av de två systemen inte är åtkomligt för en utomstående.

Tills ett av dessa inträffar är den försvarbara tolkningen följande: Phonic 1 är den enda av de två som du kan driftsätta, den toppar den enda oberoende sammanvägda utvärderingen som betygsätter någon av dem, den vinner vadet om arbete utfört innan turen slutar, och den är mätbart sett ännu inte en mänsklig röst. Sesame Preview är det som låter bättre men som du inte kan få, från ett företag som för närvarande inte bedriver försäljning av det. Det är inte två alternativ på samma meny. De är en leverantör och en demo, och ju snabbare du slutar jämföra deras specifikationsblad, desto snabbare kan du avgöra vilken av dem din produkt faktiskt behövde.