Eleven Realtime v1 Max vs Sesame Preview: เสียงที่ชนะใจหูแต่แพ้งาน
- Orcaใหม่Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 12 tok/s
- deepseekใหม่DeepSeek: DeepSeek V4.1 Flash 10172026-10-1745ความฉลาด
- DeepSeekใหม่DeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- Orcaใหม่Orca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 139 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 952 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xAIGrok 4.72026-09-2146ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 51 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 ต่อ 1 ล้านโทเค็น · 829 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453ความฉลาด77การเขียนโค้ด
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241ความฉลาด76การเขียนโค้ด
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245ความฉลาด76การเขียนโค้ด
- AnthropicAnthropic: Claude Fable 5.12026-09-0153ความฉลาด82การเขียนโค้ด
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 47 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 ต่อ 1 ล้านโทเค็น · 94 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642ความฉลาด72การเขียนโค้ด
ลองถามใครสักคนว่าผู้ช่วยเสียงใดฟังดูเป็นมนุษย์ที่สุด แล้วคุณจะได้ยินชื่อ Sesame Preview ถามว่าโมเดลใดที่องค์กรสามารถนำไปใช้รองรับหมายเลขโทรศัพท์ได้ คำตอบคือ Eleven Realtime v1 Max ซึ่งเป็นโมเดลเสียงต่อเสียงที่ประกาศเมื่อวันที่ 20 ตุลาคม 2026 ทำงานสำเร็จ 87.1% ของงานในการประเมินแบบคงที่ ตอบกลับภายใน 0.57 วินาที และใช้งานได้ผ่าน ElevenAgents หรือ Realtime API ที่เข้ากันได้กับ OpenAI Sesame Preview เป็นแอปสำหรับผู้บริโภคที่มีคู่หูสี่ตัวซึ่งมีชื่อเรียก และไม่มีช่องทางซื้อเสียงที่อยู่ในแอปนั้น เหตุการณ์ด้าน AI และความล้มเหลวของเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในระดับนี้ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มาของตัวเอง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะข้อโต้แย้งของตัวเอง
นี่ไม่ใช่การชนะขาด เพราะผลิตภัณฑ์ทั้งสองกำลังไล่ล่าสิ่งที่แตกต่างกัน และเหตุผลสนับสนุนเสียงของ Sesame ก็มีอยู่จริง นักวิจัยของ Sesame เป็นกลุ่มแรก ๆ และเปิดเผยต่อสาธารณะเกี่ยวกับแนวคิดที่ว่า จังหวะในการสนทนา — เสียง mm-hmm การพูดแทรกเหลื่อมกัน ความเต็มใจที่จะหยุดให้อีกฝ่ายกลางประโยค — คือหุบเขาสุดหลอน (uncanny valley) ไม่ใช่คุณภาพเสียง (timbre) เอกสารของ ElevenLabs วางเดิมพันเดียวกันจากอีกทิศทางหนึ่ง: Mini ถูกอธิบายว่าสามารถตรวจจับได้ว่าผู้พูดพูดจบแล้วหรือเพียงแค่พูดแทรก สองแล็บ หนึ่งสมมติฐาน รูปแบบธุรกิจที่ตรงกันข้าม
จุดที่การเปรียบเทียบเริ่มน่าสนใจคือสิ่งที่แต่ละรายวัดได้จริง ElevenLabs เผยแพร่ตัวเลขหกค่าและพันธมิตรด้านการประเมินหนึ่งราย Sesame เผยแพร่ประสบการณ์
แต่ละสิ่งคืออะไรกันแน่
Eleven Realtime v1 Maxเป็นเครือข่ายเดียวที่ทำการรู้จำ การผลัดกันพูด การให้เหตุผล และการสร้างเสียงไปพร้อมกัน ถูกวางตำแหน่งสำหรับงานที่ซับซ้อนซึ่งใช้เครื่องมือหลายขั้นตอน เช่น การสนับสนุนลูกค้า การคัดกรองลีด และการช่วยจัดตาราง รุ่นน้องราคาประหยัดอย่าง Eleven Realtime v1 Mini เป็นค่าเริ่มต้นสำหรับเอเจนต์ใหม่ใน ElevenAgents และมุ่งเป้าไปที่การสนทนาตามธรรมชาติด้วยต้นทุนที่ต่ำลง สามารถเข้าถึง Max ได้สองวิธี — จากเมนูแบบเลื่อนลงใน ElevenAgents ซึ่ง ElevenLabs จัดการ LLM โมเดล TTS ผู้ให้บริการ ASR และการตั้งค่าการให้เหตุผลให้คุณ หรือผ่าน Realtime API ที่ใช้โปรโตคอลเหตุการณ์ Realtime ของ OpenAI ผ่าน WebSocket ที่ wss://api.elevenlabs.io/v1/convai/realtime.
Sesame Previewเป็นผู้ช่วยเสียงสำหรับผู้บริโภคแบบใช้ฟรี ประกอบด้วยเอเจนต์ที่มีชื่อสี่ตัว ได้แก่ Maya, Miles, Simone และ Charlie ใช้งานได้บน iOS และเว็บ ซึ่งแทบทุกคนที่ได้ลองใช้ต่างบอกว่าเป็นผู้ช่วยเสียงที่เป็นธรรมชาติที่สุดในท้องตลาด มันเก็บบริบทข้ามเซสชัน ค้นหาเว็บ และตั้งการแจ้งเตือนได้ แต่ไม่สามารถจอง ซื้อ หรือยื่นเอกสารใด ๆ ได้ ไม่มีแพ็กเกจสำหรับองค์กร ไม่มีราคาที่เปิดเผยต่อสาธารณะ และไม่มี API สาธารณะสำหรับเสียงที่คุณได้ยินในแอป
ทั้งสองเป็นระบบสนทนาแบบฟูลดูเพล็กซ์ที่มีการผลัดกันพูดได้ดีพอจนผู้คนเลิกสังเกตเห็น ความคล้ายคลึงกันจบลงตรงนั้น และนั่นคือจุดที่คำถามที่ว่า "อันไหนดีกว่า" เริ่มไม่มีคำตอบเดียว
ตัวเลขที่หนึ่งในนั้นมี
Artificial Analysis ประเมิน Eleven Realtime v1 Max อย่างเป็นอิสระด้วยชุดทดสอบเดียวกันกับที่ใช้กับโมเดล speech-to-speech ทุกตัว ตัวเลขเหล่านี้เป็นข้อมูลของ Artificial Analysis ไม่ใช่ของ ElevenLabs
• การให้เหตุผลด้านเสียงพูด (Big Bench Audio) — สูงสุด 98.8%
• พลวัตการสนทนา (Full-Duplex-Bench) — สูงสุด 94.1%
• อัตราความสำเร็จของงาน — สูงสุด 87.1%
• ความชอบอารีน่า (Elo) — สูงสุด 997
• เวลาถึงเสียงแรก — สูงสุด 0.57 วินาที
• ค่าใช้จ่ายต่อชั่วโมงของเสียงอินพุต — สูงสุด $4.80
• ประสิทธิภาพแบบ Agentic (τ-Voice) — ไม่ได้วัด Max
• ดัชนี Speech to Speech — Max ไม่ได้รับการให้คะแนน
Sesame Preview ไม่ปรากฏในแถวเหล่านี้เลย มันไม่มี public API ดังนั้นจึงไม่มี independent harness ใดสามารถรันมันได้ และไม่มีใครนอก Sesame เคย benchmark พฤติกรรมของแอปเองในด้านการทำภารกิจให้สำเร็จหรือ latency เลย เมื่อผู้คนพูดว่า Sesame ฟังดูดีกว่า พวกเขากำลังรายงานความรู้สึกจากการฟัง และมันเป็นความรู้สึกที่ชอบธรรม — เพียงแต่มันไม่ใช่การวัดแบบเดียวกับ arena ที่มีระเบียบวิธีและ preference model รองรับอยู่เบื้องหลัง
เรื่องนี้ตีความได้ทั้งสองทาง ค่า Elo 997 ของอารีนาเป็นตัวเลขจริงจากผู้ฟังจริง และมันทำให้ Max ตามหลัง Grok Voice 3.0 ที่ 1,064, GPT-Live-1 (Sol, low) ที่ 1,047 และ Gemini 3.8 Live ที่ 1,078 ElevenLabs ชนะในแถวการให้เหตุผลและความเร็ว และไม่ชนะในแถวความชอบ หากสัญชาตญาณของคุณคือเสียงของ Sesame ดีกว่า Max ผลลัพธ์จากอารีนาก็สอดคล้องกับสัญชาตญาณนั้น — เพียงแต่มันบังเอิญถูกวัดเทียบกับโมเดล API อื่น ๆ ไม่ใช่กับ Sesame
คำถามเรื่อง open-weight ซึ่งเป็นจุดที่การเปรียบเทียบส่วนใหญ่ผิดพลาด
ทุกบทความที่ยกย่องเสียงของ Sesame ก็คือการยกย่องตัวแอป และเสียงของแอปคือโมเดลโปรดักชันแบบปิดที่ Sesame ไม่เคยเปิดให้ใช้เป็นเอนด์พอยต์ สิ่งที่ Sesame โอเพนซอร์สคือ CSM-1B ซึ่งเป็นโมเดลเสียงสนทนาขนาด 1B ในตระกูล Moshi ภายใต้ Apache-2.0 มันเป็นบล็อกสังเคราะห์เสียง ไม่ใช่ผู้ช่วย: แบ็กโบน Llama ทำนาย Mimi codebook ชุดแรก ตัวถอดรหัส Llama ที่เล็กกว่าทำนายส่วนที่เหลือ และโคเดก Mimi เปลี่ยนสิ่งนั้นเป็นรูปคลื่น 24 kHz โดยเน้นภาษาอังกฤษเป็นหลัก มันโคลนเสียงจากคลิปอ้างอิงสั้น ๆ และไม่สามารถสร้างข้อความได้เลย — คุณต้องใช้คู่กับโมเดลภาษาแยกต่างหาก
ผู้ที่ได้ลองใช้ทั้งสองตัวอธิบายว่าเสียงของ CSM-1B อ่อนกว่าของ Preview app อย่างเห็นได้ชัด และการ์ดโมเดลของ Sesame เองก็สนับสนุนการตีความนี้: ตัวแปรที่ผ่านการปรับแต่งละเอียดของ CSM เป็นตัวขับเคลื่อนเดโมแบบอินเทอร์แอกทีฟ และตัวแปรนั้นไม่ใช่เช็กพอยต์ที่คุณดาวน์โหลดได้
ดังนั้นฉบับซื่อตรงของ “{{1}}Sesame vs ElevenLabs{{/1}}” ก็คืออย่างนี้ {{2}}Sesame{{/2}} มีเสียงแบบปิดที่สวยงามซึ่งคุณเรียกใช้ไม่ได้ และมีบล็อกการสังเคราะห์แบบเปิดขนาดเล็กที่คุณเรียกใช้ได้ และทั้งสองไม่ใช่โมเดลเดียวกัน {{3}}ElevenLabs{{/3}} มีโมเดลที่เรียกใช้ได้ซึ่งเสียงดีเมื่อวัดผล แต่ไม่ใช่เสียงที่คนชอบมากที่สุด และมีราคา ความไม่สมมาตรที่สำคัญสำหรับนักสร้างไม่ใช่ว่าอันไหนฟังดูดีกว่า แต่คืออันไหนมีเอนด์พอยต์ และนั่นไม่ได้ใกล้เคียงกันเลย
จุดที่การ merge ปรากฏในโปรดักชัน
ข้อโต้แย้งของ ElevenLabs คือการรวมการรู้จำเสียง การผลัดกันพูด การให้เหตุผล และเสียงเข้าไว้ในระบบเดียวที่ปรับแต่งแล้ว ช่วยขจัดรอยต่อที่ระบบแบบคาสเคดหลงเหลือไว้
ใน ElevenAgents การรวมเป็นแบบตรงตัวและมีค่าใช้จ่ายตามมา: ขณะที่ตั้งโมเดล Realtime ไว้ LLM, ความพยายามในการให้เหตุผล, งบประมาณการคิด, การเรียกเครื่องมือแบบขนาน, เวลาหมดเวลาของ cascade, โมเดล TTS, โหมดแสดงออก และผู้ให้บริการ ASR ทั้งหมดจะถูกจัดการโดย ElevenLabs และถูกละเว้นบนเอเจนต์ โหนดเวิร์กโฟลว์ไม่สามารถเขียนทับค่าเหล่านี้ได้ และเอเจนต์ไม่สามารถใช้ LLM แบบกำหนดเองหรือ Amazon Bedrock ได้เลย เมื่อเลือกโมเดล คุณก็เลือกทั้งสแต็กที่อยู่ beneath มัน
เมทริกซ์การปฏิบัติตามข้อกำหนดมีความไม่สม่ำเสมอในลักษณะที่จะทำให้ผู้ที่นำสิ่งนี้ไปใช้งานทั่วภูมิภาคประหลาดใจ:
• การจัดเก็บข้อมูลในพื้นที่ — Max ให้บริการในสหรัฐฯ และสหภาพยุโรป แต่ไม่มีในอินเดียหรือสิงคโปร์ ซึ่งมีเพียง Mini ให้บริการ
• Zero Retention Mode และ HIPAA — Max ได้รับการสนับสนุนในสหรัฐฯ และสหภาพยุโรป; Mini ไม่ได้รับการสนับสนุนภายใต้ทั้งสองกรณี
• ขีดจำกัดโทเคน — Max ต้องใช้ 1,024 โทเคนหรือไม่จำกัด และโหนดเวิร์กโฟลว์ไม่สามารถแทนที่ค่านี้ได้
• การโอนสายของเอเจนต์ — เอเจนต์ในโหมด Realtime สามารถโอนสายไปยังและจากเอเจนต์ในโหมด Realtime อื่นเท่านั้น อย่างไรก็ตาม อนุญาตให้โอนจาก Mini ไปยัง Max ได้
• การรับส่งข้อมูล — ไม่มี WebRTC ในเวอร์ชันเปิดตัว; Realtime API ใช้เฉพาะ WebSocket เท่านั้น
กฎเหล่านั้นถูกบังคับใช้ตอนเผยแพร่ ไม่ใช่ตอนบันทึก: แบบร่างที่ละเมิดข้อใดข้อหนึ่งจะบันทึกได้ตามปกติ แต่จะล้มเหลวเมื่อคุณเผยแพร่ พร้อมข้อผิดพลาดที่ระบุชื่อการตั้งค่านั้น หากคุณกำลังทำต้นแบบ นั่นก็เป็นเพียงความรำคาญเล็กน้อย แต่หากคุณกำลังส่งขึ้นคิวที่มีการกำกับดูแล มันจะกำหนดว่าคุณใช้ตัวแปรใดได้ในสภาพแวดล้อมใด และตัวที่ถูกกว่าไม่ใช่ตัวที่สอดคล้องข้อกำหนดเสมอไป
อันไหนที่ควรอยู่ในสแต็กของคุณ
เลือก Eleven Realtime v1 Maxเมื่อเสียงเป็นเพียงเครื่องมือและสายโทรต้องสร้างผลลัพธ์ — การคัดแยกงานซัพพอร์ต การนัดหมาย การคัดกรองคุณสมบัติ คุณจะได้ endpoint พร้อมใช้งานตั้งแต่วันนี้ โปรโตคอลอีเวนต์ที่เข้ากันได้กับ OpenAI ซึ่งทำให้การย้ายจากการผสานรวม Realtime เป็นการเปลี่ยนเพียงสองสตริง อัตราความสำเร็จของงานที่วัดได้ 87.1% ตัวทำเหตุผลที่แข็งแกร่งและเร็วที่สุดในตาราง และราคาที่คุณจำลองได้ที่ $4.80 ต่อชั่วโมงของเสียง ยอมรับว่ามันยังอยู่ระหว่างการทยอยเปิดตัว ว่าพฤติกรรมแบบเอเจนต์ของมันยังไม่ได้ถูกวัด และว่าเสียงของมันยังไม่ติดอันดับต้น ๆ ในอารีนาความชื่นชอบ
เลือก Sesame Previewเมื่อคุณกำลังศึกษาว่าคุณภาพของการสนทนาควรรู้สึกอย่างไร หรือกำลังสร้างผลิตภัณฑ์สำหรับผู้บริโภคที่การสนทนาเป็นตัวผลิตภัณฑ์ มันฟรี เป็นสิ่งที่ฟังดูดีที่สุดเท่าที่คนส่วนใหญ่เคยลอง และเป็นวิธีที่ดีในการปรับรสนิยมของคุณ อย่าวางแผนทำการผสานรวมโดยอิงกับมัน: ไม่มีอะไรให้ผสานรวมด้วย และ CSM-1B ไม่ใช่โมเดลในแอป
เลือก CSM-1Bเฉพาะเมื่อคุณต้องการบล็อกการสังเคราะห์เสียงแบบเปิดที่โฮสต์เองได้ และพร้อมที่จะสร้างส่วนที่เหลือขึ้นมาล้อมรอบมัน — ทั้งระบบ ASR, โมเดลภาษา และเลเยอร์การผลัดกันพูด มันเป็น Apache-2.0 และมีประโยชน์อย่างแท้จริงในบทบาทนั้น มันไม่ใช่คู่แข่งของ Max และไม่เคยถูกออกแบบมาให้เป็นเช่นนั้นเลย
ไฮบริด และครึ่งหนึ่งที่เราเตอร์สามารถช่วยได้
ผลิตภัณฑ์ด้านเสียงที่จริงจังส่วนใหญ่ลงเอยด้วยการผสมโมเดลแทนที่จะเลือกเพียงตัวเดียว โดยใช้โมเดลที่ฟังเป็นธรรมชาติในเทิร์นเปิดและเทิร์นตอบรับ ซึ่งเป็นจุดที่สัมผัสได้ถึงความอบอุ่นและความหน่วง และใช้โมเดลที่เชื่อถือได้ในงานในเทิร์นธุรกรรม ซึ่งข้อผิดพลาดหมายถึงการจองที่หลุดมือ ทั้ง Eleven Realtime และ Sesame ไม่ได้ทำให้เรื่องนี้ง่ายภายในconnection เดียว — Realtime API ของ ElevenLabs เป็นผลิตภัณฑ์แยกต่างหากจาก ElevenAgents และทำงานผ่าน WebSocket เท่านั้น ส่วน Sesame ไม่มี API ให้ผสมด้วย
จุดที่เลเยอร์การกำหนดเส้นทางพิสูจน์คุณค่าได้จริงคือชั้นถัดลงมา ในงานที่โมเดลเสียงส่งต่อให้บน OrcaRouter นั่นคือโมเดล 209 รายการจากผู้ให้บริการต้นทาง 16 รายภายใต้คีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม พร้อมการสลับไปยังระบบสำรองอัตโนมัติเมื่อผู้ให้บริการเกิดข้อผิดพลาดการหลอมรวมโมเดลช่วยให้คณะโมเดลตอบร่วมกันได้เมื่อวิจารณญาณของโมเดลเดียวไม่เพียงพอ ส่วน routing DSL ประกอบหลายโมเดลเข้าเป็นการเรียกครั้งเดียว Eleven Realtime v1 Max เองไม่ได้อยู่ในแคตตาล็อกของเรา — ไม่มีเอนด์พอยต์จากบุคคลที่สามสำหรับมัน — ดังนั้นขอบเขตที่ตรงไปตรงมาคือเรากำหนดเส้นทางสำหรับการดึงข้อมูล การสรุป และการวิเคราะห์หลังการโทรได้ แต่ไม่ใช่เสียง
สิ่งที่คงเปลี่ยนบทความนี้ได้คือ benchmark ที่วัดความเป็นธรรมชาติในแบบที่ arena วัดความชอบ โดยรันครอบคลุมทั้งแอปของ Sesame และโมเดล API — หรือ endpoint สำหรับเสียงสำหรับใช้งานจริงของ Sesame ไม่ว่าจะอย่างใดอย่างหนึ่งจะเปลี่ยนการเลือกหว่างการเข้าถึงกับประสบการณ์ให้กลายเป็นการเปรียบเทียบจริง จนถึงตอนนั้น โมเดลหนึ่งคุณเรียกใช้ได้ ส่วนอีกโมเดลคุณได้แต่ชื่นชม และสิ่งนี้ชี้ขาดได้มากกว่าการทดสอบการฟังใด ๆ
