Fish Audio Live 3 vs Sesame Preview: สองคำตอบสำหรับการผลัดกันพูด โดยหนึ่งในนั้นวัดผลได้

Sesame สร้าง benchmark สำหรับปัญหาที่ Fish Audio Live 3 อ้างว่าแก้ได้แล้ว จากนั้น Fish Audio ก็เปิดตัวโมเดลที่ไม่ได้อยู่ใน benchmark นั้น นี่คือฉบับย่อของการเปรียบเทียบนี้ Sesame Preview — ผลิตภัณฑ์สำหรับผู้บริโภคแบบสี่เอเจนต์ที่รันบน Conversational Speech Model ของห้องแล็บ — เผยแพร่ TurnBench ในเดือนสิงหาคม 2026: ข้อมูลเสียงสนทนาสองคนความยาวสามสิบชั่วโมงที่ได้รับการกำกับสามชั้น กระดานคะแนนสาธารณะ โปรแกรมดูบทสนทนาแบบโต้ตอบ และผลลัพธ์สำหรับสิบสี่ระบบ Fish Audio Live 3 ซึ่งประกาศเมื่อ 10 พฤศจิกายน 2026 โต้แย้งว่าจังหวะการสนทนาควรถูกเรียนรู้ภายในโมเดลเสียงพูด มากกว่าที่จะถูกกำหนดด้วยเกณฑ์ความเงียบ และเผยแพร่ตัวอย่างบทสนทนาโทรศัพท์สามตัวอย่างกับตัวเลข 186 มิลลิวินาที ข้อโต้แย้งคือข้อโต้แย้งเดียวกัน หลักฐานไม่ใช่หลักฐานเดียวกัน

ทุกอย่างที่เหลือเป็นผลสืบเนื่องมาจากวิธีที่สองบริษัทเปลี่ยนข้อโต้แย้งนั้นให้เป็นผลิตภัณฑ์ที่แตกต่างกัน Live 3 วางจำหน่ายในราคา $0.035 ต่อนาทีบน Agent Platform ของ Fish Audio ภายใต้โปรโมชันที่สิ้นสุดวันที่ 31 ธันวาคม 2026 มี API ที่มีเอกสารประกอบ และมีตัวเลือกติดตั้งภายในองค์กรสำหรับองค์กรธุรกิจ ส่วน Sesame Preview แจกฟรี: บุคลิกภาพคงที่สี่แบบในแอป iOS และ Android โดยไม่มี API ไม่มีตัวระบุโมเดลสำหรับเสียงในแอป และไม่มีอะไรที่เป็นรายโทเคนหรือรายนาที คุณสามารถสร้างบนหนึ่งในนั้นได้ภายในสัปดาห์นี้ ส่วนอีกอันหนึ่งคุณได้แค่ฟังเท่านั้น

การทดสอบที่มีอยู่ และเหตุใด Live 3 จึงไม่ได้อยู่ในนั้น

การผลัดกันพูดเป็นความสามารถที่หาได้ยาก ซึ่งอุตสาหกรรมตกลงกันเรื่องวิธีวัดผลได้ก่อนที่โมเดลจะมาถึง และ Sesame มีส่วนสำคัญอย่างมากที่ทำให้เป็นเช่นนั้น TurnBench ซึ่งเปิดตัวเมื่อวันที่ 28 สิงหาคม 2026 และพัฒนาโดยร่วมมือกับ Carnegie Mellon University, Mundo AI และ Oto ให้คะแนนระบบต่าง ๆ จากการรับมือกับเหตุการณ์ที่ทำให้เอเจนต์โทรศัพท์ดูผิดปกติโดยตรง ได้แก่ การตอบรับที่ไม่ควรแย่งจังหวะพูด การขัดจังหวะที่ควรแย่งจังหวะพูด และการหยุดชั่วคราวที่ไม่ใช่การจบประโยค ลีดเดอร์บอร์ดเป็นสาธารณะ ชุดข้อมูลสำหรับพัฒนาสามารถใช้งานได้ด้วยตนเอง และผลลัพธ์ครอบคลุมระบบสิบสี่ระบบ

Fish Audio Live 3 ไม่ได้อยู่ในกลุ่มนั้น และโมเดลดูเพล็กซ์อื่นใดของ Fish Audio ก็เช่นกัน นั่นไม่ใช่เรื่องอื้อฉาว — โมเดลที่เปิดตัวในเดือนพฤศจิกายนย่อมไม่สามารถอยู่ในตารางอันดับของเดือนสิงหาคมได้ — แต่มันเป็นข้อเท็จจริงที่มีประโยชน์ที่สุดเพียงข้อเดียวในการเปรียบเทียบนี้ เพราะมันบอกคุณว่าบริษัทแต่ละแห่งกำลังสร้างคำกล่าวอ้างแบบไหน Sesame วางผลิตภัณฑ์ของตัวเองลงในการทดสอบสาธารณะที่มันมีส่วนช่วยออกแบบ ซึ่งใครก็ตรวจสอบคะแนนได้ Fish Audio วางผลิตภัณฑ์ของตัวเองลงบนตารางราคาโปรโมชัน ซึ่งใครก็ตรวจสอบราคาได้

ทั้งสองเป็นการเปิดตัวที่ถูกต้องตามจริง มีเพียงหนึ่งเดียวเท่านั้นที่ให้คนแปลกหน้าตรวจสอบสิ่งที่การตลาดกำลังสื่อถึงได้

สิ่งที่แต่ละฝ่ายส่งมอบจริง ๆ

• คืออะไร — Fish Audio Live 3 เป็นโมเดลเสียงแบบฟูลดูเพล็กซ์ที่อยู่เบื้องหลังแพลตฟอร์มเอเจนต์ ส่วน Sesame Preview เป็นแอปผู้ช่วยสำหรับผู้บริโภคที่มีเอเจนต์สี่ตัว ได้แก่ Maya, Miles, Simone และ Charlie ซึ่งแต่ละตัวมีความจำของตัวเอง

• ช่องทางการให้บริการ — Live 3: แพลตฟอร์มแบบบริการตนเอง, API ที่มีเอกสารประกอบ, องค์กรแบบติดตั้งภายในองค์กร (on-premises). Sesame Preview: แอป iOS และ Android ฟรี, ไม่มี API, ไม่มี model ID สำหรับเสียงในแอป

• ราคา — Live 3: $0.035/นาที (ราคาโปรโมชั่น), $0.07 (ราคาปกติ) บวก $0.01/นาทีสำหรับการโทรศัพท์ และ $1.20/เดือนต่อหมายเลข Sesame Preview: ไม่มีราคาที่เผยแพร่และไม่มีระดับแพ็กเกจที่เผยแพร่; แอปสามารถดาวน์โหลดได้ฟรี

• ภาษา — Live 3: เปิดตัวพร้อมภาษาอังกฤษเท่านั้น ตามคำกล่าวของ Fish Audio เอง แม้ว่าแพลตฟอร์มโดยรอบจะโฆษณาเสียงในกว่า 30 ภาษา Sesame Preview: เน้นภาษาอังกฤษเป็นหลัก ฝึกฝนโดยใช้ข้อมูลภาษาอังกฤษเป็นหลักตามบันทึกการวิจัยของห้องแล็บเอง

• ความเป็นอิสระ — Live 3: ไม่มีผลการทดสอบมาตรฐานที่เผยแพร่ใด ๆ ณ วันที่ 11 พฤศจิกายน 2026 และไม่มีรายการในกระดานจัดอันดับ speech-to-speech ของ Artificial Analysis ส่วน Sesame Preview: ไม่มีคะแนนจากผู้ประเมินอิสระสำหรับเสียงของแอปเช่นกัน แต่มีกระดานจัดอันดับการผลัดกันพูดแบบสาธารณะที่บริษัทช่วยสร้างและเผยแพร่

• ความเปิดกว้าง — Live 3: ไม่มีเวต ไม่มีสัญญาอนุญาต ไม่มีรีโพซิทอรี Sesame: เช็กพอยต์เปิดหนึ่งรายการ CSM-1B, Apache-2.0 บน Hugging Face ตั้งแต่มีนาคม 2025 — ซึ่งไม่ใช่เสียงที่ใช้ในแอป

• อินเทอร์เฟซ — Live 3: คุณเป็นคนผสานรวมมัน Sesame Preview: คุณพูดคุยกับมันได้

ปัญหาคำศัพท์ที่ทั้งสองบริษัทมีร่วมกัน

ไม่มีผลิตภัณฑ์ใดเปิดเผยข้อมูลมากพอให้คุณเปรียบเทียบสิ่งที่คุณสนใจจริง ๆ ได้ และทั้งสองใช้คำเดียวกันเรียกสิ่งนั้น Fish Audio เรียกมันว่าจังหวะของการสนทนา และอธิบายหมายเลขโทรศัพท์ที่อ่านเป็นช่วง ๆ — “415… 555… 0132” — ซึ่งเอเจนต์แบบทั่วไปได้ยินเป็นจุดสิ้นสุดของเทิร์นสามจุดแยกจากกัน การตลาดของ Sesame เรียกพฤติกรรมเดียวกันนี้ว่า presence และบันทึกการเผยแพร่เดือนตุลาคม 2026 ของบริษัทระบุว่าบริษัทได้อัปเดต Conversational Speech Model เพื่อปรับปรุงความสามารถในการแสดงออกและการออกเสียง โดยลดการประจบประแจงและลดวลีที่พูดซ้ำ ข้อความทั้งสองไม่สามารถหักล้างได้ตามที่เขียนไว้ ทั้งคู่ไม่ได้ให้ตัวเลขมา

ความแตกต่างอยู่ที่ Sesame ได้ส่งมอบเครื่องมือวัดออกมาแล้ว หาก Fish Audio ต้องการเปรียบเทียบกันตามข้อเท็จจริง ชุดพัฒนาของ TurnBench ก็เปิดให้ใช้และประเมินคะแนนได้เอง กระดานคะแนนกำลังรอรายการเข้าร่วมอยู่

สิ่งที่ผู้สร้างสามารถทำได้กับแต่ละรายการ และสิ่งที่พวกเขาทำไม่ได้

จุดนี้คือจุดที่ผลิตภัณฑ์ทั้งสองไม่สามารถนำมาเปรียบเทียบกันได้อีกต่อไปเลย Sesame Preview ไม่ใช่คอมโพเนนต์ ไม่มี endpoint ไม่มี session API และไม่มีวิธีใดที่จะนำเสียงของมันไปไว้เบื้องหลังหมายเลขโทรศัพท์ของคุณเองได้ และ checkpoint ของ Sesame เพียงตัวเดียวที่คนนอกแอปสามารถโหลดได้คือ CSM-1B ซึ่งเป็นโมเดลขนาด 1B พารามิเตอร์จากเดือนมีนาคม 2025 ที่มาก่อนเสียงในแอปปัจจุบันด้วยงานพัฒนาถึงหนึ่งปีครึ่ง ทีมที่ต้องการความรู้สึกของการสนทนาแบบ Sesame ในผลิตภัณฑ์ของตนในวันนี้จึงไม่มีเส้นทางใดที่จะไปถึงได้โดยไม่ต้องรอ

Live 3 คือข้อแลกเปลี่ยนที่ตรงกันข้าม มันปิดในแบบที่สำคัญ — ไม่มีเวตโมเดล ไม่มีวิธีโฮสต์เองนอกสัญญาองค์กร — แต่เปิดในแบบที่ทำให้คุณส่งงานออกได้: agent builder, API ที่มีเอกสารประกอบ, telephony และอัตราค่าบริการต่อนาที ชั้นการให้เหตุผลเป็นส่วนแยกที่เปลี่ยนได้ เอเจนต์สามารถชี้ไปยัง endpoint ที่เข้ากันได้กับ OpenAI สำหรับการคิด ขณะที่ส่วนเสียงพูดยังคงเป็นของ Fish Audio โครงสร้างแบบนั้นคือสิ่งที่ทำให้ทีมเล็ก ๆ สามารถนำขึ้นใช้งานได้ในวันอังคาร

สำหรับส่วนการให้เหตุผลโดยเฉพาะ OrcaRouter มีโมเดลมากกว่า 200 โมเดลอยู่เบื้องหลังคีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม พร้อมการสลับไปใช้ระบบสำรองอัตโนมัติเมื่อแบ็กเอนด์เกิดข้อผิดพลาดระหว่างการเรียก และมี DSL สำหรับกำหนดเส้นทางเพื่อตัดสินว่าโมเดลใดจะจัดการรอบสนทนาประเภทใด Fish Audio Live 3 ไม่ใช่หนึ่งในโมเดลเหล่านั้น — ไม่มีเอนด์พอยต์จากบุคคลที่สามสำหรับโมเดลเสียงแบบดูเพล็กซ์แบบปิด และไม่มีอะไรให้กำหนดเส้นทางตรงนี้ งานของเราเตอร์ในสแต็กนี้เริ่มต้นตรงจุดที่เสียงสิ้นสุดลง

ควรดูอันไหน และดูเพื่ออะไร

สัญญาณสามอย่างจะช่วยตัดสินการเปรียบเทียบนี้ได้ และไม่มีสัญญาณใดเลยที่เป็นข่าวประชาสัมพันธ์ การปรากฏรายการ Live 3 บน TurnBench หรือแถวบนกระดานจัดอันดับ speech-to-speech ของ Artificial Analysis จะเปลี่ยนข้อโต้แย้งเชิงพฤติกรรมของ Fish Audio ให้เป็นคะแนนที่มีตัวเลขกำกับอยู่ข้าง ๆ API สำหรับนักพัฒนาของ Sesame — บริษัทกล่าวว่าเครื่องมือสำหรับนักพัฒนากำลังจะมา โดยไม่มีกำหนดวันที่ — จะเปลี่ยนเสียงของแอปให้เป็นสิ่งที่ผลิตภัณฑ์สามารถเช่าใช้ได้ และเช็กพอยต์ Sesame แบบเปิดตัวที่สองซึ่งใหม่กว่า CSM-1B จะมอบสิ่งที่การเปิดตัว Live 3 ไม่ได้มอบให้อย่างเห็นได้ชัดแก่กลุ่มผู้ใช้ open-weights

จนกว่าหนึ่งในผลิตภัณฑ์เหล่านั้นจะเปิดตัว การจัดอันดับอย่างตรงไปตรงมาก็ขึ้นอยู่กับว่าคุณกำลังซื้ออะไรทั้งหมด หากคุณต้องการบทสนทนาที่ฟังดีที่สุดที่มีอยู่ในวันนี้ และยอมรับได้ที่จะใช้มันภายในแอปของคนอื่น Sesame Preview คือผลิตภัณฑ์ที่น่าประทับใจกว่า และเป็นผลิตภัณฑ์ที่ตรงไปตรงมากว่าเกี่ยวกับว่าควรตัดสินมันอย่างไร หากคุณต้องการเสียงสำหรับใช้งานจริงในไตรมาสนี้ Sesame ไม่ใช่ตัวเลือก และการเปรียบเทียบจะเหลือเพียงคำถามเดียวเกี่ยวกับ Live 3: ว่า $0.035 ต่อนาทีโปรโมชันและเวลาตอบรับขั้นต่ำ 186 มิลลิวินาทีนั้นเป็นหลักฐานเพียงพอที่จะเดิมพันสายโทรศัพท์หรือไม่ สำหรับทีมส่วนใหญ่ คำตอบคือใช่สำหรับโครงการนำร่อง และยังไม่ใช่สำหรับงานที่ต้องจ่ายเงินเดือน และเกณฑ์มาตรฐานที่จะเปลี่ยนคำตอบนั้นมีอยู่แล้ว โดยมีแถวหนึ่งเว้นว่างไว้