Gemini 3.8 Live vs Sesame Preview: เสียงที่คุณชื่นชม vs เสียงที่คุณโทรหาได้
- Orcaใหม่Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 84 tok/s
- Orcaใหม่Orca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 74 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 · 724 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 · 36 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 ต่อ 1 ล้านโทเค็น · 821 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-09-1040ความฉลาด
- 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 · 52 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 ต่อ 1 ล้านโทเค็น · 108 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642ความฉลาด72การเขียนโค้ด
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 ต่อ 1 ล้านโทเค็น · 185 tok/s
วอยซ์เอเจนต์ของ Sesame ได้คะแนน 4.5 จาก 5 ในด้าน "ฟังดูเป็นมนุษย์" ขณะที่ Gemini 3.8 Live ได้ 4.0 อีกทั้ง Sesame ทำงานตามขั้นตอนการจองเสร็จสมบูรณ์ 71% ในขณะที่ Gemini 3.8 Live ทำได้ 78% และ Sesame เกิดข้อผิดพลาดในการเรียกฟังก์ชันในอัตราราวสองเท่า หากคุณกำลังเลือกชุดเทคโนโลยีเสียงสำหรับธุรกิจที่รับจองนัดหมาย โมเดลที่ฟังดูดีกว่ากลับแพ้ — และมันแพ้ด้วยเหตุผลที่ไม่มีส่วนเกี่ยวข้องกับว่ามันฟังดูดีแค่ไหน
ตัวเลขเหล่านั้นมาจากการรันเปรียบเทียบแบบตัวต่อตัวโดยบุคคลที่สาม จากบทสนทนาลูกค้า 1,500 สายต่อโมเดลบนสคริปต์การจอง และมีข้อควรระวังสองประการที่สำคัญ คือ ไม่ใช่ข้อมูลของเราและไม่ได้ถูกทำซ้ำโดยอิสระ อีกทั้งฝั่ง Gemini ใช้ Gemini Live รุ่นต้นปี 2026 ไม่ใช่โมเดลที่บทความนี้กล่าวถึง Gemini 3.8 Live เป็นระบบเสียงเป็นเสียงที่ Google เปิดตัวเมื่อวันที่ 15 กันยายน 2026 พร้อมใช้งานแล้วบน Live API Sesame Preview เป็นผู้ช่วยเสียงสำหรับผู้บริโภคของ Sesame ฟรีบน iOS ตั้งแต่เดือนพฤษภาคม 2026 และให้บริการอย่างกว้างขวางบน Android ตั้งแต่ต้นเดือนสิงหาคม 2026 สร้างขึ้นโดยมีเอเจนต์ที่มีชื่อสี่ตัวเป็นแกนหลัก — Maya, Miles, Simone, Charlie — และได้รับการกล่าวขานอย่างกว้างขวางว่าเป็นผู้ช่วยเสียงที่ฟังดูเป็นมนุษย์ที่สุดเท่าที่ใครๆ เคยสนทนาด้วย
การจับคู่นี้ไม่ใช่โมเดลปะทะกับโมเดลจริง ๆ แต่เป็นผลิตภัณฑ์ที่คุณนำไปใช้งานในโปรดักชันได้ เทียบกับประสบการณ์ที่คุณได้แค่เข้าไปเยี่ยมชม
รูปร่างของแต่ละสิ่ง
Gemini 3.8 Live เป็นส่วนติดต่อสำหรับนักพัฒนา โดยเปิดให้ใช้งานในชื่อ gemini-3.8-live และ gemini-3.8-live-extended-thinking บน Live API ราคา $0.005 ต่อนาทีสำหรับเสียงขาเข้า และ $0.018 ต่อนาทีขาออก ส่วนข้อความราคา $0.75 และ $4.50 ต่อล้านโทเคน และอินพุตรูปภาพหรือวิดีโอที่ $1.00 ต่อล้าน รองรับ 97 ภาษาพร้อมการสลับภาษาในระหว่างบทสนทนา ประมวลผลอินพุตภาพได้เกือบเรียลไทม์ เรียกใช้เครื่องมือและการเรียก API อยู่เบื้องหลังขณะที่บทสนทนาดำเนินต่อไป และฝังลายน้ำ SynthID ทุกวินาทีของเสียงที่สร้างขึ้น รุ่น Extended Thinking คิดและพูดไปพร้อมกัน เล่าความคืบหน้าไปด้วยเพื่อให้สายไม่เงียบระหว่างงานที่ใช้เวลานาน อันดับที่ Google รายงานเองอยู่ที่สองใน Speech Agent Arena โดยครองอันดับหนึ่งบนดัชนีคุณภาพ Speech to Speech ของ Artificial Analysis ที่ 82.6 สำหรับตระกูลนี้ ตัวเลขของ Google ในสัปดาห์นี้ ยังไม่มีการทำซ้ำ
Sesame Preview เป็นแอปสำหรับผู้บริโภค รองรับเฉพาะภาษาอังกฤษ มีการจำกัดเวลาการสนทนาไว้ที่ 30 นาที ซึ่งจะลดลงเหลือ 5 นาทีเมื่อคุณออกจากระบบ เอเจนต์ของมันเก็บบริบทข้ามเซสชัน ค้นหาเว็บ และตั้งการแจ้งเตือน — แต่พวกมันไม่จอง ไม่ซื้อ หรือยื่นเอกสารใดๆ ไม่มีระดับองค์กรและไม่มีราคาสาธารณะ
ทั้งคู่เป็นระบบสนทนาแบบฟูลดูเพล็กซ์ที่มีการผลัดกันพูดดีพอจนผู้คนเลิกสังเกตมัน นั่นคือจุดที่ความคล้ายคลึงกันสิ้นสุดลง
สิ่งที่การเจอกันโดยตรงเพียงครั้งเดียวที่เรามีนั้นแสดงให้เห็นจริง ๆ
การเปรียบเทียบของ CallSphere ได้รันสคริปต์กระบวนการจองในปริมาณมาก และรายงานตัวเลขสี่ค่าต่อโมเดล ในด้านการทำสำเร็จ Gemini Live ทำการจองเสร็จ 78% เทียบกับ Sesame Maya ที่ 71% ในด้านข้อผิดพลาดในการเรียกฟังก์ชัน Gemini Live อยู่ที่ 3.3% เทียบกับ Maya ที่ 6.7% ในด้านความหน่วง p95 Maya เร็วกว่า — 480 ms เทียบกับ 640 ms และในมาตรวัดเชิงอัตวิสัย "ฟังดูเป็นมนุษย์" ซึ่งให้คะแนน 1 ถึง 5 Maya ได้ 4.5 เทียบกับ Gemini Live ที่ 4.0
อ่านทั้งหมดนั้นรวมกัน แล้วรูปแบบหนึ่งจะปรากฏขึ้นซึ่งไม่มีแถวใดแถวเดียวแสดงให้เห็น Sesame ชนะสองแถวที่มนุษย์สังเกตเห็น และแพ้สองแถวที่ธุรกิจสังเกตเห็น ความเป็นธรรมชาติและความหน่วงคือสิ่งที่ผู้โทรรู้สึก ส่วนอัตราความสำเร็จและอัตราข้อผิดพลาดคือสิ่งที่ปรากฏในการกระทบยอด เสียงที่ฟังดูเหมือนคนแต่ทำสายหลุดหนึ่งครั้งในสิบห้าครั้งในขั้นตอนการจอง ไม่ใช่ voice agent ที่ดีกว่า — มันเป็นเดโมที่ดีกว่า
ข้อแม้อย่างตรงไปตรงมาสองข้อ การเปรียบเทียบนี้เป็นบล็อกของผู้ขายรายหนึ่ง ไม่ใช่การประเมินที่ผ่านการทบทวนโดยผู้ทรงคุณวุฒิ และการเรียก 1,500 ครั้งต่อโมเดลบนสคริปต์เพียงประเภทเดียวก็เป็นเพียงเสี้ยวที่แคบมาก และตัวเลขของ Gemini นั้นอธิบายถึงเจเนอเรชันของ Gemini Live ที่วางจำหน่ายในต้นปี 2026 ซึ่งล้าหลัง 3.8 Live อย่างน้อยหนึ่งโมเดลเต็ม การนำตัวเลขเหล่านั้นไปใช้กับ Gemini 3.8 Live จะเป็นการคาดเดา ยังไม่มีใครเผยแพร่การเปรียบเทียบแบบตัวต่อตัวที่เกี่ยวข้องกับโมเดล 3.8
ส่วนที่บทความเกือบทุกชิ้นเข้าใจผิด
ทุกบทความที่ยกย่องเสียงของ Sesame ล้วนเป็นการยกย่องแอปฯ และเสียงของแอปฯ นั้นเป็นโมเดลโปรดักชันแบบปิดขนาดใหญ่ที่ Sesame ไม่เคยเปิดให้ใช้เป็น API ไม่มีทางซื้อ ไม่มีทางขอรับสิทธิ์ใช้งาน หรือเรียกใช้งานมันได้ หากคุณได้อ่านว่าจังหวะการสนทนาของ Sesame ดีที่สุดในตลาด แล้วสรุปว่าคุณสามารถมีมันได้ ข้อสรุปนั้นไม่ได้ตามมาจากหลักฐาน
สิ่งที่ Sesame เปิดซอร์สจริง ๆ คือ CSM-1B ซึ่งเป็นโมเดลสนทนาขนาด 1B ตัวแปรหนึ่ง เปิดตัวภายใต้สัญญาอนุญาต Apache-2.0 ในตระกูล Moshi มันเป็นบล็อกสังเคราะห์เสียง ไม่ใช่ผู้ช่วย: แบ็กโบน Llama ทำนายโค้ดบุ๊กแรกของ Mimi และตัวถอดรหัส Llama ขนาดเล็กกว่าทำนายโค้ดบุ๊กที่เหลือ ซึ่งโคเดก Mimi จะแปลงเป็นคลื่นเสียง 24 kHz มันรองรับเฉพาะภาษาอังกฤษเท่านั้น สามารถโคลนเสียงจากคลิปอ้างอิงความยาว 10 ถึง 15 วินาทีที่สะอาดได้ และมันสร้างข้อความไม่ได้เลย — คุณต้องจับคู่มันกับโมเดลภาษาตัวอื่น ผู้ที่ได้ลองทั้งสองแบบอธิบายว่าเสียงของ CSM-1B อ่อนกว่าเสียงของแอป Preview อย่างชัดเจน มันมีให้ใช้แบบโฮสต์ในราคา 7 ดอลลาร์ต่อล้านตัวอักษรจากผู้ให้บริการรายเดียว ซึ่งคิดเป็นประมาณ 0.35 ดอลลาร์ต่อชั่วโมงของเสียง หรือใช้ฟรีถ้าคุณโฮสต์เอง
การ์ดโมเดลพูดสิ่งที่ปกติเก็บเงียบออกมาตรง ๆ ว่า ตัวแปรที่ผ่านการปรับละเอียดของ CSM เป็นตัวขับเคลื่อนเดโมเสียงแบบโต้ตอบ ซึ่งไม่ใช่เช็กพอยต์ที่คุณดาวน์โหลดได้ ดังนั้นเวอร์ชันที่ตรงไปตรงมาของ “Sesame vs Gemini” ก็คือ Sesame มีเสียงปิดที่สวยงามซึ่งคุณเข้าถึงไม่ได้ และมีบล็อกการสังเคราะห์แบบเปิดขนาดเล็กที่คุณเข้าถึงได้ และทั้งสองอย่างไม่ใช่สิ่งเดียวกัน Google มีโมเดลหนึ่งที่คุณเรียกใช้ได้ และมันคือโมเดลที่พวกเขาโฆษณา ความไม่สมมาตรนั้นมีค่าสำหรับผู้สร้างมากกว่าคะแนนความเป็นธรรมชาติใด ๆ
สเปกเปรียบเทียบ
• สิ่งที่คุณจะได้รับ — Gemini 3.8 Live ซึ่งเป็น API ที่เรียกใช้งานได้แล้ววันนี้ เมื่อเทียบกับ Sesame Preview ซึ่งเป็นแอปสำหรับผู้ใช้ทั่วไปแบบฟรีที่ไม่มี API สำหรับเสียงระดับโปรดักชันของตน
• เสียงระดับโปรดักชันที่สามารถขอใบอนุญาตใช้งานได้ — Gemini 3.8 Live ใช่ จ่ายรายนาที เทียบกับ Sesame Preview ไม่ ยังไม่เคยเปิดตัว
• อาร์ติแฟกต์แบบเปิด — Gemini 3.8 Live ไม่มีสัญญาอนุญาต, แบบปิด เทียบกับ Sesame Preview CSM-1B, Apache-2.0, เป็นโมเดลที่แตกต่างและอ่อนกว่า
• ภาษา — Gemini 3.8 Live 97 vs Sesame Preview อังกฤษเท่านั้น
• การเรียกใช้เครื่องมือ — Gemini 3.8 Live เรียกใช้เครื่องมือและ API เบื้องหลังระหว่างการสนทนา เทียบกับ Sesame Preview ที่เอเจนต์จดจำบริบทและค้นเว็บได้ แต่ไม่ลงมือทำงานให้เสร็จ
• ขีดจำกัดเซสชัน — Gemini 3.8 Live ไม่ได้เผยแพร่โดย Google เทียบกับ Sesame Preview 30 นาที, 5 เมื่อออกจากระบบ
• ความเป็นธรรมชาติ — Gemini 3.8 Live ยังไม่ถูกวัดในแกนนี้ เทียบกับ Sesame Preview ที่ได้รับการยกย่องว่าดีที่สุดในระดับเดียวกันจากความประทับใจในการฟัง โดยที่ทั้งสองไม่มีเกณฑ์มาตรฐานอิสระรองรับ
• ความหน่วง — Gemini 3.8 Live ยังไม่มีการเผยแพร่ค่า เทียบกับ Sesame Preview 250–450 มิลลิวินาทีแบบครบวงจรสำหรับ Maya, ไบต์แรกของการสตรีมต่ำกว่า 300 มิลลิวินาที ตามการวัดของบุคคลที่สาม
• เส้นทางสำหรับองค์กร — การพรีวิวแบบส่วนตัวของ Gemini 3.8 Live ใน Gemini Enterprise เร็ว ๆ นี้ใน Customer Experience เทียบกับ Sesame Preview ไม่มี
• ทิศทางที่ระบุไว้ — การผสานรวม Live API ของ Gemini 3.8 Live กับ Agora, LiveKit, Pipecat, Fishjam และอื่น ๆ เทียบกับความร่วมมือด้านการวิจัยกับ Sesame Preview และฮาร์ดแวร์แว่นตาที่วางแผนไว้สำหรับปี 2027
แถวความเป็นธรรมชาตินั่นแหละคือแถวที่ผู้คนโต้เถียงกัน และสังเกตสิ่งที่มันบอกไว้: ไม่มีโมเดลไหนมีเกณฑ์มาตรฐานอิสระว่ามันฟังดูเป็นมนุษย์แค่ไหน สิ่งที่มีอยู่คือแอปของ Sesame ที่ได้รับการชื่นชมจากผู้ฟัง กับ Google ที่ได้อันดับสองในอารีนา นั่นไม่ใช่การวัดแบบเดียวกัน และอย่างน้อยอารีนาก็มีระเบียบวิธี
ความเป็นธรรมชาติแลกมาด้วยอะไรในเชิงปฏิบัติการ
ความผิดพลาดอยู่ที่การมองความเป็นธรรมชาติเป็นฟีเจอร์ที่คุณเพิ่มเข้าไป มันเป็นข้อแลกเปลี่ยนที่คุณทำ และโดยปกติข้อแลกเปลี่ยนนั้นแลกกับความน่าเชื่อถือของเครื่องมือ — เพราะพฤติกรรมที่ทำให้เสียงฟังดูเป็นมนุษย์ ทั้งการลังเล การพูดทับกัน และความพร้อมที่จะยอมให้อีกฝ่ายพูดแทรกกลางประโยค ล้วนเกิดจากโมเดลที่ใช้ความสามารถไปกับจังหวะทำนองเสียงและการผลัดกันพูด มากกว่าจะใช้กับไวยากรณ์ที่เคร่งครัดของการเรียกฟังก์ชัน นั่นคือกลไกเบื้องหลังอัตราความผิดพลาด 6.7% เทียบกับ 3.3% ที่สมเหตุสมผลกว่าข้อกล่าวอ้างใด ๆ ว่าห้องแล็บหนึ่งเก่งกว่าด้านวิศวกรรมมาก
มันยังมีต้นทุนด้านโครงสร้างพื้นฐานที่ไม่มีใครตั้งงบไว้ เสียงที่ฟังดูเหมือนมนุษย์ทำให้ความคาดหวังสูงขึ้น และผู้โทรที่เชื่อว่ากำลังคุยกับคนจริงจะไม่อดทนต่อคำว่า “ฉันไม่ได้ยินที่คุณพูด” สองครั้งติดกัน เพดาน 30 นาทีของ Sesame เองเป็นการยอมรับเงียบ ๆ ว่าโมเดลประเภทนี้มีค่าใช้จ่ายสูงในการรันอย่างต่อเนื่อง — เป็นเพดานที่ Google ไม่เปิดเผยสำหรับ 3.8 Live ซึ่งไม่ได้หมายความว่าไม่มีเพดานนั้นอยู่
อันไหนที่ควรอยู่ในสแต็กของคุณ
เลือก Gemini 3.8 Live เมื่อเสียงเป็นเพียงเครื่องมือไปสู่เป้าหมาย: การจัดตารางเวลา, การคัดแยก, การสนับสนุน, อะไรก็ตามที่ผู้โทรต้องการผลลัพธ์ คุณจะได้ API ทันที, อัตราค่าบริการที่ประกาศไว้, ลูปเครื่องมือที่ทำงานเบื้องหลัง, 97 ภาษา, และเส้นทางสำหรับองค์กรหากคุณต้องการ
เลือก Sesame Preview เมื่อคุณกำลังศึกษาว่าคุณภาพการสนทนาควรให้ความรู้สึกแบบไหน หรือเมื่อคุณกำลังสร้างประสบการณ์ผู้บริโภคที่ตัวการโทรเองคือผลิตภัณฑ์ มันฟรี มันเป็นสิ่งที่ให้เสียงดีที่สุดเท่าที่มีอยู่จริง ๆ และเป็นที่ที่ยอดเยี่ยมสำหรับปรับรสนิยมของคุณ อย่าวางแผนนำไปผสานรวมในงานโปรดักชัน เพราะไม่มีอะไรให้ผสานรวมด้วย
ทีมที่จริงจังส่วนใหญ่ลงเอยด้วยไฮบริด และไฮบริดคือจุดที่การจัดเส้นทางไม่ใช่ทางเลือกอีกต่อไป วางโมเดลที่ฟังดูเป็นธรรมชาติในเทิร์นเปิดและเทิร์นตอบรับ ซึ่งเป็นจุดที่สัมผัสได้ถึงความหน่วงและความเป็นมิตร และวางโมเดลที่เชื่อถือได้ด้านเครื่องมือในเทิร์นธุรกรรม ซึ่งข้อผิดพลาดหมายถึงการจองที่หลุดไป OrcaRouter ถูกสร้างมาสำหรับสแต็กที่มีรูปร่างแบบนั้น — การหลอมรวมโมเดลช่วยให้คณะโมเดลตอบร่วมกันได้เมื่อวิจารณญาณของโมเดลเดียวไม่ดีพอ, routing DSL ประกอบหลายโมเดลเข้าเป็นการเรียกเดียว, และ failover ย้ายทราฟฟิกออกจากโมเดลที่เริ่มมีพฤติกรรมผิดปกติโดยไม่ต้องดีพลอยใหม่ ในกรณีที่ผู้ขายเผยแพร่ราคา เราส่งราคาตามรายการของผู้ให้บริการผ่านไปโดยไม่บวกเพิ่ม ดังนั้นการลดราคาจึงไปถึงบิลของคุณภายในวันเดียวกัน
สิ่งที่ต้องจับตา: API สำหรับเสียงระดับโปรดักชันของ Sesame หรือเบนช์มาร์กที่วัดความเป็นธรรมชาติในแบบที่อารีนาวัดคุณภาพ ไม่ว่าจะมีสิ่งใดสิ่งหนึ่ง สิ่งนั้นจะเปลี่ยนเรื่องนี้จากทางเลือกระหว่างการเข้าถึงกับประสบการณ์ให้กลายเป็นการเปรียบเทียบที่แท้จริง จนกว่าจะถึงตอนนั้น โมเดลหนึ่งคุณเรียกใช้ได้ ส่วนอีกโมเดลคุณทำได้เพียงชื่นชม และนั่นก็ตัดสินได้เร็วกว่าคะแนนใด ๆ
ทีมที่จริงจังส่วนใหญ่ลงเอยด้วยระบบแบบไฮบริด และไฮบริดคือจุดที่การจัดเส้นทาง (routing) เลิกเป็นเพียงตัวเลือกเสริม วางโมเดลที่ให้เสียงเป็นธรรมชาติไว้ในเทิร์นเปิดบทสนทนาและเทิร์นตอบรับ ซึ่งเป็นจุดที่ความหน่วงและความเป็นกันเองสัมผัสได้ และวางโมเดลที่เชื่อถือได้เรื่องการใช้เครื่องมือไว้ในเทิร์นทำธุรกรรม ซึ่งข้อผิดพลาดเพียงครั้งเดียวหมายถึงการจองที่หลุดมือ OrcaRouter ถูกสร้างมาเพื่อสแต็กในรูปแบบนี้ - model fusion ทำให้กลุ่มโมเดลตอบร่วมกันได้เมื่อวิจารณญาณของโมเดลเดียวไม่ดีพอ routing DSL ประกอบหลายโมเดลให้เป็นคำสั่งเรียกเดียว และ failover ย้ายทราฟฟิกออกจากโมเดลที่เริ่มทำงานผิดปกติได้โดยไม่ต้องรีดีพลอย
