Grok Voice 3.0 vs Sesame Preview: เสียงที่ชนะการทดสอบการฟังทุกครั้งคือเสียงที่ไม่มี API

ลองถามคนในห้องสักห้องว่าอันไหนในสองสิ่งนี้ฟังดูเป็นมนุษย์มากกว่ากัน แล้วคุณจะได้คำตอบเพียงหนึ่งเดียว Sesame Previewเป็นผู้ช่วยเสียงฟรีจาก Sesame — มีเอเจนต์สี่ตัวชื่อ Maya, Miles, Simone และ Charlie เปิดให้ใช้บน iOS ตั้งแต่เดือนพฤษภาคม 2026 และบน Android โดยทั่วไปตั้งแต่ต้นเดือนสิงหาคม — และมันคือผู้สร้างคลิปไวรัลที่ทำให้ "โหมดเสียงระดับดีที่สุดในคลาส" กลายเป็นวลีที่เหล่านักรีวิวหยิบมาใช้ซ้ำแล้วซ้ำเล่า Grok Voice 3.0ซึ่ง SpaceXAI ประกาศเปิดตัวเมื่อวันที่ 14 ตุลาคม 2026 เป็นโมเดล speech-to-speech ที่ได้คะแนนสูงสุดบนกระดานจัดอันดับสาธารณะที่ 86.9 เรียกใช้งานได้ผ่าน endpoint แบบเรียลไทม์ที่มีเอกสารกำกับ ในราคานาทีละ 0.08 ดอลลาร์ สองข้อเท็จจริงนี้ไม่ได้ขัดแย้งกัน และช่องว่างระหว่างทั้งสองคือประเด็นของการเปรียบเทียบทั้งหมด: อันหนึ่งคือเสียงที่ผู้คนตัดสินด้วยหู ส่วนอีกอันคือเสียงที่บุคคลภายนอกสามารถวัดผลได้

อีกครึ่งหนึ่งของช่องว่างนั้นคือการเข้าถึง Sesame Preview ไม่มี API ไม่มีตัวระบุโมเดล ไม่มีเรตการ์ด และไม่มีแผนที่ระบุไว้ว่าจะมี และเสียงที่ใช้ในโปรดักชันของแอปคือโมเดลปิดขนาดใหญ่กว่าที่แล็บไม่เคยเปิดตัว Grok Voice 3.0 เป็นคอมโพเนนต์ที่คุณเช่าเป็นรายนาที ถ้าเลือกด้วยหู คุณจะอยากได้ Sesame ถ้าเลือกด้วยว่าคุณส่งงานออกได้หรือไม่ การตัดสินใจก็ถูกกำหนดแทนคุณไปแล้ว

แต่ละอันคืออะไร อย่างเป็นทางการ

ถ้าตัดเรื่องการตลาดออกไป ผลิตภัณฑ์ทั้งสองนี้ไม่ใช่สิ่งประเภทเดียวกันด้วยซ้ำ

• มันคืออะไร — G​rok Voice 3.0 เป็นโมเดลเสียงเป็นเสียงที่อยู่เบื้องหลัง WebSocket แบบเรียลไทม์ของ S​paceXAI พร้อมเครื่องมือที่จำกัดขอบเขตตามเซสชันและทรานสคริปต์ที่ส่งกลับมา; Sesame Preview เป็นแอปสำหรับผู้บริโภคที่มีเอเจนต์สนทนา 4 ตัว หน่วยความจำแยกตามเอเจนต์ซึ่งซิงก์ข้ามเว็บและมือถือ ค้นหาเว็บแบบสดระหว่างการสนทนา และสรุปที่ส่งให้ภายหลัง

• ราคา — $0.08 ต่อนาทีของเสียง บวก $0.004 ต่ออินพุตข้อความ ประมาณ $4.80 ต่อชั่วโมง สำหรับ G​rok Voice 3.0; ฟรีสำหรับผู้ใช้โดยไม่มีโฆษณา และไม่มีระดับบริการแบบเสียเงินที่ระบุไว้สำหรับ Sesame Preview

• การเข้าถึงสำหรับนักพัฒนา — ปลายทางที่มีเอกสารประกอบ, โทเค็นอายุสั้นสำหรับการเชื่อมต่อฝั่งไคลเอนต์, และปลายทางเสียงแบบกำหนดเองที่ฝึกเสียงจากคลิปอ้างอิงความยาวไม่เกิน 120 วินาทีสำหรับ G​rok Voice 3.0; ไม่มีอะไรเลยสำหรับ Sesame Preview

• เวต — ปิดทั้งสองด้าน ยกเว้นข้อยกเว้นหนึ่ง: Sesame ได้เผยแพร่ CSM-1B ซึ่งเป็นเช็กพอยต์ Apache-2.0 ที่ไม่ใช่เสียงในแอป

• คะแนนอิสระ — 86.9 บน Artificial Analysis Speech to Speech Index พร้อมองค์ประกอบที่อ่านได้ห้ารายการสำหรับ G​rok Voice 3.0; ไม่มีสำหรับเสียง Sesame Preview และไม่มีที่ Sesame เผยแพร่เช่นกัน

• ขีดจำกัด — G​rok Voice 3.0 ไม่มีเพดานจำนวนเซสชันที่ระบุไว้ และรุ่นก่อนหน้าของมันถูกทำการตลาดโดยอิงอัตราความผิดพลาดของคำใน 24 ภาษา; Sesame Preview รองรับเฉพาะภาษาอังกฤษ โดยมีเพดานการสนทนา 30 นาที ซึ่งลดเหลือห้านาทีเมื่อออกจากระบบ และไม่มีการดำเนินงานใด ๆ — เหล่าเอเจนต์เพียงพูดคุยกันเท่านั้น พวกมันไม่จอง ไม่ซื้อ หรือยื่นเอกสารใด ๆ

หัวข้อย่อยสุดท้ายคือข้อที่ทำให้การประเมินส่วนใหญ่จบลง ผลิตภัณฑ์เสียงที่ไม่สามารถโทรติดต่อได้ไม่ใช่ส่วนประกอบ แต่เป็นคู่แข่ง

จุดตรวจแบบเปิด และสิ่งที่มันไม่ใช่

Sesame ตรงไปตรงมาอย่างผิดปกติเกี่ยวกับช่องว่างระหว่างเดโมกับเวอร์ชันที่ดาวน์โหลดได้ของมัน และนี่คือข้อเท็จจริงที่สำคัญที่สุดเพียงข้อเดียวสำหรับใครก็ตามที่กำลังชั่งน้ำหนักระหว่างสองสิ่งนี้

CSM-1B เป็นโมเดลเสียงพูดเชิงสนทนาขนาด 1B ที่เผยแพร่ภายใต้สัญญาอนุญาต Apache 2.0 เมื่อวันที่ 23 เมษายน 2026: โครงสร้างหลักสถาปัตยกรรม Llama ที่ป้อนเข้าสู่ตัวถอดรหัสแยกต่างหากและ Mimi codec ของ Kyutai ผลิตเสียงพูดภาษาอังกฤษแบบโมโนที่ 24 kHz จากบริบทประมาณ 4,000 โทเคน เป็นโมเดลพื้นฐานสำหรับการสร้างเสียงพูด จากการประเมินของผู้ที่ได้รันทั้งสองโมเดล มันให้เสียงที่ด้อยกว่าเสียงในแอปอย่างชัดเจน และเอกสารของ Sesame เองก็ระบุชัดเจนว่ามันไม่ใช่ระบบ speech-to-speech แบบครบวงจร และไม่สามารถสร้างข้อความได้

ดังนั้นไฟล์ดาวน์โหลดนี้จึงเป็นสายงานวิจัย ไม่ใช่ตัวผลิตภัณฑ์ คนที่ตามหาน้ำเสียงจากเดโมพบโมเดลขนาดเล็กกว่าที่ออกมาจากแล็บเดียวกัน และสิ่งที่ตอบกลับเมื่อตัวแทนหนึ่งในสี่คนรับสายคือโมเดลระดับโปรดักชันที่ไม่เคยเปิดตัวมาก่อน มันถูกโฮสต์โดยผู้ให้บริการอินเฟอเรนซ์บุคคลที่สามในราคาประมาณ $7 ต่อล้านตัวอักษร — หรือราว $0.35 ต่อชั่วโมงของเสียงสังเคราะห์ — หรือฟรีบนฮาร์ดแวร์ของคุณเอง และยังไม่มีใครเผยแพร่เบนช์มาร์กอิสระของมันเช่นกัน

เพื่อให้เห็นภาพ $0.35 ต่อชั่วโมงคือเสียงที่ถูกที่สุดในการเปรียบเทียบนี้ โดยถูกกว่าถึงสิบสามเท่า และยังเป็นตัวเลือกที่มีประโยชน์น้อยที่สุดในบรรดาตัวเลือกเหล่านี้ด้วย เพราะเช็กพอยต์ขนาด 1B ที่ไม่สามารถสนทนาแบบสองทางได้ ไม่ได้แข่งขันกับ Grok Voice 3.0 ในด้านราคา แต่กำลังแข่งขันกับเครื่องมือบรรยายเสียงอะไรก็ตามที่คุณใช้อยู่แล้ว

ทำไมการทดสอบด้วยหูกับดัชนีจึงไม่ตรงกัน และอันไหนกันแน่ที่ผิด

พวกมันไม่ได้ขัดแย้งกัน พวกมันกำลังตอบคำถามที่ต่างกัน และมีเพียงคำถามเดียวเท่านั้นที่สามารถตอบในที่สาธารณะได้

ชื่อเสียงของ Sesame Preview ขึ้นอยู่กับว่าเสียงหนึ่งฟังดูเป็นอย่างไรสำหรับผู้ฟัง: ลมหายใจ ความลังเล จังหวะของการพูดขัดจังหวะ ความรู้สึกว่ามีคนอยู่ปลายสาย นั่นคือหลักฐานจริงประเภทหนึ่ง — เดโมนี้โน้มน้าวคนหลายแสนคนและนักวิจารณ์ที่ไม่มีแรงจูงใจจะเอื้อเฟื้อ — และมันไม่ถูกวัดเป็นปริมาณเลย ไม่มีรายการในอารีนา ไม่มีการประเมินเสียงเวอร์ชันโปรดักชันที่เผยแพร่ และไม่มีจำนวนตัวอย่าง ข้ออ้างเรื่องคุณภาพทุกข้อไม่ว่าจะทางใดก็เป็นเพียงความประทับใจจากการฟัง

86.9 ของ Grok Voice 3.0 เป็นหลักฐานอีกแบบที่ตรงกันข้าม โดยแยกย่อยออกเป็นการให้เหตุผลด้านเสียงพูดที่ใกล้เพดาน 97.0% บน Full Duplex Bench, 71.6% บน τ-Voice, Elo ในอารีนาที่ 1070 และความสำเร็จของงาน 94.8% โดยแต่ละค่าถูกวัดภายใต้ชุดทดสอบที่เผยแพร่ ซึ่งทีมภายนอกสามารถอ่าน ตรวจสอบการคำนวณ และโต้แย้งได้ ดัชนีรวมคือการเลือกการถ่วงน้ำหนัก และองค์ประกอบอารีนาถูกตรึง ณ จุดที่โมเดลมีคุณสมบัติเข้าร่วม แทนที่จะติดตาม Elo สด — แต่ข้อโต้แย้งนั้นเปิดให้ทุกคนเข้าถึงได้ ซึ่งเป็นสิ่งที่ทำให้มันเป็นการวัดมากกว่าการกล่าวอ้าง

สิ่งที่คณะกรรมการไม่ได้วัดคือคุณสนุกกับการพูดคุยกับมันหรือไม่ และมีตัวเลขเฉพาะเจาะจงในเวอร์ชันที่เปิดตัวที่ตกอยู่บนแกนนั้นพอดี: Grok Voice 3.0 เริ่มพูดใน 0.81 วินาที ส่วนโมเดลที่มันปลดระวางเริ่มใน 0.70 วินาที เรือธงออกตัวช้ากว่ารุ่นก่อนหน้าของตัวเองอยู่ 0.11 วินาที ซึ่งเป็นรายละเอียดแบบที่ผู้ฟังสังเกตเห็นก่อนที่เบนช์มาร์กจะสังเกตเสียอีก

การออกแบบแบบ four-agent บอกอะไรคุณ

บุคลิกทั้งสี่ของ Sesame ไม่ใช่รายละเอียดด้านการตลาด แต่เป็นการตัดสินใจเชิงสถาปัตยกรรม และมันตรงกันข้ามกับการตัดสินใจที่ S​paceXAI ทำ

Maya, Miles, Simone และ Charlie เป็นเสียงที่ตายตัวพร้อมอุปนิสัยที่ตายตัว และหน่วยความจำถูกกำหนดขอบเขตแยกตามเอเจนต์แต่ละตัว นั่นคือผลิตภัณฑ์ที่สร้างขึ้นบนสมมติฐานว่าเสียงคือสิ่งที่ส่งมอบ และบุคลิกภาพคือฟีเจอร์ ไม่มีการปรับแต่งเสียง ไม่มีการโคลน และไม่มีเส้นทางจากแอปสำหรับผู้บริโภคไปยัง API — ระดับฟรีคือตัวผลิตภัณฑ์ และทิศทางที่บริษัทระบุคือความร่วมมือด้านวิจัยและอุปกรณ์ฮาร์ดแวร์ที่วางแผนไว้ มากกว่าแพลตฟอร์มสำหรับนักพัฒนา

G​rok Voice 3.0 ไปในทางตรงกันข้าม โดยมาพร้อมชุดเสียงในตัวของ S​paceXAI และมี endpoint สำหรับเสียงกำหนดเองแยกต่างหากที่ฝึกเสียงจากคลิปอ้างอิงความยาวสูงสุด 120 วินาที โดย voice_id ที่ได้จะใช้งานได้ทั้งกับ realtime API และ streaming text-to-speech เซสชันของมันรองรับ tools ดังนั้นเอเจนต์จึงสามารถเรียกแบ็กเอนด์ของคุณระหว่างการสนทนาได้ แทนที่จะเพียงพูดถึงมันเท่านั้น

อันไหนจะดีกว่านั้นขึ้นอยู่กับว่าคุณกำลังขายประสบการณ์หรือกำลังสร้างประสบการณ์ ผลิตภัณฑ์เสียงที่มาพร้อมบุคลิกภาพคงที่สี่แบบที่ยอดเยี่ยมได้แก้ปัญหาการสร้างแบรนด์และการผสานรวมด้วยการตัดสินใจเพียงครั้งเดียว ผลิตภัณฑ์เสียงที่มีเอนด์พอยต์สำหรับการโคลนเสียงได้มอบขอบเขตการปฏิบัติตามกฎระเบียบและเวิร์กโฟลว์การแปลภาษาให้คุณด้วยการตัดสินใจเพียงครั้งเดียว ทั้งสองไม่ใช่ความผิดพลาด และทั้งสองชี้ไปที่ลูกค้าที่แตกต่างกัน

จุดที่คำถามเรื่องการจัดเส้นทางลงเอยจริงๆ

OrcaRouter ไม่ได้ให้บริการเลเยอร์เสียงทั้งสองนี้เลย Grok Voice 3.0 ทำงานอยู่เบื้องหลัง WebSocket แบบเรียลไทม์ของ SpaceXAI เอง และไม่มีสิ่งใดแทรกเข้าไปในเซสชันเสียงแบบดูเพล็กซ์ที่ผู้ขายรายเดียวเป็นเจ้าของได้ ส่วน Sesame Preview ก็ไม่มีปลายทางให้เราเตอร์ส่งต่อไปถึงเลยด้วยซ้ำ การพูดเป็นอย่างอื่นก็เท่ากับบรรยายถึงความสามารถที่ไม่มีอยู่จริง และหมวดหมู่นี้ก็เต็มไปด้วยแพลตฟอร์มที่ทำแบบนั้นเป๊ะ ๆ

สิ่งที่สามารถกำหนดเส้นทางได้คือเลเยอร์ที่ทั้งสองผลิตภัณฑ์พึ่งพาอย่างเงียบ ๆ เอเจนต์ของ Sesame ค้นหาเว็บระหว่างการสนทนาและส่งสรุปในภายหลัง อาร์เรย์เครื่องมือของ Grok Voice 3.0 เข้าถึงแบ็กเอนด์ใดก็ตามที่ตอบสนอง และสิ่งใดที่หนักกว่าการเรียกแบบอินไลน์จะกลายเป็นคำขอโมเดลข้อความที่อยู่เบื้องหลังการสนทนา งานนั้นถูกวัดตามคำขอ เป็นจุดที่ค่าใช้จ่ายต่อการเรียกส่วนสำคัญสะสม และเป็นครึ่งหนึ่งของผลิตภัณฑ์เสียงที่คุณสามารถคงไว้ได้ในขณะที่โมเดลเสียงด้านล่างเปลี่ยนแปลง — ซึ่งเมื่อพิจารณาว่า grok-voice-latest/ ได้เปลี่ยนไปสองครั้งในหนึ่งไตรมาสแล้ว เป็นคุณสมบัติที่ควรค่าแก่การมี สองร้อยเจ็ดโมเดลจากผู้ให้บริการต้นทางกว่าสิบรายเบื้องหลังคีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่มีมาร์กอัป, พร้อมการสลับไปใช้สำรองอัตโนมัติเมื่อผู้ให้บริการเสื่อมประสิทธิภาพ, DSL สำหรับกำหนดเส้นทางเพื่อประกอบหลายโมเดลเป็นการเรียกเดียว, และการรวมโมเดลเมื่อการตัดสินใจของโมเดลเดียวไม่เพียงพอ เพราะไม่มีมาร์กอัป การลดราคาของผู้ขายสำหรับโมเดลใด ๆ เหล่านั้นจะมีผลที่นี่ในวันเดียวกัน

คำแนะนำนี้ แยกตามว่าคุณเป็นใคร

หากคุณเป็นผู้บริโภคที่ต้องการเสียงสนทนาที่ฟังดูดีที่สุดที่มีอยู่ในปัจจุบัน และไม่มีแผนจะผสานรวมสิ่งใด ๆ Sesame Preview นั้นฟรี มีให้ใช้บนแพลตฟอร์มมือถือทั้งสองแห่ง ชื่อเสียงของมันสมควรได้รับการยอมรับมากพอที่นักรีวิวจะยืนยันกันอย่างต่อเนื่อง และไม่มีสิ่งใดในบทความนี้เปลี่ยนข้อเท็จจริงนั้น ใช้มันและเพลิดเพลินไปกับมันได้เลย

ถ้าคุณกำลังสร้างระบบอยู่ การตัดสินใจเกิดขึ้นแล้ว และเหตุผลเบื้องหลังก็ควรค่าแก่การซึมซับไว้ คุณไม่สามารถเรียก Sesame Preview คุณไม่สามารถปักหมุดเสียงของมันไว้ และคุณไม่สามารถวัดประสิทธิภาพมันเทียบกับสิ่งใดได้ — ดังนั้นทุกบทสนทนาเรื่องการจัดซื้อที่เกี่ยวกับมันจึงจบลงที่จุดเดิมเสมอ ซึ่งก็คือการทดสอบการฟังระหว่างสองตัวเลือกที่ไม่มีฝ่ายใดให้คะแนนได้ G​rok Voice 3.0 ให้ตารางราคา สตริงโมเดลแบบระบุเวอร์ชัน ทรานสคริปต์ เอนด์พอยต์สำหรับโคลนเสียง และคะแนนบนบอร์ดที่คุณโต้แย้งได้ สิ่งแรกที่ควรทำกับมันคือปักหมุดเวอร์ชันของคุณไว้ เพราะ alias ถูกย้ายมาที่มันแล้วโดยไม่ถาม

และหากคุณเป็นนักวิจัยที่ต้องการความล้มเหลวที่น่าสนใจ สรุปอย่างตรงไปตรงมาของการจับคู่นี้ก็คือ หมวดหมู่นี้ได้พิสูจน์แล้วว่าสามารถสร้างเสียงที่ควรค่าแก่การฟังได้ และยังไม่ได้ตัดสินใจว่าเสียงนั้นควรซื้อได้ในรูปแบบใดก็ตามที่ไม่ใช่แอปหรือไม่ Sesame สร้างประสบการณ์ที่ดีกว่าและปิดมันไว้ S​paceXAI สร้างคอมโพเนนต์ที่ดีกว่าและเปิดเผยตัวเลขนั้น คอยจับตาดูเวอร์ชันของ Sesame ที่มี API — นั่นคือการเปิดตัวที่จะทำให้หน้านี้ล้าสมัย

ช่องว่างระหว่างสิ่งที่สกอร์บอร์ดวัดค่าได้กับสิ่งที่การนำไปใช้งานจริงต้องเผชิญ คือเหตุผลที่บันทึกนี้มีความสำคัญคลังเหตุการณ์ AI ของ OrcaRouter ซึ่งเป็นที่รวบรวมความล้มเหลวของ AI และเหตุการณ์ที่เกิดกับเอเจนต์ของโมเดลในระดับนี้ที่ได้รับการบันทึกไว้ โดยแต่ละรายการมีแหล่งอ้างอิงของตัวเอง มีระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้งกำกับไว้