Phonic 1 กับ Sesame Preview: ปัญหาเสียงเงียบที่แก้ไขด้วยสองวิธีที่ตรงกันข้าม

Phonic 1และSesame Preview ต่างก็ถูกขายในฐานะโมเดลเสียงสนทนา และทั้งสองไม่ได้มุ่งเป้าไปที่การใช้งานเดียวกัน Phonic 1 — ผู้จำหน่ายสะกดชื่อเป็น Phonic-1 — เป็นเอนด์พอยต์แบบ speech-to-speech ในราคา $0.07 ต่อนาที ซึ่งเปิดให้ใช้งานเชิงพาณิชย์เมื่อวันที่ 29 ตุลาคม 2026 และขึ้นสู่อันดับหนึ่งบน Speech to Speech Index ของ Artificial Analysis ทันทีด้วยคะแนน 87.1 Sesame Preview คือแอปคู่หูฟรีที่อยู่เบื้องหลังเสียงของ Maya, Miles, Simone และ Charlie: ไม่มี API สาธารณะ ไม่มีตารางราคา ไม่มีชื่ออยู่ในอันดับใด ๆ บนกระดานจัดอันดับอิสระ และมีแผนที่ระบุไว้ว่าจะขายแว่นตาให้คุณในปี 2027 เมื่อนำสองชื่อนี้มาไว้ในประโยคเดียวกัน สิ่งแรกที่เห็นได้ชัดคือมีเพียงชื่อเดียวเท่านั้นที่ซื้อได้

สิ่ง zweiten ที่หลุดออกมานั้นน่าสนใจกว่า ทั้งสองผลิตภัณฑ์ ภายใต้เปลือกการตลาดแล้ว ล้วนเป็นคำตอบต่อความอับอายเล็ก ๆ อย่างเดียวกัน นั่นคือความเงียบครึ่งวินาทีขณะที่เครื่องกำลังตัดสินใจว่าจะพูดอะไร Phonic โจมตีปัญหานี้ด้วยการทำงานให้เสร็จก่อนที่ผู้โทรจะพูดจบ ส่วน Sesame โจมตีด้วยการเก่งขึ้นในการรู้ว่าผู้โทรพูดจบเมื่อใดจริง ๆ ทั้งสองอย่างนี้เป็นการเดิมพันทางวิศวกรรมที่แตกต่างกันจริง ๆ ถูกวัดด้วยเครื่องมือที่ไม่ทับซ้อนกัน และการเลือกระหว่างสองสิ่งนี้ก็ขึ้นอยู่กับว่าผลิตภัณฑ์ของคุณพึ่งพาการเดิมพันใด ไม่ได้มาจากตาราง benchmark

แต่ละอย่างคืออะไรกันแน่ ก่อนที่การเปรียบเทียบจะเริ่มคลุมเครือ

Phonic 1 เป็นโมเดลเสียงพูดแบบครบวงจร รับเสียงเข้าและส่งเสียงออก โดยไม่มีลำดับขั้นตอนแปลงเสียงเป็นข้อความ แล้วคิด แล้วจึงพูดมาคั่นกลาง มาพร้อมกับ SDK สำหรับ TypeScript และ Python, CLI และตัวสร้างเอเจนต์แบบไม่ต้องเขียนโค้ด, ภาษาที่มีเอกสารรองรับ 51 ภาษา พร้อมการสลับภาษาในระหว่างบทสนทนาที่คงเอกลักษณ์ของผู้พูด, การตั้งค่าintelligence_level ที่มีเอกสารระบุไว้ ซึ่งค่าเริ่มต้นคือ standard และสามารถปรับให้เป็น high, และข้อกำหนดสำหรับองค์กรที่รวมถึง SOC 2 Type II, HIPAA BAA, การไม่เก็บข้อมูล (zero data retention) และ SLA ความพร้อมใช้งาน 99.9% จำหน่ายแบบคิดตามนาทีในสามระดับ และบริษัทที่อยู่เบื้องหลังมีคนราวสิบคนจาก MIT และ Stanford ซึ่งระดมทุน Series A ได้ 27.5 ล้านดอลลาร์ โดยมี First Round เป็นผู้นำ

Sesame Preview ไม่ใช่โมเดลที่คุณเช่าใช้ แต่เป็นผลิตภัณฑ์สำหรับผู้บริโภค — แอป iOS และเว็บแอปที่ใช้งานฟรี เปิดตัวใน 39 ประเทศตั้งแต่ปลายเดือนพฤษภาคม 2026 ประกอบด้วยเอเจนต์ที่มีชื่อสี่ตัวซึ่งมีความจำถาวร การค้นหาเว็บแบบขนานที่ทำงานระหว่างประโยค การจดบันทึก โหมดส่งข้อความ และโหมดไม่ระบุตัวตน เป้าหมายที่ Sesame เปิดเผยไว้คือเวลาเสียงแรกต่ำกว่า 300 มิลลิวินาที และบริษัทได้เปิดเผยต่อสาธารณะอย่างตรงไปตรงมาว่าโมเดลนี้ยัง "กระตือรือร้นเกินไปและมักไม่เหมาะสม" ในด้านน้ำเสียงและจังหวะ ไม่มีระดับสำหรับองค์กรและไม่มีทางได้รับสิทธิ์ใช้งานเสียงเวอร์ชันพร้อมใช้งานจริง

สิ่งเดียวที่นำชื่อ Sesame ลงสู่บิลด์ได้จริง ๆ คือ Sesame CSM-1B ซึ่งเผยแพร่ภายใต้ Apache 2.0 เมื่อวันที่ 13 มีนาคม 2025 เป็นโมเดลเสียงพูดเพื่อการสนทนาขั้นพื้นฐานที่เน้นภาษาอังกฤษเป็นหลัก สร้างขึ้นเพื่อสร้างโทเค็นเสียง Mimi โดยอิงเงื่อนไขจากเทิร์นก่อนหน้า มันไม่ใช่เสียงในแอป: ตัวละคร Preview มาจากการไฟน์ทูนที่คัดสรรและทีมนักพากย์ที่ไม่เคยเผยแพร่ ผู้รีวิวที่ได้ลองทั้งสองแบบอธิบายว่าเช็กพอยต์แบบเปิดนั้นฟังดูอ่อนกว่าแอปอย่างเห็นได้ชัด ซึ่งทำให้ "แค่โฮสต์โมเดล Sesame เอง" เป็นผลิตภัณฑ์ที่แตกต่างออกไป ไม่ใช่ทางลัดที่ปลอดค่าลิขสิทธิ์

การโจมตีสองครั้งในครึ่งวินาทีเดียวกัน

คำกล่าวอ้างตอนเปิดตัวของ Phonic เป็นสิ่งที่จับต้องได้ชัดเจนที่สุดในหมวดหมู่นี้ โดยระบุว่า Phonic-1 เป็นโมเดลเดียวที่สามารถลงมือทำได้ขณะที่ผู้โทรยังพูดอยู่ ในการสาธิตที่บริษัทเผยแพร่ โมเดลยิงการเรียกเครื่องมือทั้งห้าครั้งกลางประโยคและตอบกลับภายใน 1.1 วินาทีหลังจากผู้โทรหยุดพูด บนสคริปต์เดียวกันนั้น มันวัด GPT-Live-1 ไว้ที่ 15.7 วินาที ควรอ่านสิ่งนี้เป็นการสาธิตการออกแบบ ไม่ใช่ benchmark เพราะเป็นงานที่ผู้ขายเลือกเองบนสคริปต์ที่ผู้ขายเลือกเอง แต่ประเด็นอยู่ที่การออกแบบ หากการค้นหาข้อมูลเสร็จสิ้นแล้วก่อนที่เทิร์นจะจบ โมเดลก็ไม่จำเป็นต้องเก่งกาจในการทำนายจุดสิ้นสุดของเทิร์นเลย แค่ต้องไม่เข้าไปขวางทางก็เพียงพอ

Sesame ไปอีกทางหนึ่ง และเปลี่ยนการคาดการณ์นั้นให้กลายเป็นโครงการวิจัยในตัวเอง ในเดือนสิงหาคม 2026 บริษัทได้เผยแพร่ TurnBench ซึ่งเป็นเบนช์มาร์กแบบเปิดสำหรับพลวัตการผลัดกันพูด: บทสนทนาแบบสองช่องสัญญาณที่บันทึกในสตูดิโอ 30 ชั่วโมง, บทสนทนา 154 รายการ, นักพากย์เสียง 106 คนในหกรูปแบบการพูด, ติดป้ายกำกับโดยผู้ติดป้ายกำกับสามคนด้วยค่า Fleiss' kappa 0.78, ให้คะแนนจากรีคอลภายใต้อัตราผลบวกลวงที่กำหนดเพดานไว้ พร้อมความหน่วงแบบมีเครื่องหมาย ณ ค่ามัธยฐาน ข้อค้นพบหลักคือสิ่งที่ควรจดจำไว้: ผู้พูดที่เป็นมนุษย์เริ่มส่งต่อผลัดการพูด โดยค่ามัธยฐานอยู่ที่ 151 ms ก่อนที่อีกฝ่ายจะหยุดพูด และไม่มีระบบใดในวงการที่ทำได้เท่ากันภายใต้เพดานผลบวกลวง ตัวตรวจจับเชิงความหมายมีความเลือกสูงและช้า ส่วนตัวตรวจจับเชิงเสียงนั้นเร็วและมีสัญญาณรบกวนมาก ไม่มีระบบใดทำได้ทั้งสองอย่างพร้อมกัน

นี่คือทางแยกบนเส้นทาง พูดให้ชัด ๆ ก็คือ Sesame กำลังพยายามปิดช่องว่างระหว่าง 151 ms ของการคาดการณ์ล่วงหน้าของมนุษย์ กับ 368 ms ถึง 1,234 ms ที่ตัวตรวจจับที่ดีที่สุดทำได้ ส่วน Phonic กำลังพยายามทำให้ช่องว่างนั้นไม่สำคัญ ด้วยการตัดงานที่ใช้เติมเต็มช่องว่างนั้นออก ทั้งสองแนวทางล้วนสมเหตุสมผล แต่มีเพียงแนวทางเดียวเท่านั้นที่พร้อมให้คุณใช้เป็นปลายทางได้ในวันนี้ และมันไม่ใช่แนวทางที่เผยแพร่ผลทดสอบมาตรฐาน

คณะกรรมการที่ให้คะแนนหนึ่งในนั้น — และคนที่มันกันออกไป

ดัชนี Speech to Speech ของ Artificial Analysis เป็นคอมโพสิตอิสระเพียงรายเดียวในวงการ และ Phonic 1 ครองอันดับสูงสุด ณ เวลาที่เขียนนี้ แถวที่สำคัญ:

• Phonic 1 (High) — ดัชนี 87.1 เป็นอันดับแรก; เวลาถึงเสียงแรก 0.61 วินาที; $4.20 ต่อชั่วโมงของเสียงอินพุต

• Grok Voice 3.0 — 86.9; 0.81 s; $4.80 ต่อชั่วโมง

• GPT-Live-1 (Astra, ระดับกลาง) — 83.2; 1.34 วินาที; $5.83 ต่อชั่วโมง

• Gemini 3.8 Live Extended Thinking (High) — 82.6; 1.35 วินาที; $3.50 ต่อชั่วโมง

• Eleven Realtime v1 Max — 77.3; 0.57 วินาที; $4.80 ต่อชั่วโมง

สังเกตแถวสุดท้าย Eleven Realtime v1 Max เร็วกว่าในการไปถึงเสียงแรกเมื่อเทียบกับ Phonic 1 — 0.57 วินาที เทียบกับ 0.61 วินาที — และอยู่ต่ำกว่า 9.8 จุดดัชนี เวลาไปถึงเสียงแรกไม่ใช่การแข่งขันที่ Phonic ชนะ Phonic ชนะคะแนนรวม ซึ่งยังชั่งน้ำหนักการให้เหตุผลด้านเสียง พฤติกรรมงานแบบเอเจนต์ ความชอบของมนุษย์ และความสำเร็จของงาน ใครที่อ้าง "เร็วที่สุด" จากคอลัมน์เดียวก็กำลังอ้างคอลัมน์ผิด

ตอนนี้มาถึงความไม่สมมาตร บนตารางจัดอันดับนั้นไม่มีแถวของ Sesame Preview และไม่มีทางที่แถวหนึ่งจะปรากฏขึ้นได้ เพราะดัชนีนี้รันโมเดลผ่านฮาร์เนส API และ Sesame Preview ไม่มี API เครื่องมือของ Sesame เองก็ไม่ได้อุดช่องว่างนี้เช่นกัน TurnBench เผยแพร่โดย Sesame และ ณ เวลาที่เขียนนี้ ยังไม่มีรายการของ Sesame อยู่ในนั้น — บอร์ดดังกล่าวแสดงรายชื่อโมเดล voice activity projection, ESPnet, semantic VAD ของ Kyutai, Gemini 3.1 Live, OpenAI Realtime และ Moshi แต่ไม่แสดงเสียงระดับโปรดักชันของบริษัทเอง นั่นไม่ใช่เรื่องอื้อฉาว การเป็นผู้สร้าง benchmark กับการส่งผลเข้า benchmark เป็นคนละการกระทำ และแอปคู่หูก็ไม่มีเอนด์พอยต์ที่มั่นคงให้ชี้ให้ตัวให้คะแนนได้ แต่มันหมายความว่าตัวเลขพาดหัวสองตัวในการเทียบครั้งนี้ — 87.1 ในฝั่งหนึ่ง ต่ำกว่า 300 มิลลิวินาทีในอีกฝั่ง — ไม่ใช่ข้อกล่าวอ้างประเภทเดียวกัน ตัวหนึ่งถูกวัดโดยบุคคลที่สามบนฮาร์เนส อีกตัวเป็นเป้าหมายที่ผู้ขายระบุเกี่ยวกับผลิตภัณฑ์ที่ไม่มีใครนอกบริษัทได้ติดตั้งเครื่องมือวัด

คอลัมน์ที่ Phonic 1 เป็นฝ่ายแพ้ โดยอิงหลักฐานจาก Phonic เอง

หากเหตุผลที่คุณกำลังดู Sesame Preview คือมันฟังดูเหมือนคน การเปรียบเทียบนี้ก็มีคำตอบที่ชวนอึดอัด และคำตอบนั้นมาจากสื่อประชาสัมพันธ์ของ Phonic เอง ไม่ใช่จากนักวิจารณ์

Phonic ได้ว่าจ้าง Podonos ซึ่งเป็นบริการทดสอบการฟังจากบุคคลที่สาม ให้ทำการทดสอบการฟังแบบเปรียบเทียบทีละคู่โดยไม่ระบุชื่อ และรายงานผลในโพสต์เปิดตัวของบริษัท Phonic-1 ได้รับความชื่นชอบมากกว่า GPT-Live-1 ที่ 61.5% ต่อ 32.0% มากกว่า Grok Voice 3 ที่ 66.5% ต่อ 26.5% และมากกว่า Eleven v4 Turbo ที่ 78.0% ต่อ 14.0% พาดหัวข่าวที่บริษัทเลือกใช้เป็นข้อความที่พวกเขาแพ้ นั่นคือ นักพากย์เสียงมนุษย์ได้รับความชื่นชอบมากกว่า Phonic-1 ที่ 57.0% ต่อ 32.0% ซึ่งโพสต์ดังกล่าวอธิบายว่ามนุษย์ชนะประมาณ 60% ของเวลา และยังมีช่องว่างอีกมากให้พัฒนา ตัวเลขเหล่านี้เป็นตัวเลขที่ผู้ขายว่าจ้างและผู้ขายรายงานเอง และยังไม่มีใครตรวจสอบซ้ำอย่างเป็นอิสระ แต่ถึงอย่างนั้นมันก็เป็นตัวเลขของผู้ขายเอง และพวกเขาบอกว่า Phonic 1 เป็นเสียงสังเคราะห์ที่ดีที่สุดในกลุ่มที่นำมาเปรียบเทียบ และยังไม่ใช่มนุษย์

ข้อมูลความชอบที่เป็นอิสระชี้ไปในทางเดียวกัน ใน Speech Agent Arena ซึ่งเป็นแหล่งข้อมูลที่ป้อนเข้าสู่คะแนนรวมนั้น Phonic 1 อยู่อันดับที่ 8 จาก 30 ในด้านความชอบของผู้ฟังที่ Elo 1,012 ขณะที่อยู่อันดับที่ 4 ในด้านความสำเร็จของงานที่ 92.3% โมเดลที่ครองอันดับสูงสุดของดัชนีไม่ใช่โมเดลที่ผู้ฟังอยากพูดคุยด้วยมากที่สุด นั่นคือความแตกแยกแบบเดียวกับที่เราเห็นใน Grok Voice 3.0 จากอีกด้านหนึ่ง — xAI ครองเวทีแต่แพ้ในหมวด agentic — และนี่คือเหตุผลเชิงโครงสร้างที่ทำให้การเผชิญหน้าแบบตัวต่อตัวระหว่างสองตัวนี้ไม่สามารถตัดสินได้ด้วยตัวเลขเพียงตัวเดียว

ในขณะเดียวกัน ชื่อเสียงของ Sesame ก็ตั้งอยู่บนคอลัมน์นั้นเพียงอย่างเดียว และไม่มีอะไรที่เข้มงวดกว่านั้นมารองรับ เดโมของ Maya และ Miles กลายเป็นไวรัลในเดือนกุมภาพันธ์ 2025 จากเสียงหายใจ ความลังเล การแก้ไขคำพูดของตัวเอง และเสียงหัวเราะ และข้อกล่าวอ้างที่แพร่กระจายออกไปคือผู้ฟังไม่สามารถแยกเสียงเหล่านั้นออกจากเสียงมนุษย์ได้อย่างน่าเชื่อถือในคลิปสั้น นั่นเป็นความประทับใจที่เกิดขึ้นจากผู้ฟัง ไม่ใช่การทดสอบที่ให้คะแนน และมันไม่เคยถูกนำมาอยู่ในห้องเดียวกับ Phonic 1 เลย ไม่มีงานทดลองที่ตีพิมพ์ออกมาใดที่ให้ผู้ฟังได้ฟัง Sesame Preview และ Phonic 1 ต่อเนื่องกันติด ๆ ใครก็ตามที่บอกคุณว่าตัวไหนฟังดูดีกว่า กำลังบอกคุณว่าพวกเขาเคยได้ยินตัวไหนมา

หนึ่งนาทีมีต้นทุนเท่าไร และทำไมนาทีจึงเป็นหน่วยที่ผิด

ตารางราคานั้นสั้นและไม่สมดุล:

• Phonic 1 — $0.07 ต่อนาทีใน Starter โดยไม่มีขั้นต่ำ สายสนทนาพร้อมกัน 10 สาย เอเจนต์ 10 ราย และ 3 ที่นั่ง; $0.065 ต่อนาทีใน Pro โดยมีขั้นต่ำรายเดือน $200 ประมาณ 3,100 นาที พร้อมสายสนทนาพร้อมกัน 50 สาย; Enterprise แบบกำหนดเอง ผู้สมัครก่อนวันที่ 30 พฤศจิกายนรับเครดิต $250 และลูกค้าที่ย้ายออกจาก cascade รับฟรีสามเดือน

• Sesame Preview — $0 ไม่คิดตามนาที ไม่คิดตามจำนวนที่นั่ง ไม่คิดต่อเอเจนต์ ฟรีในแอป

• Sesame CSM-1B — น้ำหนักโมเดลนั้นฟรี แต่ค่าใช้จ่ายที่แท้จริงคือชั่วโมง GPU ของคุณ บวกกับเวลาทางวิศวกรรมในการประกอบระบบการผลัดกันพูด (turn-taking) การปรับเงื่อนไขตามบริบท (context conditioning) และโมเดลภาษาขึ้นรอบเช็กพอยต์ที่ไม่สามารถสร้างข้อความได้ด้วยตัวเอง

การเปรียบเทียบอย่างมีประสิทธิผลจะทำให้กรอบคิดแบบคิดตามนาทีพังทลายลง หนึ่งหมื่นนาทีต่อเดือนบน Phonic 1 Starter คิดเป็น $700 ซึ่งเป็นเศษเสี้ยวที่แทบไม่มีนัยสำคัญสำหรับคอลเซ็นเตอร์ และเป็นงบประมาณจริงจังสำหรับโปรเจกต์ข้างเคียง Sesame ไม่เรียกเก็บเงินเลย เพราะ Sesame ไม่ได้ขายนาที — แต่ขายกิจวัตรประจำวันก่อนการเปิดตัวแว่นตาในปี 2027 และกิจวัตรนั้นสร้างรายได้ต่อคน ต่อปี จากฮาร์ดแวร์ ไม่ใช่ต่อนาทีของเสียง การเปรียบเทียบเรตการ์ดกับแอปฟรี ก็เหมือนการเปรียบเทียบซัพพลายเออร์กับป้ายโฆษณา

ซึ่งเหลือคำถามเรื่องต้นทุนในฉบับที่ตรงไปตรงมา: ต้องเสียค่าใช้จ่ายเท่าไรในการส่งมอบ? สำหรับ Phonic 1 คำตอบคือสัญญาหนึ่งฉบับ เว็บซ็อกเก็ตหนึ่งรายการ และการเรียกพร้อมกันสิบครั้งใน Starter เว้นแต่คุณจะจ่ายสำหรับ Pro สำหรับ Sesame Preview คำตอบคือไม่มีตัวเลข เพราะยังไม่มีข้อเสนอ สิ่งที่ใกล้เคียงที่สุดกับ Sesame ที่พร้อมส่งมอบคือ CSM-1B และสิ่งที่ CSM-1B มีใกล้เคียงที่สุดกับตารางราคาคือใบแจ้งหนี้ค่า GPU

ผู้ซื้อสามราย สามคำตอบที่ต่างกัน

คุณกำลังย้ายปริมาณการโทรออกจากระบบแบบ cascade และการโทรเหล่านั้นต้องสำเร็จลุล่วง Phonic 1 และกรณีนี้คือคอลัมน์ agentic ไม่ใช่แบบคอมโพสิต การเรียกเครื่องมือที่ทำงานก่อนที่ผู้โทรจะหยุดพูดคือความแตกต่างระหว่างเอเจนต์ที่จองนัดหมายได้ กับเอเจนต์ที่ทำให้ผู้โทรต้องพูดซ้ำ ค่าใช้จ่าย $0.07 นั้นถูกเมื่อเทียบกับต้นทุนของการโทรรับสายที่ล้มเหลว และเพดานการทำงานพร้อมกันคือสิ่งที่ต้องกำหนดขนาดก่อนที่คุณจะตัดสินใจลงมือ

ผลิตภัณฑ์ของคุณคือเสียงของมัน ไม่ว่าจะเป็นเพื่อนคู่ใจ โค้ช ติวเตอร์ หรือเสียงของแบรนด์ — อะไรก็ตามที่เหตุผลที่ผู้ใช้ยังอยู่ต่อคือตัวเสียงเอง Sesame Preview เป็นจุดอ้างอิง และ Phonic 1 ยังไม่ใช่คำตอบ: ในการทดสอบแบบปกปิดชื่อที่ผู้ขายจัดขึ้นเอง มนุษย์เอาชนะได้เกือบสองต่อหนึ่ง แต่จุดอ้างอิงนั้นไม่สามารถซื้อได้ ตัวเลือกที่ทำได้จริงจึงมีสองทาง คือโมเดลเสียงที่ได้รับไลเซนส์ซึ่งมีคะแนนความชอบที่วัดแล้ว หรือไม่ก็ CSM-1B และงานวิศวกรรมของคุณเองอีกจำนวนมาก

คุณต้องการการแยกส่วนนี้ — เสียงพูดสไตล์ Sesame พร้อมแบ็กเอนด์แบบเอเจนต์ นี่คือการผสมผสานที่แผนที่เส้นทางของทั้งสองบริษัทชี้ไป และไม่มีบริษัทใดขายมัน เวอร์ชันที่สร้างได้จริงคือ CSM-1B หรือโมเดลเสียงพูดแบบเปิดอื่น ๆ สำหรับส่วนเสียง และโมเดลข้อความทั่วไปที่อยู่เบื้องหลังสำหรับการคิด ซึ่งคุณเป็นคนเชื่อมต่อเข้าด้วยกัน ขั้นตอนข้อความนั้นคือการอนุมานแชตธรรมดา ซึ่งเป็นชั้นที่ API เดียวสำหรับโมเดล 200+ ตัว โดยบวกเพิ่ม 0% ใช้ได้จริง: คีย์เดียวสำหรับส่วนการให้เหตุผล ราคาตามรายการของผู้ให้บริการที่ส่งผ่านไปโดยไม่เปลี่ยนแปลง, DSL สำหรับกำหนดเส้นทางเพื่อส่งข้อความสนทนาแบบผลัดกันพูดและการให้เหตุผลที่เน้นนโยบายไปยังโมเดลที่ต่างกันภายในการเรียกครั้งเดียว และการสลับไปใช้ตัวสำรองอัตโนมัติ เพื่อให้การสะดุดของผู้ให้บริการไม่ทำให้บทสนทนาจบลง ทั้ง Phonic 1 และ Sesame Preview ต่างไม่อยู่ในแคตตาล็อกนั้น — Phonic 1 เพราะเป็นปลายทางแบบผู้ขายรายเดียว และ Sesame Preview เพราะไม่มีปลายทางให้กำหนดเส้นทาง — ดังนั้นนี่จึงเป็นคำกล่าวเกี่ยวกับครึ่งหนึ่งของสแตกที่คุณประกอบขึ้นเอง ไม่ใช่ข้ออ้างเกี่ยวกับโมเดลใดข้างต้น

อะไรจะทำให้คำตอบนี้เปลี่ยนไป

สามสิ่ง โดยเรียงลำดับความเป็นไปได้จากน้อยไปมาก

Phonic เผยแพร่ตัวเลขผลการทดสอบการฟังสำหรับมาตรฐานซึ่งเป็นการตั้งค่าระดับความฉลาด ทุกคะแนนในบทความนี้ รวมถึง 87.1 และ 0.61 วินาที ถูกสร้างขึ้นที่ระดับสูง API กำหนดค่าเริ่มต้นเป็นระดับมาตรฐาน ซึ่งระบุว่าเป็นโหมดที่มีความหน่วงต่ำกว่า และยังไม่มีใครเผยแพร่ว่าการกำหนดค่านี้ส่งผลต่อคุณภาพหรือเวลาถึงเสียงแรกอย่างไร การผสานรวมที่ไม่เคยแตะการตั้งค่านี้กำลังใช้งานรูปแบบที่ยังไม่ได้วัด

Sesame เปิดเอนด์พอยต์ หรือนำเสียงที่ใช้งานจริงของตนเองขึ้นบอร์ดการผลัดกันพูดของตนเอง ไม่ว่าจะทำอย่างใด สิ่งนี้ก็จะเปลี่ยนจากการเปรียบเทียบผลิตภัณฑ์กับชื่อเสียง มาเป็นการเปรียบเทียบสองสิ่งที่วัดค่าได้ ทั้งสองอย่างไม่มีอยู่ในโรดแมปที่ Sesame อธิบายไว้ ซึ่งไล่ลำดับผ่าน Android แล้วต่อไปยังแว่นตาอัจฉริยะในปี 2027

มีคนรันทั้งสองระบบในห้องเดียวกัน การทดสอบแบบปิดตาครั้งเดียวด้วยเสียงเวอร์ชันโปรดักชันของ Sesame Preview และ Phonic 1 บนพรอมป์ต์ชุดเดียวกันจะคลี่คลายคำถามเรื่องความเป็นธรรมชาติได้ภายในบ่ายวันเดียว และคนที่ไม่ได้ทำงานที่ Sesame ไม่สามารถรันการทดสอบนี้ได้ เพราะหนึ่งในสองระบบนั้นคนนอกไม่สามารถเข้าถึงได้

จนกว่าหนึ่งในนั้นจะเกิดขึ้น การตีความที่มีเหตุผลรองรับคือนี้: {{1}}Phonic 1{{/1}} เป็นหนึ่งเดียวในสองตัวที่คุณนำไปใช้งานได้ มันขึ้นนำในคะแนนรวมอิสระเพียงชุดเดียวที่ให้คะแนนทั้งสองตัว มันชนะในข้อเดิมพันเรื่องงานที่ทำเสร็จก่อนจบเทิร์น และเมื่อวัดผลแล้ว มันยังไม่ใช่เสียงมนุษย์ {{2}}Sesame Preview{{/2}} คือสิ่งที่มีเสียงดีกว่าซึ่งคุณไม่สามารถมีได้ จากบริษัทที่ปัจจุบันไม่ได้อยู่ในธุรกิจขายมัน สิ่งเหล่านั้นไม่ใช่สองตัวเลือกในเมนูเดียวกัน มันคือซัพพลายเออร์รายหนึ่งกับเดโมหนึ่งตัว และยิ่งคุณเลิกเปรียบเทียบสเปกชีตของทั้งสองเร็วเท่าไร คุณก็ยิ่งตัดสินใจได้เร็วขึ้นเท่านั้นว่าผลิตภัณฑ์ของคุณต้องการตัวไหนจริง ๆ