Sesame Preview เทียบกับ NVIDIA NemotronLabs VoiceChat 11B: เสียงที่คุณไม่มีสิทธิ์ใช้ กับเสียงที่คุณปล่อยไม่ได้

โมเดลเสียงที่ถูกพูดถึงมากที่สุดสองรุ่นในปี 2026 มีจุดร่วมที่ไม่มีรายงานเปิดตัวใดกล่าวถึง: คุณไม่สามารถนำโมเดลใดโมเดลหนึ่งไปใส่ในผลิตภัณฑ์ได้ Sesame Preview คือผู้ช่วยผู้บริโภคฟรีที่เสียงสนทนาทำให้ TestingCatalog ยกย่องว่าเป็น "หนึ่งในโหมดเสียงที่ดีที่สุดในตลาด" และโมเดลโปรดักชันที่อยู่เบื้องหลังไม่มี API ไม่มีรหัสโมเดล และไม่มีใบอนุญาตให้ซื้อ — บริษัทก็แค่ยังไม่ปล่อยมันออกมา NVIDIA NemotronLabs VoiceChat 11B คือภาพสะท้อนกลับกัน: ค่าน้ำหนักเปิดเผยต่อสาธารณะ การออกแบบ full-duplex เป็นครั้งแรกอย่างแท้จริง และใบอนุญาตระบุว่าใช้เพื่อการวิจัยเท่านั้น ดังนั้นจึงไม่มีใครสามารถส่งมอบมันในเชิงพาณิชย์ได้อย่างถูกกฎหมายเช่นกัน หนึ่งคือเสียงที่คุณได้ยินได้แต่เช่าไม่ได้ อีกหนึ่งคือเสียงที่คุณถือครองได้แต่ขายไม่ได้ นี่คือการเปรียบเทียบประตูที่ถูกล็อกสองบาน และคำถามที่มีประโยชน์คือคุณกำลังยืนอยู่หน้าตัวล็อกตัวไหน

ประตูสองบานที่ถูกล็อก ด้วยแม่กุญแจที่ต่างกัน

เริ่มจากลักษณะโดยรวมของแต่ละตัว เพราะชื่อทำให้มองไม่เห็นว่าผลิตภัณฑ์ทั้งสองแตกต่างกันเพียงใด Sesame Preview เป็นแอป ไม่ใช่ API มาพร้อมกับเอเจนต์สี่ตัวที่มีบุคลิกแตกต่างกัน — Maya (อบอุ่นและสร้างสรรค์), Miles (สบายๆ และเฉียบแหลม), Simone (อยากรู้อยากเห็นและมีไหวพริบ), Charlie (ตลกและอบอุ่น) — แต่ละตัวมีเสียงและความทรงจำของตัวเองที่ซิงก์ระหว่างเว็บและมือถือเมื่อคุณลงชื่อเข้าใช้ มันค้นหาเว็บ ลงลึกในประเด็น จดบันทึกและเตือนความจำ และส่งสรุปหลังการโทรแต่ละครั้ง เวอร์ชันพรีวิวฟรี ไม่มีระดับเสียเงิน ใช้ภาษาอังกฤษเท่านั้น จำกัด 30 นาทีต่อการโทรเมื่อลงชื่อเข้าใช้ (5 นาทีหากไม่ได้ลงชื่อ) และตั้งใจไม่ลงมือทำงานจริง: มันจะช่วยระดมความคิดและค้นคว้า แต่จะไม่จองเที่ยวบินให้คุณ ไม่มีคีย์ API ใดๆ ในผลิตภัณฑ์นี้ — เสียงที่ใช้งานจริงเป็นฟีเจอร์ของแอป ไม่ใช่ endpoint

NVIDIA NemotronLabs VoiceChat 11B มีรูปร่างที่ตรงกันข้าม: มันคือ checkpoint ไม่ใช่ผลิตภัณฑ์ มันมาถึง Hugging Face เมื่อวันที่ 3 สิงหาคม 2026 โดยไม่มีการประกาศใดๆ — ไม่มีโพสต์เปิดตัว ไม่มีรายงานทางเทคนิค ไม่มีทวีต; การ์ดโมเดลคือการประกาศนั่นเอง มันเป็นโมเดลเสียงแบบฟูลดูเพล็กซ์ขนาด 11B พารามิเตอร์ (เราวิเคราะห์ส่วนหัวของ safetensors และนับได้ 11.095 พันล้านพารามิเตอร์จากเทนเซอร์ 1,626 ตัว) ที่สร้างขึ้นเป็นสแตกเดียว: ตัวเข้ารหัส Fast Conformer ที่ประมวลผลเสียง 16 kHz ในเฟรม 80 ms โดยไม่มีบริบททางขวาเลย, แกนหลัก Nemotron Nano 9B v2 ที่ทำหน้าที่ให้เหตุผล, ตัวถอดรหัส NVIDIA TTS ที่เขียนเสียง 22.05 kHz, ตัวถอดรหัส RNN-T ที่ถอดความผู้ใช้ และช่องเอาต์พุตแยกต่างหากที่ปล่อยสคริปต์เรียกใช้เครื่องมือโดยไม่ปนเปื้อนกับคำตอบที่พูดออกมา มันฟังและพูดไปพร้อมกัน ถูกขัดจังหวะกลางคำได้ และ NVIDIA โฆษณาว่ามันเป็นโมเดลโอเพนฟูลดูเพล็กซ์ตัวแรกที่มีการเรียกใช้เครื่องมือ คำโฆษณานั้นจะรอดพ้นจากการปะทะกับความเป็นจริงหรือไม่ คือหัวข้อของส่วนแยกต่างหากด้านล่าง

เกณฑ์มาตรฐานที่พวกเขาแยกทางกัน — สองผู้เข้าชิง'บทสนทนาที่ดีที่สุด' สองมาตรฐานหลักฐานที่บกพร่อง

ทั้งสองโมเดลทุ่มชื่อเสียงทั้งหมดไว้กับสิ่งเดียวกัน: คุณภาพของการสนทนา — การผลัดกันพูด การขัดจังหวะ จังหวะที่เป็นธรรมชาติ ความรู้สึกของการสนทนาจริง นั่นคือเหตุผลที่พวกเขาควรอยู่ในพาดหัวเดียวกัน และนั่นคือจุดที่การเปรียบเทียบเริ่มผิดปกติ เพราะไม่มีคู่แข่งคนใดที่สามารถให้คะแนนได้อย่างเหมาะสม

Sesame Preview ไม่มีตัวเลขใดๆ อยู่เลย โมเดลเวอร์ชันโปรดักชันยังไม่เปิดตัวและไม่มีการลงทะเบียน — ไม่มีรหัสโมเดล ไม่มีรายชื่อในลีดเดอร์บอร์ด speech-to-speech ของ Artificial Analysis ไม่มีเป้าหมาย latency ไม่มี benchmark ใดๆ ทั้งสิ้น การที่ TestingCatalog กล่าวว่า "หนึ่งในโหมดเสียงที่ดีที่สุดที่มีในตลาด" เป็นเพียงความเห็นพ้องของผู้รีวิว ไม่ใช่การวัดผลจริง และไม่มีทางที่จะ blind-A/B กับอะไรได้เลย โมเดล Sesame เพียงตัวเดียวที่ใครก็ตามสามารถรันได้อย่างอิสระคือ CSM-1B base แบบ open-weight และนั่นเป็น checkpoint ของ text-to-speech ไม่ใช่เสียงของแอป

NVIDIA NemotronLabs VoiceChat 11B มีปัญหาตรงกันข้าม: มีตัวเลขให้เห็น แต่ตัวเลขเหล่านั้นถูกแบ่งออกเป็นสองมาตรฐานหลักฐานที่ไม่เห็นพ้องต้องกัน NVIDIA รายงานว่าใช้เวลา 448 มิลลิวินาทีในการเล่นเทิร์นอย่างราบรื่น 480 มิลลิวินาทีในการยอมให้เมื่อถูกขัดจังหวะ และอัตราการแย่งคืนที่สมบูรณ์แบบที่ 1.0 ในการขัดจังหวะโดยผู้ใช้ — ทั้งหมดวัดโดยผู้จำหน่ายบน Full-Duplex-Bench 1.0 ของ NVIDIA เอง โดยไม่มีการทำซ้ำอย่างอิสระ การวัดผลอย่างอิสระของตระกูลนี้ถูกบันทึกไว้ภายใต้ชื่อและจำนวนพารามิเตอร์ที่แตกต่างกัน — "Nemotron 3 VoiceChat (V1)" ที่ 12B ซึ่งเป็นป้ายชื่อที่ NVIDIA ไม่เคยทำให้สอดคล้องกับเช็คพอยต์ 11B บน Hugging Face — และผลออกมาไม่ดีในด้านความเข้าใจ: 29.2% บน Big Bench Audio ตามการวิเคราะห์ของ Artificial Analysis เทียบกับ 37.0% บนการ์ดของ NVIDIA เอง บน VoiceBench ตระกูลนี้ทำคะแนนได้ 58.10 ซึ่งเป็นผลลัพธ์แบบ open full-duplex ที่ดีที่สุดในตาราง ดังนั้น โมเดลเดียวกันนี้จึงเป็นผู้นำในกลุ่ม open full-duplex checkpoints ในเวลาเดียวกัน แต่ตามหลังผู้นำแบบ hosted realtime อยู่ประมาณสามต่อหนึ่งในด้านความเข้าใจสิ่งที่ได้ยิน

ความแตกต่างจึงไม่ใช่ว่าอันไหนดีกว่า หากแต่เป็นว่าผู้เข้าชิงสองรายสำหรับบทสนทนาที่ดีที่สุดแห่งปี 2026 กำลังถูกตัดสินบนหลักฐานที่ตรงข้ามกันและไม่สมบูรณ์พอเท่าๆ กัน เสียงที่ผู้วิจารณ์บอกว่ารู้สึกเหมือนมนุษย์ที่สุดนั้นไม่มีตัววัดใดๆ เลย ขณะที่เสียงที่มีรายชื่อบนลีดเดอร์บอร์ดจริงๆ กลับเป็นเสียงที่จุดอ่อนถูกเปิดเผยต่อสาธารณะ คุณไม่สามารถเปรียบเทียบชื่อเสียงกับตัวเลขได้ และที่นี่มีตัวเลขเพียงตัวเดียว — และมันไม่ใช่ตัวเลขที่ดูดี

การเข้าถึง — การดาวน์โหลดจากแอปสโตร์ หรือบิลด์ขนาด 80 GB

ถ้าคุณอยากลองอันใดอันหนึ่ง จุดเริ่มต้นจะแตกต่างกันในแบบที่สำคัญกว่าสเปคใดๆ

Sesame Preview is a download. The official page reads "Preview available now on iOS and Android," and the Android build has been rolling out since mid-July (the Android beta added image upload and voice memos). There is no API key anywhere. A developer who wants Sesame's actual voice has nothing to call — the only Sesame model reachable through an API is the open-weight CSM-1B base, listed at $7 per million characters, and that is the architecture behind the app, not the app's voice: a text-to-speech checkpoint with a 4K context window and no conversational abilities of its own.

NVIDIA NemotronLabs VoiceChat 11B ไม่ใช่ไฟล์ดาวน์โหลดที่คุณจะเรียกใช้ได้ทันทีเช่นกัน — มันเป็นสิ่งที่ต้องประกอบตั้งขึ้นมาเอง Hugging Face ระบุว่าโมเดลนี้ "ไม่ได้ถูกปรับใช้โดย Inference Provider ใด ๆ"; NVIDIA ก็ไม่ได้โฮสต์มันไว้; และ config.json ในรีโพซิทอรีเป็น NeMo training config ดังนั้นจึงไม่มี Transformers checkpoint ที่คุณจะชี้ AutoModel ไปได้ เส้นทางที่รองรับคือสภาพแวดล้อม conda ที่ล็อกเวอร์ชัน Python 3.12, PyTorch 2.10 และ Transformers 4.56 ไว้ โดยต้องคอมไพล์ causal-conv1d และ mamba-ssm จากซอร์สโค้ด บน GPU ขนาด 80 GB (A100, H100, H200, B200 หรือ RTX 6000) ที่รัน vLLM — หรือใช้คอนเทนเนอร์ NGC NIM ของ NVIDIA ซึ่งเปิด WebSocket ที่เข้ากันได้กับ OpenAI Realtime ที่ /v1/realtime เมื่อคุณอยู่บนฮาร์ดแวร์นั้นแล้ว ตัวนับดาวน์โหลดบอกเล่าเรื่องราวการเข้าถึง: มีการดาวน์โหลดประมาณ 80 ครั้งในเดือนแรกของโมเดล เทียบกับ 107 ไลก์ ผู้คนบุ๊กมาร์กไว้ แต่แทบไม่มีใครรันมันเลย สำหรับนักวิจัยที่รันมันจริง ๆ มีข้อสังเกตที่ตรงไปตรงมาข้อหนึ่ง: แกนกลางด้านการให้เหตุผลที่ checkpoint นี้สร้างต่อจาก Nemotron Nano 9B v2 นั้นเป็นโมเดลที่โฮสต์ไว้ให้เรียกใช้ได้อยู่แล้วในวันนี้ — แต่โมเดล full-duplex ที่ครอบมันอยู่นั้นไม่ใช่ และช่องว่างนั้นคือประเด็นทั้งหมด

ราคา — แอปฟรี ฟรีเวท และบิล 80 GB

ทั้งสองโมเดลเป็น "ฟรี" และคำนี้ก็ให้ระดับการทำให้เข้าใจผิดที่เท่ากันในทั้งสองกรณี

Sesame Preview is genuinely free — no paid tier, no ads, no data selling — because it is a preview you are being invited to test, and Sesame's monetization is a later problem. NVIDIA NemotronLabs VoiceChat 11B's weights cost nothing to download, but the hardware does: a continuously-running H100-class instance at roughly $2–3 an hour lands near $1,500–2,200 a month before you have written any application code, hired anyone to keep it up, or served a second concurrent conversation — and because the license forbids commercial use, that is money you can only spend on research. Between them sits CSM-1B at $7 per million characters, a hosted price for a model whose default is self-hosting.

มาตรฐานที่ตรงไปตรงมาสำหรับวันที่หนึ่งในสองสิ่งนี้วางจำหน่ายได้: ไม่ว่าคุณจะเลือกใช้โมเดลเสียงแบบโฮสต์ตัวใดก็ตาม ราคารายการของผู้ให้บริการคือสิ่งที่คุณควรจ่าย โดยไม่มีการบวกมาร์กอัปการจัดเส้นทางเพิ่มเติม — การส่งผ่านที่ทำให้การลดราคาของผู้ขายปรากฏในบิลของคุณในวันเดียวกัน แทนที่จะเป็นหลังจากครบรอบสัญญา ไม่มีโมเดลใดในบทความนี้ที่สามารถเรียกใช้ผ่าน OrcaRouter ได้: เสียงโปรดักชันของ Sesame ไม่มี API เลย และ NVIDIA NemotronLabs VoiceChat 11B ไม่สามารถเรียกใช้ผ่านอะไรได้เลย มาตรฐานนี้มีไว้สำหรับเสียงที่คุณสามารถซื้อได้จริง และเป็นมาตรฐานเดียวกับที่ทำให้ฐาน T​TS ราคา 7 ดอลลาร์ต่อล้านตัวอักษร หรือ API คุณภาพระดับ Sesame ในอนาคต ตั้งราคาได้อย่างตรงไปตรงมา

Memory — แอปที่จดจำ vs โมเดลที่หลงลืม

ตรงนี้ช่องว่างคือหุบเขา และนี่คือเหตุผลที่เป็นรูปธรรมที่สุดว่าทำไมทั้งสองสิ่งนี้ไม่สามารถใช้แทนกันได้ แอป Sesame Preview จดจำได้ว่า: เอเจนต์แต่ละตัวมีหน่วยความจำเฉพาะของตัวเองซึ่งซิงค์ระหว่างเว็บและมือถือเมื่อคุณลงชื่อเข้าใช้ การโทรแต่ละครั้งสามารถยาวได้ถึง 30 นาที และโหมดไม่ระบุตัวตนจะอ่านความทรงจำก่อนหน้าโดยไม่สร้างความทรงจำใหม่ ในทางตรงกันข้าม โมเดลโอเพนซอร์ส CSM-1B มีหน้าต่างบริบท 4K ซึ่งก็คือข้อความประมาณสามถึงสี่นาที และยังไงก็ไม่มีหูไว้ฟังคุณอยู่ดี

NVIDIA NemotronLabs VoiceChat 11B รองรับบริบทเสียงได้สูงสุดประมาณสองนาที — ตัวโหลดข้อมูลในการฝึกจำกัดการพูดแต่ละครั้งไว้ที่ 142.39 วินาที และการ์ดข้อมูลเตือนว่าบทสนทนาที่ยาวเกินกรอบเวลาสองนาทีอาจไม่ถูกจัดเก็บ สำหรับสายสนับสนุนที่ต้องจำสิ่งที่ตกลงกันไว้เมื่อสี่นาทีก่อน เพดานนี้ก็ตัดสินขาดในตัวมันเอง ยิ่งไปกว่านั้น โมเดลมีเสียงคงที่เพียงเสียงเดียว (Aria) โดยไม่มีการโคลนเสียงใน checkpoint ที่เผยแพร่ และโมเดลที่เปิดเผยสถาปัตยกรรมของตนเองก็เป็นโมเดลเดียวกันกับที่ไม่สามารถจดจำลูกค้าหรือเปลี่ยนเสียงของตัวเองได้

สิ่งที่แต่ละอย่างไม่เก่งอย่างแท้จริง

รวบรวมแล้ว เนื่องจากการเปรียบเทียบที่หยุดอยู่ที่จุดแข็งคือการตลาด:

• Sesame Preview: ไม่มี API — คุณไม่สามารถนำเสียงนี้ไปใช้ในผลิตภัณฑ์ได้ และโมเดลสำหรับการผลิตยังไม่เผยแพร่และไม่มีการให้คะแนน รองรับเฉพาะภาษาอังกฤษ ไม่มีการทำงานตามคำสั่ง จำกัดการโทร 30 นาที และไม่มีเกณฑ์วัดอิสระใดๆ ทั้งสิ้น โมเดลแบบเปิดเพียงตัวเดียวคือ CSM-1B มีหน้าต่างบริบท 4K ไม่มีการเรียกใช้เครื่องมือ ไม่มีฝั่งการฟัง และไม่ใช่เสียงของแอป

• NVIDIA NemotronLabs VoiceChat 11B:เป็นใบอนุญาตสำหรับการวิจัยเท่านั้น (OpenMDW v1.1) — คุณสามารถดาวน์โหลด ศึกษา และปรับแต่งละเอียด (fine-tune) ได้ แต่คุณไม่สามารถนำไปเผยแพร่หรือจัดส่งได้ และใครก็ตามที่พัฒนาต่อยอดจากมันก็ไม่สามารถทำได้เช่นกัน ไม่มี hosted endpoint ดังนั้น "การลองใช้" หมายถึงต้องมี GPU 80 GB และการ build จากซอร์สโค้ด รองรับภาษาอังกฤษเท่านั้น หน่วยความจำจำกัดที่ประมาณ 2 นาที และมีเสียงเดียวที่ตายตัว NVIDIA ระบุว่ามันอาจทำงานได้ด้อยกว่า backbone ของตัวเองในด้านความรู้และการปฏิบัติตามคำสั่ง โดยเฉพาะการให้เหตุผลหลายขั้นตอนและเลขคณิตที่ถูกระบุว่าอ่อนแอ มันสามารถพูดตัดคุณกลางประโยค เสื่อมสภาพเป็นภาษาเพี้ยนที่ไม่สามารถกู้คืนได้หรือพูดคนเดียวหลังจากผ่านไปหลายเทิร์น ทำคำตกในการถอดความ และมันไม่เหมาะอย่างชัดเจนกับห้องที่มีเสียงดังหรือเสียงก้อง การเรียกใช้เครื่องมือ (tool calling) ทำงานได้เฉพาะกับพรอมต์และคำตอบที่เป็น ASCII เท่านั้น จำกัดสูงสุดที่ห้าเครื่องมือต่อเซสชัน และความแม่นยำของอาร์กิวเมนต์ (44.2%) และอัตราการผ่านในครั้งแรก (33%) หมายความว่ามันเลือกเครื่องมือที่ถูกต้องได้น่าเชื่อถือมากกว่าการกรอกข้อมูลในเครื่องมือ

ใครควรเลือกอันไหน

เนื่องจากทั้งสองไม่สามารถเรียกใช้ได้ คำตอบที่ตรงไปตรงมาจะเริ่มต้นจากสิ่งที่คุณพยายามทำ

• สัมผัสเสียงที่ได้รับการรีวิวดีที่สุดแห่งปี 2026: Sesame Preview ฟรีวันนี้ — ในรูปแบบแอป เอเจนต์ทั้งสี่ การจัดการการขัดจังหวะ และการใช้งานในโหมดขับขี่ที่นักรีวิวมักกล่าวถึงอยู่เสมอ: นี่คือผลิตภัณฑ์สำหรับผู้บริโภค และคุณค่าของมันก็คือสิ่งที่คุณไม่สามารถวัดได้

• ศึกษาการสร้างโมเดลเสียงพูดแบบฟูลดูเพล็กซ์:NVIDIA NemotronLabs VoiceChat 11B เป็นดาวน์โหลดที่น่าสนใจกว่าในหมวดหมู่ของมัน — เช็คพอยต์แบบเปิดขนาด 11B พร้อมช่องทางเรียกใช้เครื่องมือที่ใช้งานได้, เสียงฝึกอบรมแบบผสมประมาณ 550,000 ชั่วโมง, และผลลัพธ์ VoiceBench แบบฟูลดูเพล็กซ์แบบเปิดที่ดีที่สุดเท่าที่เคยมีมา, ทั้งหมดนี้ในราคาเป็นศูนย์ดอลลาร์สำหรับเวต. ใบอนุญาตสำหรับการวิจัยเท่านั้นไม่ได้เป็นข้อจำกัดต่องานนั้น

• Build on Sesame's architecture: CSM-1B is the only Sesame model a developer can actually call — $7 per million characters, Apache-2.0, zero-shot voice cloning — with the honest caveat that it is a base text-to-speech model, not the production voice the app uses.

• ส่งมอบผลิตภัณฑ์เสียงภายในไตรมาสนี้:ไม่ใช่ทั้งสองอย่างนี้ คุณต้องมีโมเดล speech-to-speech แบบเรียลไทม์ที่โฮสต์ไว้พร้อมใบอนุญาตเชิงพาณิชย์ และวิธีที่ปลอดภัยในการนำโมเดลที่คุณยังไม่ได้วางเดิมพันกับเส้นทางการผลิตมาใช้ คือการกำหนดเส้นทางไปยังโมเดลนั้นควบคู่กับโมเดลที่พิสูจน์แล้วพร้อมระบบเฟลโอเวอร์อัตโนมัติ เพื่อที่เสียงที่ไม่ผ่านการพิสูจน์จะไม่มีวันทำให้การโทรสดล่มได้ API เดียวที่ครอบคลุมโมเดลที่โฮสต์มากกว่า 200 รายการในราคารายการของผู้ให้บริการ โดยไม่มีส่วนเพิ่ม คือสิ่งที่ทำให้การลองใช้เสียงที่เพิ่งเปิดตัวใหม่เป็นการเปลี่ยนแปลงการกำหนดค่า ไม่ใช่การเขียนโค้ดใหม่

รูปแบบนี้สมควรได้รับการตั้งชื่อเพราะมันจะเกิดขึ้นซ้ำอีก โมเดลทั้งสองนี้ห่างจากการถูกเรียกใช้งานเพียงหนึ่งเหตุการณ์ — Sesame ในวันที่มันเปิดตัวโมเดล ID หรือ API, NVIDIA NemotronLabs VoiceChat 11B ในวันที่ NVIDIA เผยแพร่ใบอนุญาตเชิงพาณิชย์หรือมีใครโฮสต์มัน เมื่อถึงตอนนั้น การเคลื่อนไหวที่ถูกต้องไม่ใช่การรื้อสแตกเสียงปัจจุบันของคุณทิ้ง แต่คือการเพิ่มเสียงใหม่ไว้ข้างๆ เสียงเก่า และจัดเส้นทางด้วยการสำรองข้อมูล (failover) อย่างที่คุณทำกับโมเดลใหม่ที่ยังไม่ผ่านการพิสูจน์ใดๆ ทั้งสิ้น นี่คือสองเสียงที่ดีที่สุดที่ยังไม่พร้อมวางจำหน่ายแห่งปี 2026; โครงสร้างพื้นฐานที่จะส่งเสียงที่สามออกมานั้นมีอยู่แล้ว

อะไรจะเปลี่ยนการเปรียบเทียบนี้

เหตุการณ์สี่อย่างจะเขียนบทความชิ้นนี้ขึ้นมาใหม่ {{1}}การมี API หรือ model ID สำหรับเสียงโปรดักชันของ Sesame — ทันทีที่สิ่งนั้นเกิดขึ้น Sesame จะไม่ใช่แอปอีกต่อไป แต่จะกลายเป็นผู้เข้าแข่งขันที่ตลาด hosted voice-API รอคอยอยู่{{/1}} {{2}}การมีใบอนุญาตเชิงพาณิชย์หรือ hosted endpoint สำหรับ NVIDIA NemotronLabs VoiceChat 11B ซึ่งจะเปลี่ยนชิ้นงานวิจัยให้กลายเป็นตัวเลือกผลิตภัณฑ์จริงได้ในชั่วข้ามคืน{{/2}} {{3}}คะแนนอิสระสำหรับเสียงของ Sesame — การปรากฏบนกระดานจัดอันดับ speech-to-speech ของ Artificial Analysis จะทำให้คำกล่าวอ้างเรื่อง"เสียงดีที่สุด" มีสิ่งที่ต้องนำมาเทียบเคียงเพื่อตรวจสอบ{{/3}} และ {{4}}รายงานทางเทคนิคจาก NVIDIA ที่อธิบายความสอดคล้องระหว่าง checkpoint ของ 11B กับรายการขนาด 12B ชื่อ"Nemotron 3 VoiceChat (V1)" ที่ลีดเดอร์บอร์ดใช้วัด ซึ่งเป็นเงื่อนไขเบื้องต้นสำหรับการเชื่อถือตัวเลขใดๆ ของตระกูลนี้{{/4}} จนกว่าหนึ่งในเหตุการณ์เหล่านั้นจะเกิดขึ้นจริง บทสรุปที่ถูกต้องก็ง่ายๆ: เสียงสนทนาที่น่าสนใจที่สุดสองเสียงของปี 2026 ต่างถูกปิดตายทั้งคู่ — เสียงหนึ่งโดยบริษัทที่ไม่ยอมขาย อีกเสียงหนึ่งโดยใบอนุญาตที่ไม่ยอมปล่อยออกมา

คำถามที่พบบ่อย

ฉันสามารถใช้เสียงของโมเดลใดโมเดลหนึ่งในแอปของตัวเองได้หรือไม่?

No, and the two reasons are the shape of this comparison. Sesame Preview's production voice has no API, no model ID, and no endpoint — it exists only as the app. NVIDIA NemotronLabs VoiceChat 11B is open-weight but research-only (OpenMDW v1.1), self-hosted on an 80 GB GPU, with no hosted inference provider. The only Sesame model a developer can call is CSM-1B at $7 per million characters, and it is a text-to-speech base, not the app's voice.

สองอันนี้อันไหนฟังดูเป็นมนุษย์มากกว่ากัน?

ไม่ทราบ โดยมีเหตุผลที่แตกต่างกันสำหรับแต่ละรายการ Sesame Preview ไม่มีคะแนนอิสระเลย — คำพูดของ TestingCatalog ที่ว่า "หนึ่งในโหมดเสียงที่ดีที่สุดที่มีอยู่ในตลาด" เป็นความเห็นพ้องของผู้รีวิว ไม่ใช่การวัดผล เวลาโต้ตอบในการสนทนาของ NVIDIA NemotronLabs VoiceChat 11B (448 มิลลิวินาทีสำหรับการผลัดกันพูด, 480 มิลลิวินาทีสำหรับการยอมให้แทรก) เป็นข้อมูลที่ NVIDIA รายงานและยังไม่มีการทำซ้ำผล และตัวเลข Big Bench Audio อิสระ (29.2% ตามข้อมูลของ Artificial Analysis ซึ่งจัดอยู่ในหมวด "Nemotron 3 VoiceChat (V1)") วัดความเข้าใจ ไม่ใช่ความไพเราะของเสียง ฝ่ายหนึ่งมีชื่อเสียงที่คุณได้ยินได้ อีกฝ่ายมีตัวเลขที่ตอบคำถามคนละข้อ

NVIDIA NemotronLabs VoiceChat 11B ฟรีจริงหรือ?

น้ำหนัก (weights) ฟรี แต่ตัวโมเดลไม่ถูก การจะรันมันต้องใช้ GPU 80 GB (ประมาณ $2–3 ต่อชั่วโมงแบบออนดีมานด์ หรือ $1,500–2,200 ต่อเดือนถ้าเปิดทิ้งไว้ตลอดเวลา) และต้องบิลด์จากซอร์สโค้ด และใบอนุญาต OpenMDW v1.1 จำกัดไว้เพื่อการวิจัยเท่านั้น — ดังนั้นแม้จะจ่ายเงินไปขนาดนั้น คุณก็ไม่สามารถนำมันไปให้ลูกค้าใช้ได้อย่างถูกกฎหมาย