Eleven Realtime v1 Max vs Sesame Preview: Giọng nói chinh phục đôi tai nhưng lại thua kém ở nhiệm vụ

Hỏi ai đó xem trợ lý giọng nói nào nghe giống người nhất và bạn sẽ nghe thấy S​esame Preview. Hỏi xem doanh nghiệp có thể đặt mô hình nào phía sau một số điện thoại và câu trả lời là Eleven Realtime v1 Max, một mô hình giọng nói sang giọng nói được công bố ngày 20 tháng 10 năm 2026, hoàn thành 87,1% tác vụ trên một bộ đánh giá cố định, trả lời trong 0,57 giây và có sẵn thông qua ElevenAgents hoặc một Realtime API tương thích O​penAI. S​esame Preview là một ứng dụng dành cho người tiêu dùng với bốn người bạn đồng hành có tên và không có cách nào để mua giọng nói bên trong nó. Các sự cố AI và lỗi tác nhân được ghi nhận đằng sau các mô hình trong nhóm này được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.

Đó không phải là một đòn knock-out, bởi vì hai sản phẩm đang theo đuổi những thứ khác nhau và lý lẽ ủng hộ giọng nói của Sesame là xác đáng. Các nhà nghiên cứu của Sesame đã sớm và công khai đưa ra ý tưởng rằng nhịp điệu hội thoại — tiếng mm-hmm, sự chồng lấn, sự sẵn lòng nhường lời giữa câu — mới là thung lũng kỳ lạ, chứ không phải âm sắc. Tài liệu của ElevenLabs đặt cược tương tự từ hướng ngược lại: Mini được mô tả là có khả năng phát hiện liệu người nói đã nói xong hay chỉ đang xen ngang. Hai phòng thí nghiệm, một luận điểm, mô hình kinh doanh đối lập.

Điều khiến việc so sánh trở nên thú vị là mỗi bên đã thực sự đo được gì. E​levenLabs công bố sáu con số và một đối tác đánh giá. S​esame công bố một trải nghiệm.

Chính xác thì mỗi cái là gì

Eleven Realtime v1 Max là một mạng duy nhất thực hiện đồng thời nhận dạng, luân phiên lượt nói, suy luận và tạo giọng nói, được định vị cho các tác vụ phức tạp với việc sử dụng công cụ nhiều bước: hỗ trợ khách hàng, sàng lọc khách hàng tiềm năng, hỗ trợ lên lịch hẹn. Người anh em giá rẻ của nó, Eleven Realtime v1 Mini, là lựa chọn mặc định cho các agent ElevenAgents mới và hướng đến hội thoại tự nhiên với chi phí thấp hơn. Max có thể được truy cập theo hai cách — từ menu thả xuống ElevenAgents, nơi ElevenLabs quản lý LLM, mô hình TTS, nhà cung cấp ASR và các cài đặt suy luận thay bạn, hoặc thông qua Realtime API sử dụng giao thức sự kiện Realtime của OpenAI qua WebSocket tại wss://api.elevenlabs.io/v1/convai/realtime.

S​esame Preview là một trợ lý giọng nói tiêu dùng miễn phí: bốn tác nhân có tên — Maya, Miles, Simone, Charlie — có mặt trên iOS và web, được gần như mọi người đã thử mô tả là trợ lý giọng nói tự nhiên nhất trên thị trường. Nó duy trì ngữ cảnh qua các phiên, tìm kiếm trên web và đặt lời nhắc. Nó không đặt chỗ, mua hay nộp hồ sơ gì. Không có gói doanh nghiệp, không có giá công bố và không có API công khai cho giọng nói mà bạn nghe thấy trong ứng dụng.

Cả hai đều là những hệ thống hội thoại song công toàn phần với khả năng luân phiên lượt nói đủ tốt đến mức người ta không còn để ý đến nó nữa. Đó là nơi sự tương đồng kết thúc, và cũng là nơi câu hỏi "cái nào tốt hơn" không còn một đáp án duy nhất.

Những con số mà một trong số đó có

Artificial Analysis đã đánh giá Eleven Realtime v1 Max một cách độc lập trên cùng bộ khung kiểm thử mà họ áp dụng cho mọi mô hình speech-to-speech. Đây là các số liệu của họ, không phải của ElevenLabs:

• Suy luận giọng nói (Big Bench Audio) — Tối đa 98,8%

• Động thái hội thoại (Full-Duplex-Bench) — Tối đa 94.1%

• Tỷ lệ thành công tác vụ — Tối đa 87,1%

• Tùy chọn Arena (Elo) — Tối đa 997

• Thời gian đến âm thanh đầu tiên — Tối đa 0,57 giây

• Chi phí mỗi giờ âm thanh đầu vào — Tối đa $4.80

• Hiệu suất tác tử (τ-Voice) — Max chưa được đo

• Chỉ số Speech to Speech — Max không được chấm điểm

S​esame Preview không xuất hiện trên bất kỳ dòng nào trong số này. Nó không có API công khai, nên không một harness độc lập nào có thể chạy nó, và hành vi của chính ứng dụng chưa từng được bất kỳ ai bên ngoài S​esame đánh giá chuẩn về mức độ hoàn thành tác vụ hoặc độ trễ. Khi mọi người nói S​esame nghe hay hơn, họ đang báo cáo một ấn tượng khi nghe, và đó là một ấn tượng chính đáng — đơn giản là nó không phải cùng một phép đo như một arena có phương pháp luận và một mô hình sở thích phía sau.

Điều đó có hai mặt. Elo arena 997 là một con số thật đến từ những người nghe thật, và nó xếp Max sau G​rok Voice 3.0 với 1,064, G​PT-Live-1 (Sol, low) với 1,047 và G​emini 3.8 Live với 1,078. E​levenLabs thắng ở các hạng mục lý luận và tốc độ nhưng không thắng ở hạng mục sở thích. Nếu trực giác của bạn cho rằng giọng của S​esame hay hơn của Max, thì kết quả arena nhất quán với trực giác đó — chỉ là nó tình cờ được đo so với các mô hình API khác, chứ không phải so với S​esame.

Câu hỏi về trọng số mở, chính là nơi hầu hết các so sánh đều đi sai.

Mọi bài viết ca ngợi giọng nói của S​esame đều đang ca ngợi ứng dụng, và giọng nói của ứng dụng là một mô hình sản xuất đóng mà S​esame chưa bao giờ phát hành dưới dạng endpoint. Thứ S​esame đã mã nguồn mở là CSM-1B, một mô hình giọng nói hội thoại 1B trong dòng Moshi, theo Apache-2.0. Đây là một khối tổng hợp, không phải trợ lý: một xương sống Llama dự đoán codebook Mimi đầu tiên, một bộ giải mã Llama nhỏ hơn dự đoán phần còn lại, và một codec Mimi biến nó thành dạng sóng 24 kHz. Nó ưu tiên tiếng Anh, nó nhân bản giọng nói từ một clip tham chiếu ngắn, và nó hoàn toàn không thể tạo văn bản — bạn ghép nó với một mô hình ngôn ngữ riêng.

Những người đã chạy thử cả hai mô tả giọng của CSM-1B yếu hơn rõ rệt so với ứng dụng Preview, và thẻ mô hình của chính S​esame cũng ủng hộ cách hiểu đó: một biến thể được tinh chỉnh của CSM vận hành bản demo tương tác, và biến thể đó không phải là checkpoint mà bạn có thể tải xuống.

Vậy phiên bản trung thực của "S​esame vs E​levenLabs" là thế này. S​esame có một giọng nói đóng tuyệt đẹp mà bạn không thể gọi, và một khối tổng hợp mở nhỏ mà bạn có thể gọi, và chúng không phải cùng một mô hình. E​levenLabs có một mô hình có thể gọi được với giọng nói tốt một cách đo lường được nhưng không được yêu thích nhất, và có một mức giá. Sự bất đối xứng quan trọng đối với người xây dựng không phải là cái nào nghe hay hơn; mà là cái nào có endpoint, và điều đó thì không hề sát nút.

Nơi thao tác hợp nhất xuất hiện trong môi trường sản xuất

Lập luận của E​levenLabs là việc hợp nhất nhận dạng, luân phiên lượt nói, suy luận và giọng nói thành một hệ thống duy nhất được tinh chỉnh sẽ loại bỏ những mối nối mà một kiến trúc xếp tầng để lại.

Trong ElevenAgents, việc hợp nhất là theo nghĩa đen và có một cái giá: khi một mô hình Realtime được đặt, LLM, mức nỗ lực suy luận, ngân sách suy nghĩ, gọi công cụ song song, thời gian chờ xếp tầng, {{1}}mô hình TTS{{/1}}, chế độ biểu cảm và nhà cung cấp ASR đều do {{2}}ElevenLabs{{/2}} quản lý và bị bỏ qua trên agent. Một nút workflow không thể ghi đè chúng, và agent hoàn toàn không thể dùng LLM tùy chỉnh hoặc Amazon Bedrock. Chọn mô hình là bạn chọn toàn bộ ngăn xếp bên dưới nó.

Ma trận tuân thủ không đồng đều theo cách sẽ khiến những người đang triển khai nó trên khắp các khu vực phải bất ngờ:

• Vị trí lưu trú dữ liệu — Max hoạt động tại Mỹ và EU nhưng không hoạt động tại Ấn Độ hay Singapore, nơi chỉ cung cấp Mini

• Zero Retention Mode và HIPAA — Max được hỗ trợ tại Hoa Kỳ và EU; Mini không được hỗ trợ ở cả hai.

• Giới hạn token — Max yêu cầu 1.024 token hoặc không giới hạn, và các nút quy trình công việc không thể ghi đè giá trị này

• Chuyển tiếp tác nhân — tác nhân ở chế độ Realtime chỉ có thể chuyển tiếp đến và nhận chuyển tiếp từ các tác nhân ở chế độ Realtime khác, mặc dù Mini-to-Max được cho phép

• Truyền tải — không có WebRTC khi ra mắt; Realtime API chỉ dùng WebSocket

Những quy tắc đó được áp dụng khi xuất bản, không phải khi lưu: một bản nháp vi phạm một quy tắc vẫn lưu bình thường và sẽ thất bại khi bạn xuất bản, kèm theo lỗi nêu tên cài đặt đó. Nếu bạn đang tạo nguyên mẫu, đó chỉ là một phiền toái nhỏ. Nếu bạn đang phát hành vào một hàng đợi chịu quản lý theo quy định, nó quyết định bạn có thể dùng biến thể nào trong môi trường nào, và biến thể rẻ hơn không phải lúc nào cũng là biến thể tuân thủ.

Cái nào phù hợp với stack của bạn?

Chọn Eleven Realtime v1 Max khi giọng nói chỉ là phương tiện để đạt mục đích và cuộc gọi phải tạo ra kết quả — phân loại hỗ trợ, lên lịch, sàng lọc. Bạn nhận được endpoint ngay hôm nay, một giao thức sự kiện tương thích O​penAI giúp việc chuyển đổi từ tích hợp Realtime chỉ còn là thay đổi hai chuỗi, tỷ lệ thành công tác vụ đo được là 87.1%, mô hình suy luận mạnh nhanh nhất trên bảng xếp hạng và mức giá bạn có thể tính toán là $4.80 mỗi giờ âm thanh. Hãy chấp nhận rằng nó vẫn đang được triển khai dần, rằng hành vi tác nhân của nó chưa được đo lường và rằng giọng nói của nó không đứng đầu đấu trường sở thích.

Chọn S​esame Preview khi bạn đang tìm hiểu xem chất lượng hội thoại nên mang lại cảm giác như thế nào, hoặc đang xây dựng một sản phẩm tiêu dùng mà cuộc trò chuyện chính là sản phẩm. Nó miễn phí, là thứ nghe hay nhất mà hầu hết mọi người từng thử, và là một cách tốt để điều chỉnh gu của bạn. Đừng lên kế hoạch tích hợp xoay quanh nó: không có gì để tích hợp cả, và CSM-1B không phải là mô hình trong ứng dụng.

Chọn CSM-1B chỉ khi bạn muốn một khối tổng hợp mở, có thể tự host và sẵn sàng xây dựng phần còn lại — một ASR, một mô hình ngôn ngữ, một lớp quản lý lượt nói — xung quanh nó. Nó là Apache-2.0 và thực sự hữu ích trong vai trò đó. Nó không phải là đối thủ của Max và chưa bao giờ được định trở thành như vậy.

Bản hybrid, và nửa phần mà router có thể hỗ trợ

Hầu hết các sản phẩm thoại chuyên nghiệp rốt cuộc đều kết hợp nhiều mô hình thay vì chọn một. Một mô hình nghe tự nhiên ở các lượt mở đầu và xác nhận, nơi người ta cảm nhận được sự ấm áp và độ trễ; một mô hình đáng tin cậy cho tác vụ ở các lượt giao dịch, nơi một lỗi đồng nghĩa với việc mất một lượt đặt chỗ. Cả Eleven Realtime lẫn Sesame đều không giúp việc đó trở nên dễ dàng trong một kết nối duy nhất — Realtime API của ElevenLabs là một sản phẩm riêng biệt với ElevenAgents và chỉ chạy qua WebSocket, còn Sesame không có API để kết hợp.

Nơi một lớp định tuyến thực sự có chỗ đứng là ở lớp thấp hơn một bậc, trong công việc mà mô hình giọng nói giao lại. Trên OrcaRouter, đó là 209 mô hình từ 16 nhà cung cấp thượng nguồn sau một khóa duy nhất, theo giá niêm yết của nhà cung cấp với mức đánh thêm bằng không, cùng khả năng tự động chuyển đổi dự phòng khi một nhà cung cấp gặp lỗi. Model fusion cho phép một nhóm cùng trả lời khi phán đoán của một mô hình là chưa đủ; DSL định tuyến kết hợp nhiều mô hình thành một lần gọi. Bản thân Eleven Realtime v1 Max không nằm trong danh mục của chúng tôi — không có endpoint bên thứ ba cho nó — nên ranh giới trung thực là chúng tôi có thể định tuyến phần truy xuất, phần tóm tắt và phần phân tích sau cuộc gọi, chứ không phải giọng nói.

Điều có thể thay đổi bài viết này là một chuẩn đánh giá đo độ tự nhiên theo cách arena đo sở thích, được chạy trên cả ứng dụng của Sesame lẫn các mô hình API — hoặc một endpoint cho giọng nói production của Sesame. Một trong hai sẽ biến lựa chọn giữa quyền truy cập và trải nghiệm thành một so sánh thực sự. Cho đến lúc đó, một trong những mô hình này bạn có thể gọi, còn mô hình kia bạn chỉ có thể chiêm ngưỡng, và điều đó nói lên nhiều hơn bất kỳ bài kiểm tra nghe nào.