Eleven v4 vs Sesame Preview: Đây không phải cuộc so sánh như bạn tưởng.

Tìm kiếm ElevenLabs Eleven v4 so với Sesame Preview sẽ cho ra rất nhiều trang sẵn sàng đưa chúng vào một bảng. Gần như tất cả chúng đều đang so sánh một sản phẩm với một benchmark với một bản demo, và cái bảng là thứ ít hữu ích nhất trên trang. Eleven v4 là một mô hình tổng hợp giọng nói đã phát hành rộng rãi với API, bảng giá và thứ hạng đấu trường được công bố. Sesame Preview là một trợ lý giọng nói tiêu dùng miễn phí trả lời khi bạn nhấp vào một liên kết. Chúng không phải là hai lựa chọn cho cùng một giao dịch mua, và phiên bản trung thực của bài viết này nói về việc bạn thực sự muốn cái nào — bởi vì câu trả lời phụ thuộc vào một câu hỏi mà trang tiếp thị của cả hai nhà cung cấp đều không hỏi.

Eleven v4 thực sự là gì

ElevenLabs đã phát hành Eleven v4 và Eleven v4 Turbo vào ngày 28 tháng 9 dưới dạng các endpoint production. Eleven v4 hỗ trợ hơn 90 ngôn ngữ, giới hạn 10.000 ký tự mỗi yêu cầu, đối thoại nhiều người nói với danh tính người nói ổn định, các chỉ dẫn truyền đạt nội tuyến, hỗ trợ âm vị IPA được cải thiện và nhân bản giọng nói tức thì từ mười giây âm thanh. Nó xếp thứ nhất trên Provider Voice Arena của Artificial Analysis với Elo 1.319, dựa trên 1.674 mẫu đứng sau ước tính, và xếp thứ hai trên bảng Controlled Voice với 1.157. Trên bảng giá API, nó được niêm yết ở mức 0,022 USD cho mỗi nghìn ký tự trong chương trình khuyến mãi kết thúc vào ngày 12 tháng 10, sau đó trở lại mức 0,08 USD — mức giá mà ElevenLabs Eleven v3 trước đó đã áp dụng.

Mọi phần trong đoạn văn đó đều có thể kiểm chứng. Có một mã định danh mô hình, một giới hạn đầu vào được ghi lại trong tài liệu, một mức giá trên mỗi ký tự đã công bố, một ghi chú ngừng hỗ trợ cho các hạng Turbo cũ hơn, và một mục trên bảng xếp hạng độc lập kèm khoảng tin cậy. Đó là hình hài của một mô hình khi bạn có thể mua nó.

Sesame Preview thực sự là gì

Sesame Preview là một bản trình diễn dành cho người tiêu dùng. Đây là một trợ lý giọng nói mà bạn truy cập qua chính trang web của công ty, với một dàn nhân vật có tên nhỏ — Maya, Miles, Simone và Charlie — bộ nhớ hội thoại được lưu giữ giữa các phiên, tìm kiếm web, ghi chú và nhắc nhở, cùng bản tóm tắt sau cuộc gọi. Nó miễn phí. Các phiên đã đăng nhập kéo dài khoảng nửa giờ; phiên khách khoảng năm phút. Nó chỉ hỗ trợ tiếng Anh. Và Sesame nói rõ rằng nó không thực hiện nhiệm vụ: mục đích của bản demo là chất hội thoại, không phải một tác nhân đặt lịch họp cho bạn.

Phần quan trọng cho so sánh này là những gì còn thiếu. Không có mã định danh mô hình, không có endpoint, không có bảng giá, không có giới hạn đầu vào mà bạn có thể thiết kế dựa trên, và không có ngày công bố cho mô hình sản xuất. Dòng nghiên cứu đã công bố của Sesame là một thứ riêng biệt — một mô hình giọng nói hội thoại trọng số mở với ngữ cảnh 4K — và đó không phải là cùng một hệ thống mà bạn trò chuyện trong Preview. Vì vậy, thứ được đặt tên "Sesame Preview" trên mọi bảng so sánh là một sản phẩm mà bạn không thể tích hợp với, và thứ bạn có thể tải xuống không phải là sản phẩm đó.

Tại sao họ không thể dùng chung một bảng điểm

Đấu trường giọng nói có kiểm soát trên Artificial Analysis là thứ gần nhất mà lĩnh vực này có được với một phép đo trung lập, và Sesame Preview không có mặt trên đó. Nó cũng không có trên bảng giọng nói của nhà cung cấp. Không có Elo, không có số phiếu bầu, không có chuẩn hoá giá — và không có cách nào để tạo ra một cái, vì một bảng xếp hạng cần một endpoint có thể gọi được và một mức giá trên mỗi đơn vị, mà Sesame Preview thì không có cả hai.

Vậy nên bất kỳ bảng nào đặt hai thứ này cạnh nhau đều đang lấp cột Sesame bằng dữ liệu từ một tour sản phẩm. So sánh một endpoint giá 80 đô-la mỗi triệu ký tự với một bản demo web miễn phí về “độ tự nhiên” không phải là so sánh; đó là một lỗi phạm trù với một lỗ hổng hình Elo trong đó. Nếu một trang tuyên bố có người thắng trong cuộc đối đầu đó, thì nó đã bịa ra cơ sở cho tuyên bố ấy.

Điều có thể nói một cách trung thực chính là điều mà mỗi bên đang cố gắng trở thành. Eleven v4 được tối ưu để biến một kịch bản thành một màn trình diễn, ở quy mô lớn, thông qua API, với cùng một giọng nói mỗi lần. Sesame Preview được tối ưu để khiến một người lạ cảm thấy như họ đang nói chuyện với ai đó, một lần, trong một tab trình duyệt.

Nơi duy nhất mà sự so sánh là có thật

Có một câu hỏi thực sự nằm dưới cuộc tìm kiếm, và nó liên quan đến trọng số mở. Nếu điều bạn thực sự muốn là một mô hình giọng nói mà bạn có thể tự tải về và chạy, thì sản phẩm chủ lực của cả hai nhà cung cấp đều không phải là câu trả lời — ngăn xếp của ElevenLabs là đóng, còn hệ thống Sesame mà bạn có thể chạy là mô hình nghiên cứu với ngữ cảnh 4K, không phải trợ lý.

Với công việc đó, điểm tham chiếu hữu ích nằm trên các bảng xếp hạng arena: Breeze TTS 2 là mục trọng số mở có thứ hạng cao nhất trên Provider Voice, với Elo 1.206 và 34,00 USD mỗi triệu ký tự, cùng 16 mô hình trọng số mở trong tổng số 92 mô hình của bảng đó. Như vậy là kém Eleven v4 113 điểm và vượt xa dòng Qwen3 TTS ở mức 944 và 930. Nếu dự án của bạn cần chạy trên phần cứng của riêng bạn, phép so sánh đáng thực hiện là Eleven v4 với Breeze TTS 2 — chứ không phải với một bản demo trên trình duyệt — và sự đánh đổi ở đó là có thật: bạn từ bỏ khoảng một trăm điểm Elo và quy trình gắn thẻ âm thanh, đổi lại bạn kiểm soát được toàn bộ ngăn xếp.

Lựa chọn, dựa trên mục đích của từng thứ

• Nếu bạn đang xây dựng một sản phẩm biết nói — Eleven v4, trên API, trên bảng giá. Không có gì về Sesame Preview là có thể tích hợp được, vì vậy nó không nằm trong quyết định này.

• Nếu bạn muốn một bản demo hội thoại để cho ai đó thấy cảm giác khi dùng AI giọng nói — Sesame Preview, và nó miễn phí, đó chính là toàn bộ lý do để chọn nó.

• Nếu bạn đang đánh giá dải cảm xúc trước khi cam kết với một nhà cung cấp — Elo 1.319 của Eleven v4 trên bảng xếp hạng giọng nói nhà cung cấp và 1.157 trên bảng xếp hạng giọng nói được nhân bản là những con số cần đọc, với lưu ý rằng con số thứ hai là con số mô tả một sản phẩm giọng nói thương hiệu được nhân bản.

• Nếu bạn cần giọng nói bằng các ngôn ngữ ngoài tiếng Anh — Eleven v4 ghi nhận hơn 90 ngôn ngữ; Sesame Preview chỉ hỗ trợ tiếng Anh và nói rõ như vậy.

• Nếu bạn cần mô hình thực sự làm được điều gì đó — thì trong màn so sánh này, cả hai đều không. Sesame Preview cố tình không thực thi tác vụ, còn Eleven v4 là một engine tổng hợp cần đến hệ thống riêng của bạn bao quanh nó.

• Nếu bạn cần chạy nó cục bộ — không cái nào cả. Breeze TTS 2 là điểm tham chiếu trọng số mở.

Nếu chi phí là yếu tố quyết định — Eleven v4 có giá $0.022 cho mỗi nghìn ký tự cho đến ngày 12 tháng 10 và $0.08 sau đó, còn Sesame Preview miễn phí vì đây không phải là sản phẩm bạn có thể mua. Một bản demo miễn phí không phải là một lựa chọn rẻ hơn; đó là một loại khác.

Điểm chung duy nhất giữa cả hai là vấn đề về thời hạn. Mức giá khuyến mãi của Eleven v4 sẽ hết hạn vào ngày 12 tháng 10, khiến chi phí thay đổi gần gấp bốn lần. Sesame thì hoàn toàn không đưa ra mốc thời gian nào cho phiên bản sản xuất — một kiểu bất định khác — bởi bản Preview có thể bị thay thế ngay tháng sau, hoặc giữ nguyên không đổi suốt cả năm, và chẳng có cách nào để lên kế hoạch dựa trên một thời điểm ra mắt mà không ai ấn định.

Nếu ngăn xếp của bạn cuối cùng trải rộng trên nhiều hơn một nhà cung cấp dịch vụ thoại

OrcaRouter không lưu trữ ElevenLabs lẫn Sesame, nên không có gì trong bài viết này để gọi qua chúng tôi và chúng tôi cũng sẽ không ngụ ý điều ngược lại. Điều chúng tôi đề cập là lớp nằm trên một hệ thống vốn đã gồm nhiều nhà cung cấp. Một API key duy nhất truy cập hơn 200 mô hình với giá niêm yết của nhà cung cấp được chuyển nguyên vẹn với mức chênh 0%, nên khi giá thay đổi ở thượng nguồn — cửa sổ khuyến mãi của đợt ra mắt này là một ví dụ sống — thông tin sẽ đến phía chúng tôi ngay trong ngày thay vì đợi đến hóa đơn kế tiếp. Ở những nơi đường dẫn giọng nói tiếp xúc trực tiếp với khách hàng, cơ chế chuyển đổi dự phòng tự động sẽ đưa lưu lượng sang một thượng nguồn khỏe mạnh khi một thượng nguồn bị suy giảm, đó là cách bạn có thể thử nghiệm một endpoint mới trên lưu lượng thực mà không phải đặt cược cả một bản phát hành vào nó.

Điều cần rút ra

Eleven v4 là một mô hình mà bạn có thể mua, đo lường và dựa vào, và nó hiện đang đứng đầu bảng xếp hạng giọng nói nhà cung cấp với đợt giảm giá kéo dài hai tuần. Sesame Preview là một thử nghiệm miễn phí về cảm giác hội thoại, chỉ có tiếng Anh, giới hạn ở ba mươi phút, và không phải là thứ bạn có thể xây dựng dựa trên. Lý do chúng xuất hiện trong cùng kết quả tìm kiếm là cả hai đều là AI giọng nói và cả hai đều mới — không phải vì một trong hai là lựa chọn thay thế cho cái kia.

Nếu bạn đến đây để chọn giữa chúng, cách diễn đạt lại hữu ích là thế này: bạn không đang chọn một mô hình giọng nói. Bạn đang quyết định xem mình đang tung ra sản phẩm hay chỉ đang thử một bản demo, và chỉ một trong những quyết định đó có kèm bảng giá. Nếu là sản phẩm, hãy đọc các con số của Eleven v4 và đọc lại chúng vào ngày 13 tháng 10, khi mức giá khuyến mại hết hạn và việc so sánh với mọi nhà cung cấp khác trên bảng sẽ thay đổi.