Fish Audio Live 3 vs Sesame Preview: Hai cách tiếp cận vấn đề lượt lời, một trong số đó có thể đo lường được

Sesame đã xây dựng một benchmark cho đúng vấn đề mà Fish Audio Live 3 nói rằng mình đã giải quyết, rồi sau đó Fish Audio lại phát hành một mô hình không có trên đó. Đó là phiên bản ngắn gọn của phép so sánh này. Sesame Preview — sản phẩm dành cho người tiêu dùng gồm bốn tác nhân, chạy trên Conversational Speech Model của phòng thí nghiệm — đã công bố TurnBench vào tháng 8 năm 2026: ba mươi giờ lời nói giữa hai người được chú thích ba lần, một bảng xếp hạng công khai, một trình xem hội thoại tương tác và kết quả cho mười bốn hệ thống. Fish Audio Live 3, được công bố ngày 10 tháng 11 năm 2026, lập luận rằng nhịp điệu hội thoại nên được học bên trong mô hình giọng nói thay vì bị áp đặt bởi các ngưỡng im lặng, và công bố ba cuộc gọi mẫu cùng một con số 186 mili giây. Lập luận là cùng một lập luận. Bằng chứng thì không phải cùng một bằng chứng.

Mọi thứ khác đều bắt nguồn từ cách hai công ty biến lập luận đó thành sản phẩm theo những hướng rất khác nhau. Live 3 được bán: $0.035 mỗi phút trên Nền tảng Agent của Fish Audio trong chương trình khuyến mãi kết thúc vào ngày 31 tháng 12 năm 2026, có API được ghi chú tài liệu và tùy chọn triển khai tại chỗ cho doanh nghiệp. Sesame Preview được tặng miễn phí: bốn tính cách cố định trong một ứng dụng iOS và Android, không có API, không có mã định danh mô hình cho giọng nói trong ứng dụng, và không có bất cứ thứ gì tính theo token hay theo phút. Một trong hai, bạn có thể phát triển trên đó ngay trong tuần này. Còn cái kia, bạn chỉ có thể nghe.

Bài kiểm tra hiện có và lý do Live 3 không nằm trong đó

Lượt lời là năng lực hiếm hoi mà ngành đã thống nhất được cách đo lường trước khi các mô hình xuất hiện, và Sesame đóng góp phần lớn vào lý do đó. TurnBench, phát hành ngày 28 tháng 8 năm 2026 và được xây dựng cùng Đại học Carnegie Mellon, Mundo AI và Oto, chấm điểm các hệ thống dựa trên cách chúng xử lý chính xác những tình huống khiến một tác nhân điện thoại cảm thấy sai lệch: một lời xác nhận không nên giành lượt nói, một sự ngắt lời thì nên, một khoảng dừng không phải là kết thúc. Bảng xếp hạng là công khai, bộ phát triển được cung cấp để tự sử dụng, và kết quả bao gồm mười bốn hệ thống.

Fish Audio Live 3 không nằm trong số đó, và cũng không có bất kỳ mô hình duplex nào khác của Fish Audio. Đó không phải là một vụ bê bối — một mô hình phát hành vào tháng 11 không thể có mặt trên bảng xếp hạng tháng 8 — nhưng đó là sự thật hữu ích nhất trong phép so sánh này, vì nó cho bạn biết mỗi công ty đang đưa ra kiểu tuyên bố gì. Sesame đưa sản phẩm của chính mình vào một bài kiểm tra công khai do chính họ góp phần thiết kế, nơi bất kỳ ai cũng có thể kiểm tra điểm số. Fish Audio đưa sản phẩm của mình lên một bảng giá khuyến mãi, nơi bất kỳ ai cũng có thể kiểm tra giá.

Cả hai đều là những màn ra mắt chính đáng. Chỉ một trong hai cho phép người lạ xác minh thứ mà chiến dịch tiếp thị đang nói tới.

Mỗi bên thực sự bàn giao những gì

• Đó là gì — Fish Audio Live 3 là một mô hình giọng nói song công toàn phần nằm sau một nền tảng tác nhân; Sesame Preview là một ứng dụng trợ lý dành cho người tiêu dùng với bốn tác nhân, Maya, Miles, Simone và Charlie, mỗi tác nhân có bộ nhớ riêng.

• Phân phối — Live 3: nền tảng tự phục vụ, API có tài liệu, triển khai tại chỗ cho doanh nghiệp. Sesame Preview: ứng dụng iOS và Android, miễn phí, không có API, không có model ID cho giọng nói trong ứng dụng.

• Giá — Live 3: $0.035/phút giá khuyến mãi, $0.07 giá niêm yết, cộng thêm $0.01/phút cho cuộc gọi điện thoại và $1.20/tháng cho mỗi số. Sesame Preview: không có giá công bố và không có bậc gói công bố; ứng dụng miễn phí tải xuống.

• Ngôn ngữ — Live 3: chỉ có tiếng Anh khi ra mắt, theo đúng lời của Fish Audio, dù nền tảng xung quanh quảng cáo giọng nói bằng hơn 30 ngôn ngữ. Sesame Preview: lấy tiếng Anh làm trọng tâm, được huấn luyện chủ yếu bằng tiếng Anh theo ghi chú nghiên cứu của chính phòng thí nghiệm.

• Tính độc lập — Live 3: không có bất kỳ benchmark nào được công bố tính đến ngày 11 tháng 11 năm 2026 và không có dòng nào trên bảng xếp hạng speech-to-speech của Artificial Analysis. Sesame Preview: cũng không có điểm số độc lập nào cho giọng nói của ứng dụng, nhưng có một bảng xếp hạng luân phiên lượt lời công khai do công ty giúp xây dựng và công bố.

• Tính mở — Live 3: không có trọng số, không có giấy phép, không có kho mã. Sesame: một checkpoint mở duy nhất, CSM-1B, Apache-2.0 trên Hugging Face từ tháng 3 năm 2025 — mà đó không phải là giọng nói trong ứng dụng.

• Giao diện — Live 3: bạn tích hợp nó. Sesame Preview: bạn trò chuyện với nó.

Vấn đề từ vựng mà cả hai công ty cùng gặp phải

Không sản phẩm nào công bố đủ thông tin để bạn so sánh điều mình thực sự quan tâm, và cả hai đều dùng cùng một từ cho điều đó. Fish Audio gọi đó là nhịp điệu của cuộc trò chuyện và mô tả một số điện thoại được đọc theo từng cụm — “415… 555… 0132” — trong khi một tác nhân thông thường nghe thành ba điểm kết thúc lượt riêng biệt. Tài liệu tiếp thị của Sesame gọi cùng hành vi đó là sự hiện diện, và ghi chú phát hành tháng 10 năm 2026 của hãng nói rằng công ty đã cập nhật Conversational Speech Model để cải thiện khả năng biểu cảm và phát âm, với ít xu nịnh hơn và ít cụm từ lặp lại hơn. Cả hai phát biểu đều không thể bị bác bỏ như được viết. Không bên nào đưa ra con số.

Khác biệt là ở chỗ Sesame đã tung ra thước đo. Nếu Fish Audio muốn so sánh dựa trên thực chất, bộ phát triển của TurnBench là mở và tự chấm điểm; bảng điểm đang chờ một lượt tham gia.

Những gì một người xây dựng có thể làm với từng mục và những gì họ không thể làm

Đây là chỗ hai sản phẩm không còn có thể so sánh với nhau nữa. Sesame Preview không phải là một thành phần. Không có endpoint, không có session API, không có cách nào gắn giọng của nó vào số điện thoại của riêng bạn, và checkpoint Sesame duy nhất mà bất kỳ ai bên ngoài ứng dụng có thể tải là CSM-1B, một mô hình 1 tỷ tham số từ tháng 3 năm 2025, ra đời trước giọng nói trong ứng dụng hiện tại tới một năm rưỡi phát triển. Một đội ngũ muốn có cảm giác hội thoại của Sesame trong sản phẩm của mình, hiện nay, không có con đường nào để đạt được điều đó mà không phải chờ đợi.

Live 3 là nước đi ngược lại. Nó đóng theo cách quan trọng — không có trọng số, không có cách tự lưu trữ nó bên ngoài hợp đồng doanh nghiệp — nhưng nó mở theo cách cho phép bạn triển khai: một trình tạo tác nhân, API có tài liệu, điện thoại, và mức giá theo phút. Lớp lý luận là một phần riêng biệt, có thể thay thế; tác nhân có thể trỏ đến một endpoint tương thích OpenAI cho phần suy nghĩ trong khi phần giọng nói vẫn thuộc Fish Audio. Cấu trúc đó là thứ khiến nó có thể được triển khai bởi một nhóm nhỏ vào một ngày thứ Ba.

Cụ thể ở phần suy luận, OrcaRouter cung cấp hơn 200 mô hình chỉ qua một khóa duy nhất, với giá niêm yết của nhà cung cấp và không cộng thêm phụ phí, cùng với tính năng chuyển đổi dự phòng tự động khi một backend gặp lỗi giữa cuộc gọi và một DSL định tuyến để quyết định mô hình nào xử lý loại lượt hội thoại nào. Fish Audio Live 3 không phải là một trong những mô hình đó — không có endpoint của bên thứ ba cho một mô hình giọng nói song công đóng, và ở đây không có gì để định tuyến. Nhiệm vụ của router trong ngăn xếp này bắt đầu từ nơi phần giọng nói kết thúc.

Nên xem cái nào, và để làm gì?

Ba tín hiệu sẽ phân định được phép so sánh này, và không tín hiệu nào trong đó là một thông cáo báo chí. Một mục Live 3 trên TurnBench hoặc một dòng trên bảng speech-to-speech của Artificial Analysis sẽ biến lập luận về hành vi của Fish Audio thành một điểm số kèm theo một con số bên cạnh. Một API dành cho nhà phát triển của Sesame — công ty đã nói rằng công cụ dành cho nhà phát triển đang đến, nhưng không nêu ngày — sẽ biến giọng nói của ứng dụng thành thứ mà một sản phẩm có thể thuê. Và một checkpoint mở thứ hai của Sesame, mới hơn CSM-1B, sẽ trao cho cộng đồng open-weights đúng thứ mà màn ra mắt của Live 3 rõ ràng đã không có.

Cho đến khi một trong số đó thành hiện thực, thứ hạng trung thực phụ thuộc hoàn toàn vào việc bạn đang mua gì. Nếu bạn muốn cuộc trò chuyện nghe hay nhất hiện có và sẵn sàng chấp nhận nó nằm trong ứng dụng của người khác, Sesame Preview là sản phẩm ấn tượng hơn và trung thực hơn về cách nó nên được đánh giá. Nếu bạn cần một giọng nói đưa vào vận hành thực tế trong quý này, Sesame không phải là ứng viên và phép so sánh thu lại thành một câu hỏi duy nhất về Live 3: liệu một phút khuyến mại giá $0.035 và ngưỡng xác nhận 186 mili giây có đủ bằng chứng để đặt cược vào một đường dây điện thoại hay không. Với hầu hết các đội, câu trả lời là có cho một bản thử nghiệm và chưa phải cho một quy trình trả lương — và phép đánh giá chuẩn có thể thay đổi câu trả lời đó đã tồn tại, với một hàng vẫn để trống.