Gemini 3.8 Live vs Sesame Preview: Giọng nói bạn có thể ngưỡng mộ vs giọng nói bạn có thể gọi

Tác nhân giọng nói của Sesame đạt 4,5 trên 5 ở tiêu chí "nghe như người". Gemini 3.8 Live đạt 4,0. Sesame cũng hoàn thành 71% luồng đặt lịch trong khi Gemini 3.8 Live hoàn thành 78%, và Sesame mắc lỗi gọi hàm với tỷ lệ gần gấp đôi. Nếu bạn đang chọn một bộ công nghệ giọng nói cho doanh nghiệp đặt lịch hẹn, mô hình nghe hay hơn lại thua — và nó thua vì những lý do không hề liên quan đến việc nó nghe hay đến mức nào.

Những con số đó đến từ một đợt chạy đối đầu của bên thứ ba trên 1.500 cuộc gọi khách hàng cho mỗi mô hình theo kịch bản đặt chỗ, và chúng đi kèm hai lưu ý quan trọng. Chúng không phải của chúng tôi và không được tái lập một cách độc lập, và phía Gemini sử dụng thế hệ Gemini Live đầu năm 2026, chứ không phải mô hình mà bài viết này nói tới. Gemini 3.8 Live là bản phát hành chuyển giọng nói thành giọng nói của Google từ ngày 15 tháng 9 năm 2026, hiện đã có trên Live API. Sesame Preview là trợ lý giọng nói dành cho người tiêu dùng của Sesame, miễn phí trên iOS từ tháng 5 năm 2026 và có mặt rộng rãi trên Android từ đầu tháng 8 năm 2026, được xây dựng xoay quanh bốn tác nhân có tên riêng — Maya, Miles, Simone, Charlie — và được nhiều người mô tả là trợ lý giọng nói nghe giống người thật nhất mà họ từng trò chuyện cùng.

Cuộc đối đầu này thực ra không hẳn là mô hình đấu với mô hình. Đó là một sản phẩm bạn có thể đưa vào vận hành thực tế đối đầu với một trải nghiệm mà bạn chỉ có thể ghé thăm.

Hình dạng của mỗi thứ

Gemini 3.8 Live là một giao diện dành cho nhà phát triển. Nó được phát hành dưới dạng gemini-3.8-live và gemini-3.8-live-extended-thinking trên Live API, với mức giá 0,005 USD mỗi phút âm thanh đầu vào và 0,018 USD mỗi phút đầu ra, văn bản ở mức 0,75 USD và 4,50 USD mỗi triệu token, còn đầu vào hình ảnh hoặc video là 1,00 USD mỗi triệu. Nó xử lý 97 ngôn ngữ với khả năng chuyển đổi ngay giữa cuộc trò chuyện, xử lý đầu vào hình ảnh gần như theo thời gian thực, chạy các lệnh gọi công cụ và API trong nền trong khi cuộc trò chuyện vẫn tiếp diễn, và gắn watermark SynthID vào từng giây âm thanh được tạo ra. Biến thể Extended Thinking vừa suy luận vừa nói cùng lúc, tường thuật tiến độ để đường dây không bị im lặng trong suốt một tác vụ dài. Vị trí do nhà cung cấp tự báo cáo của Google là thứ hai trong Speech Agent Arena, cùng vị trí dẫn đầu trên Chỉ số Chất lượng Speech to Speech của Artificial Analysis với 82,6 cho dòng sản phẩm này. Số liệu của Google, trong tuần này, chưa được tái lập.

Sesame Preview là một ứng dụng dành cho người tiêu dùng. Ứng dụng chỉ hỗ trợ tiếng Anh. Mỗi cuộc gọi có giới hạn 30 phút, và giảm xuống còn năm phút khi bạn đăng xuất. Các tác nhân của nó duy trì ngữ cảnh xuyên suốt các phiên, tìm kiếm trên web và đặt nhắc nhở — nhưng chúng không đặt chỗ, mua hay nộp bất cứ thứ gì. Không có gói dành cho doanh nghiệp và cũng không có bảng giá công khai.

Cả hai đều là những hệ thống đàm thoại song công toàn phần với khả năng luân phiên lượt lời đủ tốt đến mức người ta không còn để ý đến nó nữa. Đó là chỗ mà sự tương đồng chấm dứt.

Điều mà cuộc đối đầu trực tiếp duy nhất chúng ta có thực sự cho thấy

Cuộc so sánh của CallSphere đã chạy các script luồng đặt chỗ với khối lượng lớn và báo cáo bốn con số cho mỗi mô hình. Về tỷ lệ hoàn thành, Gemini Live hoàn tất 78% lượt đặt chỗ so với 71% của Sesame Maya. Về lỗi gọi hàm, Gemini Live ở mức 3,3% so với 6,7% của Maya. Về độ trễ p95, Maya nhanh hơn — 480 ms so với 640 ms. Và ở thang đo chủ quan, "nghe như người" được đánh giá từ 1 đến 5, Maya đạt 4,5 so với 4,0 của Gemini Live.

Đọc chúng cùng nhau và một quy luật hiện ra mà không một hàng riêng lẻ nào cho thấy. Sesame thắng hai hàng mà con người để ý và thua hai hàng mà doanh nghiệp để ý. Độ tự nhiên và độ trễ là thứ người gọi cảm nhận; tỷ lệ hoàn thành và tỷ lệ lỗi là thứ xuất hiện trong đối soát. Một giọng nói nghe như người thật nhưng làm rớt một cuộc trong mười lăm cuộc ở một luồng đặt chỗ không phải là một tác nhân thoại tốt hơn — nó là một bản demo tốt hơn.

Hai lưu ý trung thực. So sánh này là từ blog của một nhà cung cấp, không phải một đánh giá được bình duyệt, và 1.500 cuộc gọi mỗi mô hình trên một loại kịch bản duy nhất là một phạm vi rất hẹp. Và các số liệu về Gemini mô tả thế hệ Gemini Live được phát hành vào đầu năm 2026, tức là chậm ít nhất một thế hệ mô hình trọn vẹn so với 3.8 Live. Áp những con số đó cho Gemini 3.8 Live sẽ chỉ là phỏng đoán. Chưa ai công bố một so sánh đối đầu trực tiếp liên quan đến mô hình 3.8.

Phần mà gần như mọi bài viết đều làm sai

Mọi bài viết ca ngợi giọng nói của Sesame đều là ca ngợi ứng dụng, và giọng nói của ứng dụng là một mô hình production lớn hơn, đóng kín, mà Sesame chưa từng phát hành dưới dạng API. Không có cách nào để mua, cấp phép hay gọi nó. Nếu bạn đã đọc rằng nhịp hội thoại của Sesame là tốt nhất trên thị trường và kết luận rằng mình có thể có được nó, thì kết luận đó không suy ra được từ bằng chứng.

Thứ mà Sesame thực sự đã open-source là CSM-1B — biến thể mô hình giọng nói hội thoại 1B, được phát hành theo Apache-2.0 trong họ Moshi. Đây là một khối tổng hợp, không phải một trợ lý: một xương sống Llama dự đoán codebook Mimi đầu tiên và một bộ giải mã Llama nhỏ hơn dự đoán phần còn lại, rồi một codec Mimi chuyển chúng thành dạng sóng 24 kHz. Nó chỉ hỗ trợ tiếng Anh, nó nhân bản giọng nói từ một clip tham chiếu sạch dài 10–15 giây, và nó hoàn toàn không thể tạo văn bản — bạn phải ghép nó với một mô hình ngôn ngữ riêng. Những người đã chạy cả hai mô tả giọng của CSM-1B yếu rõ rệt so với giọng của ứng dụng Preview. Nó có sẵn dưới dạng dịch vụ host với giá 7 USD mỗi triệu ký tự từ một nhà cung cấp bên thứ ba duy nhất, tương đương khoảng 0,35 USD một giờ âm thanh, hoặc miễn phí nếu bạn tự host.

Thẻ mô hình nói toạc điều thường được giấu kín: một biến thể được tinh chỉnh của CSM vận hành bản demo giọng nói tương tác, và đó không phải checkpoint bạn có thể tải xuống. Vậy nên phiên bản trung thực của "Sesame vs Gemini" là thế này: Sesame có một giọng nói đóng tuyệt đẹp mà bạn không thể truy cập, cùng một khối tổng hợp mở nhỏ mà bạn có thể truy cập, và chúng không phải là cùng một thứ. Google có một mô hình bạn có thể gọi và đó chính là mô hình họ quảng cáo. Sự bất đối xứng đó đáng giá hơn đối với một người xây dựng so với bất kỳ điểm số độ tự nhiên nào.

So sánh thông số

• Những gì bạn nhận được — Gemini 3.8 Live, một API có thể gọi ngay hôm nay, so với Sesame Preview, một ứng dụng tiêu dùng miễn phí không có API cho giọng nói production của mình

• Giọng nói cho production có thể cấp phép — Gemini 3.8 Live: có, trả tiền theo phút so với Sesame Preview: không, chưa từng phát hành

• Sản phẩm mở — Gemini 3.8 Live none, đóng so với Sesame Preview CSM-1B, Apache-2.0, một mô hình khác và yếu hơn

• Ngôn ngữ — Gemini 3.8 Live 97 so với Sesame Preview chỉ tiếng Anh

• Gọi công cụ — Gemini 3.8 Live gọi công cụ nền và API trong suốt cuộc trò chuyện, so với Sesame Preview, các tác nhân ghi nhớ ngữ cảnh và tìm kiếm trên web nhưng không thực thi nhiệm vụ

• Giới hạn phiên — Gemini 3.8 Live chưa được Google phát hành so với Sesame Preview 30 phút, 5 phút khi đăng xuất

• Độ tự nhiên — Gemini 3.8 Live chưa được đo lường trên tiêu chí này so với Sesame Preview được đánh giá là tốt nhất phân khúc dựa trên cảm nhận khi nghe, mà không có đánh giá độc lập nào cho cả hai

• Độ trễ — Gemini 3.8 Live không được công bố so với Sesame Preview 250–450 ms từ đầu đến cuối đối với Maya, byte đầu tiên khi phát trực tuyến dưới 300 ms, theo đo lường của bên thứ ba

• Lộ trình dành cho doanh nghiệp — bản xem trước riêng tư Gemini 3.8 Live trong Gemini Enterprise, sắp ra mắt trên Customer Experience so với Sesame Preview: không có

• Định hướng đã nêu — tích hợp Gemini 3.8 Live Live API với Agora, LiveKit, Pipecat, Fishjam và những bên khác so với quan hệ đối tác nghiên cứu Sesame Preview và phần cứng kính đeo mắt dự kiến vào năm 2027

Dòng về độ tự nhiên là dòng mà người ta tranh cãi, và hãy chú ý điều nó nói: không mô hình nào có một chuẩn đánh giá độc lập về mức độ nghe giống con người của nó. Thứ hiện có là ứng dụng của Sesame được người nghe khen ngợi và Google đứng thứ hai trong một đấu trường. Đó không phải là cùng một phép đo, và đấu trường thì ít nhất cũng có phương pháp luận.

Cái giá phải trả về mặt vận hành của tính tự nhiên là gì?

Sai lầm là coi tính tự nhiên như một tính năng mà bạn thêm vào. Đó là một sự đánh đổi mà bạn thực hiện, và sự đánh đổi đó thường đi ngược lại độ tin cậy của công cụ — bởi vì những hành vi khiến một giọng nói nghe giống con người, những ngập ngừng, những chồng lấn, sự sẵn sàng nhường lượt giữa câu, được tạo ra bởi một mô hình đang dành năng lực cho ngữ điệu và việc giành lượt lời thay vì cho ngữ pháp chặt chẽ của một lệnh gọi hàm. Đó là cơ chế đằng sau tỷ lệ lỗi 6,7% so với 3,3% một cách hợp lý hơn nhiều so với bất kỳ tuyên bố nào về việc một phòng thí nghiệm giỏi kỹ thuật hơn.

Nó cũng có một chi phí hạ tầng mà không ai dự trù ngân sách. Một giọng nói nghe như người thật làm tăng kỳ vọng, và một người gọi tin rằng họ đang nói chuyện với con người sẽ không chấp nhận việc nghe “Tôi không nghe rõ” hai lần liên tiếp. Giới hạn 30 phút của chính Sesame là một sự thừa nhận kín đáo rằng loại mô hình này rất tốn kém để chạy liên tục — một giới hạn mà Google không công bố cho 3.8 Live, điều đó không đồng nghĩa với việc nó không tồn tại.

Cái nào phù hợp với stack của bạn?

Chọn Gemini 3.8 Live khi giọng nói chỉ là phương tiện để đạt mục tiêu: lên lịch, phân loại, hỗ trợ, bất cứ việc gì mà người gọi muốn có kết quả. Bạn có API ngay hôm nay, mức giá được công bố, một vòng lặp công cụ chạy nền, 97 ngôn ngữ và lộ trình dành cho doanh nghiệp nếu bạn cần.

Hãy chọn Sesame Preview khi bạn đang tìm hiểu chất lượng hội thoại nên mang lại cảm giác như thế nào, hoặc khi bạn đang xây dựng một trải nghiệm dành cho người tiêu dùng mà chính cuộc gọi là sản phẩm. Nó miễn phí, nó thực sự là thứ nghe hay nhất hiện có, và là một nơi tốt để định chuẩn gu của bạn. Đừng lên kế hoạch tích hợp vào môi trường production dựa vào nó, vì chẳng có gì để tích hợp cả.

Hầu hết các đội ngũ nghiêm túc rồi cũng sẽ dùng kiến trúc lai, và kiến trúc lai chính là nơi định tuyến không còn là tùy chọn. Hãy đặt một mô hình nghe tự nhiên vào lượt mở đầu và lượt xác nhận, nơi người dùng cảm nhận rõ độ trễ và sự ấm áp, và đặt một mô hình đáng tin cậy khi dùng công cụ vào các lượt giao dịch, nơi một lỗi đồng nghĩa với một lượt đặt chỗ bị mất. OrcaRouter được xây dựng cho kiểu ngăn xếp đó — model fusion cho phép một nhóm mô hình cùng trả lời khi phán đoán của một mô hình đơn lẻ chưa đủ tốt, routing DSL kết hợp nhiều mô hình thành một lệnh gọi duy nhất, và failover chuyển lưu lượng khỏi một mô hình bắt đầu hoạt động sai lệch mà không cần triển khai lại. Ở những nơi nhà cung cấp có công bố mức giá, chúng tôi chuyển tiếp đúng giá niêm yết của nhà cung cấp mà không cộng thêm, nên một đợt giảm giá sẽ đến hóa đơn của bạn ngay trong cùng ngày.

Điều đáng chú ý: một API cho giọng nói production của Sesame, hoặc một benchmark đo lường độ tự nhiên theo cách đấu trường đo lường chất lượng. Một trong hai sẽ biến đây từ 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 định đoạt nhanh hơn bất kỳ điểm số nào.

Hầu hết các đội ngũ nghiêm túc rồi cũng đi đến một giải pháp lai, và chính ở dạng lai đó, việc định tuyến không còn là tùy chọn nữa. Hãy đặt một mô hình nghe tự nhiên ở các lượt mở đầu và xác nhận, nơi độ trễ và sự ấm áp được cảm nhận rõ, và đặt một mô hình đáng tin cậy về công cụ ở các lượt giao dịch, nơi một lỗi đồng nghĩa với một lượt đặt bị mất. OrcaRouter được xây dựng cho kiểu hệ thống đó - dung hợp mô hình cho phép một nhóm mô hình cùng trả lời khi phán đoán của một mô hình đơn lẻ không đủ tốt, DSL định tuyến kết hợp nhiều mô hình thành một lời gọi, và cơ chế chuyển đổi dự phòng đưa lưu lượng rời khỏi một mô hình bắt đầu hoạt động sai mà không cần triển khai lại.