Grok Voice 3.0 vs Sesame Preview: Giọng nói chiến thắng mọi bài kiểm tra nghe chính là giọng nói không có API

Hãy hỏi một căn phòng đầy người xem cái nào trong số này nghe giống một con người hơn, và bạn sẽ chỉ nhận được một câu trả lời. Sesame Preview là trợ lý giọng nói miễn phí của Sesame — bốn agent tên là Maya, Miles, Simone và Charlie, có mặt trên iOS từ tháng 5 năm 2026 và phổ biến trên Android từ đầu tháng 8 — và chính nó đã tạo ra những clip lan truyền khiến "best-in-class voice mode" trở thành cụm từ mà các nhà đánh giá cứ mãi nhắc đến. G​rok Voice 3.0, được S​paceXAI công bố vào ngày 14 tháng 10 năm 2026, là mô hình speech-to-speech đạt điểm cao nhất trên bảng công khai với 86,9, có thể gọi qua một endpoint realtime đã được ghi tài liệu với giá 0,08 đô la một phút. Hai sự thật đó không hề mâu thuẫn với nhau, và khoảng cách giữa chúng chính là toàn bộ cuộc so tài: một trong hai là thứ giọng mà người ta đánh giá bằng tai, còn cái kia là thứ giọng mà một bên bên ngoài có thể đo lường được.

Nửa còn lại của khoảng cách đó là khả năng truy cập. Sesame Preview không có API, không có mã định danh mô hình, không có bảng giá và không có kế hoạch nào được công bố cho việc đó, còn giọng nói production trong ứng dụng là một mô hình đóng lớn hơn mà phòng thí nghiệm chưa từng phát hành. Grok Voice 3.0 là một thành phần bạn thuê theo phút. Chọn bằng tai thì bạn muốn Sesame. Chọn theo việc bạn có thể ship được thứ gì đó hay không thì quyết định đã được đưa ra thay bạn rồi.

Mỗi thứ là gì, được ghi nhận chính thức

Bỏ qua những chiêu trò tiếp thị, hai sản phẩm này thậm chí còn chẳng phải cùng một loại.

• Nó là gì — Grok Voice 3.0 là một mô hình speech-to-speech đứng sau WebSocket thời gian thực của SpaceXAI, với các công cụ giới hạn theo phiên và bản chép lời được trả về; Sesame Preview là một ứng dụng dành cho người tiêu dùng với bốn tác nhân hội thoại, bộ nhớ theo từng tác nhân đồng bộ trên web và thiết bị di động, tìm kiếm web trực tiếp trong cuộc gọi, và bản tóm tắt được gửi sau đó.

• Giá — 0,08 đô la mỗi phút âm thanh cộng thêm 0,004 đô la mỗi lượt nhập văn bản, khoảng 4,80 đô la một giờ, đối với G​rok Voice 3.0; miễn phí cho người dùng, không có quảng cáo và không có gói trả phí nào được nêu cho Sesame Preview.

• Quyền truy cập dành cho nhà phát triển — một điểm cuối được tài liệu hóa, mã thông báo tạm thời cho các kết nối phía máy khách, và một điểm cuối giọng nói tùy chỉnh huấn luyện giọng nói từ một đoạn clip tham chiếu dài tối đa 120 giây cho G​rok Voice 3.0; không có gì cả cho Sesame Preview.

• Trọng số — đóng ở cả hai phía, với một ngoại lệ: Sesame đã công bố CSM-1B, một checkpoint Apache-2.0 không phải là giọng nói trong ứng dụng.

• Điểm số độc lập — 86.9 trên Artificial Analysis Speech to Speech Index với năm thành phần có thể đọc được cho G​rok Voice 3.0; không có thành phần nào cho giọng Sesame Preview, và cũng không có thành phần nào được Sesame công bố.

• Giới hạn — Grok Voice 3.0 không có giới hạn phiên được nêu rõ, và thế hệ tiền nhiệm của nó được quảng bá dựa trên tỷ lệ lỗi từ trên 24 ngôn ngữ; Sesame Preview chỉ hỗ trợ tiếng Anh, với giới hạn cuộc gọi 30 phút, giảm xuống còn năm phút khi đăng xuất, và không thực thi tác vụ — các tác nhân chỉ nói, chúng không đặt chỗ, mua hay nộp bất cứ thứ gì.

Điểm cuối cùng đó là điểm kết thúc hầu hết các đánh giá. Một sản phẩm thoại không thể gọi được không phải là một thành phần; nó là một đối thủ cạnh tranh.

Checkpoint mở, và những gì nó không phải

Sesame đã thẳng thắn một cách bất thường về khoảng cách giữa bản demo và bản tải xuống của mình, và đó là sự thật quan trọng nhất đối với bất kỳ ai đang cân nhắc giữa hai lựa chọn này.

CSM-1B là một mô hình giọng nói hội thoại 1B được phát hành theo giấy phép Apache 2.0 vào ngày 23 tháng 4 năm 2026: một xương sống kiến trúc L​lama cấp dữ liệu cho một bộ giải mã riêng và codec Mimi của Kyutai, tạo ra giọng nói tiếng Anh đơn kênh 24 kHz từ một ngữ cảnh khoảng 4.000 token. Đây là một mô hình tạo giọng nói cơ sở. Theo đánh giá của những người đã chạy cả hai, đây là một giọng yếu hơn rõ rệt so với giọng trong ứng dụng, và tài liệu của chính Sesame nói rõ rằng nó không phải là một hệ thống chuyển giọng nói sang giọng nói đầu-cuối và không thể tạo văn bản.

Vậy nên bản tải xuống là một dòng nghiên cứu, chứ không phải sản phẩm. Người đi tìm giọng nói từ bản demo đã tìm thấy mô hình nhỏ hơn ra đời từ cùng phòng thí nghiệm, và thứ trả lời khi một trong bốn agent nhấc máy là một mô hình production chưa từng được phát hành. Nó được các nhà cung cấp suy luận bên thứ ba lưu trữ với giá khoảng $7 mỗi triệu ký tự — tương đương khoảng $0,35 một giờ âm thanh tổng hợp — hoặc miễn phí trên phần cứng của riêng bạn, và cũng chưa ai công bố một benchmark độc lập về nó.

Để dễ hình dung, mức 0,35 đô-la một giờ đó là mức giá âm thanh rẻ nhất trong phép so sánh này, rẻ hơn gấp mười ba lần, và nó cũng là dòng ít hữu ích nhất trong đó, bởi vì một checkpoint 1B không thể duy trì một cuộc hội thoại hai chiều thì đâu có cạnh tranh với G​rok Voice 3.0 về giá. Nó đang cạnh tranh với bất kỳ công cụ thuyết minh nào mà bạn vốn đã dùng từ trước.

Vì sao bài kiểm tra bằng tai và chỉ số lại không khớp với nhau, và cái nào sai

Chúng không hề xung đột. Chúng đang trả lời những câu hỏi khác nhau, và chỉ một trong số đó có thể được trả lời công khai.

Danh tiếng của Sesame Preview dựa vào cách một giọng nói nghe như thế nào đối với người nghe: hơi thở, sự ngập ngừng, thời điểm của một lần ngắt lời, cảm giác rằng có một người thật đang ở đầu dây bên kia. Đó là bằng chứng thực sự ở một khía cạnh nào đó — bản demo đã thuyết phục được hàng trăm nghìn người và các nhà đánh giá, những người không có động cơ để rộng lượng — và nó hoàn toàn không được định lượng. Không có mục tham gia arena nào, không có đánh giá công bố nào về giọng nói ở bản production, và không có số lượng mẫu. Mọi tuyên bố về chất lượng theo bất kỳ hướng nào đều là một ấn tượng khi nghe.

G​rok Voice 3.0's 86.9 là loại bằng chứng ngược lại. Nó phân rã thành lý luận giọng nói gần mức trần, 97.0% trên Full Duplex Bench, 71.6% trên τ-Voice, một Elo đấu trường là 1070 và 94.8% thành công nhiệm vụ, mỗi chỉ số được đo dưới một harness đã công bố mà một nhóm bên ngoài có thể đọc, kiểm tra số học và không đồng ý. Một chỉ số tổng hợp là một lựa chọn trọng số, và thành phần đấu trường bị đóng băng tại thời điểm một mô hình trở nên đủ điều kiện thay vì theo dõi Elo trực tiếp — nhưng sự bất đồng có sẵn cho bất kỳ ai, đó là điều khiến nó trở thành một phép đo thay vì một tuyên bố.

Điều mà bảng đánh giá không đo lường là liệu bạn có thích nói chuyện với nó hay không. Và có một con số cụ thể trong bản phát hành nằm ngay trên trục đó: Grok Voice 3.0 bắt đầu nói trong 0.81 giây, còn mô hình mà nó thay thế bắt đầu trong 0.70. Chiếc flagship chậm hơn 0.11 giây so với chính người tiền nhiệm của nó khi xuất phát, đó chính xác là kiểu chi tiết mà người nghe nhận ra trước cả một benchmark.

Thiết kế bốn tác nhân cho bạn biết điều gì

Bốn tính cách của Sesame không phải là một chi tiết tiếp thị; chúng là một quyết định kiến trúc, và nó trái ngược với quyết định mà SpaceXAI đã đưa ra.

Maya, Miles, Simone và Charlie là những giọng nói cố định với tính khí cố định, và bộ nhớ được giới hạn theo từng tác nhân. Đó là một sản phẩm được xây dựng dựa trên giả định rằng giọng nói là sản phẩm bàn giao còn tính cách là tính năng. Không có tùy chỉnh giọng nói, không có nhân bản giọng nói, và không có đường dẫn nào từ ứng dụng dành cho người tiêu dùng đến API — gói miễn phí chính là sản phẩm, và định hướng đã được công ty tuyên bố là các quan hệ đối tác nghiên cứu cùng một thiết bị phần cứng đã được lên kế hoạch, chứ không phải một nền tảng dành cho nhà phát triển.

Grok Voice 3.0 đi theo hướng ngược lại. Nó được phát hành kèm bộ giọng nói tích hợp sẵn của SpaceXAI, cùng một endpoint giọng nói tùy chỉnh riêng biệt có thể huấn luyện một giọng nói từ clip tham chiếu dài tối đa 120 giây, với voice_id tạo ra hoạt động được trên cả API thời gian thực lẫn text-to-speech dạng streaming. Phiên của nó chấp nhận các công cụ, nên agent có thể gọi backend của bạn ngay giữa cuộc trò chuyện thay vì chỉ nói về nó.

Cái nào tốt hơn phụ thuộc vào việc bạn đang bán một trải nghiệm hay đang xây dựng một trải nghiệm. Một sản phẩm giọng nói đi kèm bốn tính cách cố định xuất sắc đã giải quyết bài toán thương hiệu và tích hợp chỉ trong một quyết định. Một sản phẩm giọng nói có endpoint nhân bản đã giao cho bạn một bề mặt tuân thủ và một quy trình bản địa hóa chỉ trong một quyết định. Cả hai đều không phải là sai lầm, và chúng hướng đến những khách hàng khác nhau.

Câu hỏi định tuyến thực sự nằm ở đâu

OrcaRouter không phục vụ lớp thoại nào trong hai lớp thoại này. Grok Voice 3.0 nằm sau WebSocket thời gian thực của riêng SpaceXAI và không có gì có thể xen vào một phiên âm thanh song công do một nhà cung cấp sở hữu; Sesame Preview hoàn toàn không có endpoint nào để định tuyến tới. Nói khác đi sẽ là mô tả một năng lực không tồn tại, và hạng mục này đầy rẫy những nền tảng làm đúng như vậy.

Thứ có thể định tuyến được chính là lớp mà cả hai sản phẩm đều âm thầm phụ thuộc vào. Các agent của Sesame tìm kiếm trên web ngay giữa cuộc trò chuyện rồi gửi một bản tóm tắt sau đó; mảng công cụ của G​rok Voice 3.0 vươn tới bất kỳ backend nào trả lời nó, và bất cứ thứ gì nặng hơn một lệnh gọi nội tuyến đều trở thành một yêu cầu gửi tới mô hình văn bản phía sau cuộc trò chuyện. Công việc đó được tính theo yêu cầu, đó là nơi một phần đáng kể chi phí mỗi cuộc gọi tích tụ lại, và đó là nửa phần của một sản phẩm thoại mà bạn có thể giữ nguyên trong khi mô hình âm thanh bên dưới nó thay đổi — điều mà, xét việc grok-voice-latest/ đã thay đổi hai lần trong một quý, là một đặc tính đáng có. Hai trăm lẻ bảy mô hình từ hơn một chục đơn vị thượng nguồn đằng sau một khóa duy nhất, ở đúng giá niêm yết của nhà cung cấp với mức chênh lệch bằng không, cùng khả năng chuyển đổi dự phòng tự động khi một nhà cung cấp suy giảm, một DSL định tuyến để kết hợp nhiều mô hình vào một lệnh gọi, và hợp nhất mô hình khi phán đoán của một mô hình là chưa đủ. Vì không có gì bị cộng thêm giá, việc nhà cung cấp giảm giá đối với bất kỳ mô hình nào trong số đó sẽ có hiệu lực ở đây ngay trong cùng ngày.

Đề xuất, được phân chia theo việc bạn là ai

Nếu bạn là người dùng muốn có giọng trò chuyện nghe hay nhất hiện có và không có ý định tích hợp bất cứ thứ gì, thì Sesame Preview là miễn phí, có mặt trên cả hai nền tảng di động, danh tiếng của nó xứng đáng đến mức các nhà đánh giá liên tục xác nhận, và không có gì trong bài viết này thay đổi điều đó. Hãy dùng nó và tận hưởng.

Nếu bạn đang xây dựng, quyết định đã được đưa ra và lý lẽ đằng sau nó đáng để ghi nhớ. Bạn không thể gọi Sesame Preview, bạn không thể ghim giọng nói của nó, và bạn không thể đánh giá so sánh nó với bất cứ thứ gì — vì vậy mọi cuộc thảo luận mua sắm xoay quanh nó đều kết thúc ở cùng một chỗ, đó là một bài kiểm tra nghe giữa hai lựa chọn mà cả hai bên đều không thể chấm điểm. G​rok Voice 3.0 cung cấp cho bạn một bảng giá, một chuỗi mô hình được đánh phiên bản, một bản chép lời, một endpoint nhân bản và một điểm số trên bảng xếp hạng mà bạn có thể tranh luận. Việc đầu tiên cần làm với nó là ghim phiên bản của bạn, bởi vì alias đã được chuyển sang nó mà không hỏi ý kiến.

Và nếu bạn là một nhà nghiên cứu muốn thấy thất bại thú vị: tóm tắt trung thực về sự kết đôi này là hạng mục này đã chứng minh mình có thể tạo ra một giọng nói đáng để lắng nghe và vẫn chưa quyết định liệu giọng nói đó có nên có thể mua được dưới bất kỳ hình thức nào khác ngoài một ứng dụng hay không. Sesame đã xây dựng trải nghiệm tốt hơn và giữ nó đóng kín. S​paceXAI đã xây dựng thành phần tốt hơn và công bố con số. Hãy để ý phiên bản Sesame có API — đó chính là bản phát hành sẽ khiến trang này trở nên lỗi thời.

Khoảng cách giữa những gì một bảng điểm đo lường và những gì một triển khai thực tế đáp ứng chính là lý do hồ sơ này quan trọng: những thất bại AI và sự cố tác nhân đã được ghi nhận liên quan đến các mô hình thuộc nhóm này đều được tập hợp trong the OrcaRouter AI Incident Archive, nơi mỗi mục đều đi kèm nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ đánh dấu tranh chấp.