Phonic 1 vs Sesame Preview: Vấn đề im lặng, được giải quyết theo hai cách đối lập

Phonic 1 và Sesame Preview đều được bán dưới dạng mô hình giọng nói hội thoại, và chúng không theo đuổi cùng một mục tiêu. Phonic 1 — nhà cung cấp viết là Phonic-1 — là một endpoint speech-to-speech với giá 0,07 USD mỗi phút, được bán chính thức từ ngày 29 tháng 10 năm 2026 và vọt thẳng lên vị trí đầu trên Speech to Speech Index của Artificial Analysis với điểm 87,1. Sesame Preview là ứng dụng đồng hành miễn phí phía sau các giọng Maya, Miles, Simone và Charlie: không có API công khai, không có bảng giá, không có mặt trên bất kỳ bảng xếp hạng độc lập nào, và có kế hoạch được nêu rõ là sẽ bán kính cho bạn vào năm 2027. Đặt hai cái tên vào cùng một câu, điều đầu tiên lộ ra là chỉ một trong hai có thể mua được.

Điều thứ hai rơi ra thì thú vị hơn. Cả hai sản phẩm, bên dưới lớp marketing, đều là câu trả lời cho cùng một nỗi bẽ mặt nhỏ: nửa giây im lặng trong khi cỗ máy quyết định phải nói gì. Phonic tấn công nó bằng cách làm sẵn công việc trước khi người gọi nói xong. Sesame tấn công nó bằng cách ngày càng giỏi hơn trong việc biết khi nào người gọi đã nói xong. Đó là những cá cược kỹ thuật thật sự khác nhau, chúng được đo bằng những công cụ không trùng lặp, và việc chọn giữa hai bên phụ thuộc vào việc sản phẩm của bạn dựa vào cá cược nào — chứ không phải vào một bảng benchmark.

Mỗi thứ thực chất là gì, trước khi việc so sánh trở nên khó nắm bắt

Phonic 1 là một mô hình giọng nói đầu-cuối, âm thanh vào và âm thanh ra, không có chuỗi chuyển âm rồi suy nghĩ rồi nói xen giữa. Nó được phát hành cùng SDK TypeScript và Python, một CLI và trình tạo tác nhân không cần viết mã, 51 ngôn ngữ được tài liệu hóa với khả năng chuyển đổi giữa cuộc trò chuyện mà vẫn giữ danh tính người nói, với một thiết lậpintelligence_level được tài liệu hóa, mặc định là standard và có thể nâng lên high, cùng các điều khoản doanh nghiệp bao gồm SOC 2 Type II, BAA HIPAA, không lưu giữ dữ liệu và SLA thời gian hoạt động 99,9%. Sản phẩm được bán theo phút với ba gói, và công ty đứng sau có khoảng mười người xuất thân từ MIT và Stanford, đã huy động vòng Series A trị giá 27,5 triệu USD do First Round dẫn dắt.

Sesame Preview không phải là một mô hình mà bạn thuê. Đây là một sản phẩm tiêu dùng — một ứng dụng iOS và web, miễn phí, được triển khai trên 39 quốc gia từ cuối tháng 5 năm 2026, mang theo bốn tác nhân được đặt tên với bộ nhớ thường trực, tìm kiếm web song song chạy ngay giữa câu, ghi chú, chế độ nhắn tin và chế độ ẩn danh. Mục tiêu được báo cáo của Sesame cho sản phẩm này là âm thanh đầu tiên dưới 300 ms, và công ty đã công khai thẳng thắn rằng mô hình vẫn "quá háo hức và thường không phù hợp" về giọng điệu và nhịp độ. Không có gói dành cho doanh nghiệp và không có cách nào để cấp phép giọng nói dùng trong sản phẩm chính thức.

Thứ duy nhất thực sự mang tên Sesame vào một bản build là Sesame CSM-1B, được công bố theo giấy phép Apache 2.0 vào ngày 13 tháng 3 năm 2025. Đây là một mô hình giọng nói hội thoại nền tảng, ưu tiên tiếng Anh, được xây dựng để sinh ra các token âm thanh Mimi có điều kiện dựa trên các lượt hội thoại trước đó. Nó không phải là giọng nói trong ứng dụng: các nhân vật Preview đến từ một bản tinh chỉnh được tuyển chọn kỹ lưỡng và một dàn giọng nói chưa bao giờ được phát hành. Những người đánh giá đã chạy thử cả hai đều mô tả checkpoint mở là yếu hơn rõ rệt về âm thanh so với ứng dụng, điều này khiến việc "chỉ tự host mô hình Sesame" trở thành một sản phẩm khác, chứ không phải một lối tắt không vướng bản quyền.

Hai cuộc tấn công trong cùng nửa giây

Tuyên bố ra mắt của Phonic là thứ cụ thể nhất trong hạng mục này: nó nói rằng Phonic-1 là mô hình duy nhất có thể hành động trong khi người gọi vẫn đang nói. Trong bản minh họa mà công ty công bố, mô hình đã kích hoạt cả năm lệnh gọi công cụ giữa câu và trả lời 1,1 giây sau khi người gọi dừng lại; trên cùng kịch bản đó, nó đặt GPT-Live-1 ở mức 15,7 giây. Hãy coi đó là một minh họa về thiết kế, không phải một phép đo chuẩn — đây là một tác vụ do nhà cung cấp tự chọn trên một kịch bản do nhà cung cấp tự chọn. Nhưng thiết kế mới là điểm mấu chốt. Nếu việc tra cứu đã xong vào lúc lượt nói kết thúc, mô hình không bao giờ phải xuất sắc trong việc dự đoán cuối lượt; nó chỉ cần tránh cản đường.

Sesame đi theo hướng khác và biến chính việc dự đoán thành một chương trình nghiên cứu. Vào tháng 8 năm 2026, họ công bố TurnBench, một benchmark mở cho động lực luân phiên lượt nói: 30 giờ hội thoại hai kênh được ghi âm trong phòng thu, 154 cuộc hội thoại, 106 diễn viên lồng tiếng thuộc sáu ngữ vực, được gán nhãn ba lần với Fleiss' kappa 0,78, chấm điểm theo recall tại tỷ lệ dương tính giả bị giới hạn trần với độ trễ có dấu ở trung vị. Phát hiện nổi bật là điều đáng ghi nhớ: người nói bắt đầu chuyển lượt với trung vị 151 ms trước khi người kia ngừng nói, và không có hệ thống nào trong lĩnh vực này đạt được điều đó trong ngân sách dương tính giả. Các bộ dò ngữ nghĩa thì chọn lọc và chậm; các bộ dò âm học thì nhanh và nhiễu. Không có cái nào đạt được cả hai.

Đó là ngã ba đường, nói thẳng ra là vậy. Sesame đang cố thu hẹp khoảng cách giữa 151 ms khả năng dự đoán của con người với 368 ms đến 1.234 ms mà những bộ phát hiện tốt nhất đạt được. Phonic đang cố làm cho khoảng cách ấy không còn quan trọng bằng cách loại bỏ chính công việc lấp đầy nó. Cả hai đều chính đáng. Chỉ một trong hai là thứ bạn có thể dùng làm điểm cuối ngay hôm nay, và đó không phải là bên đã công bố bài đánh giá chuẩn.

Hội đồng chấm điểm một trong số họ — và người mà hội đồng ấy loại ra ngoài.

Chỉ số Speech to Speech của Artificial Analysis là chỉ số tổng hợp độc lập duy nhất trong lĩnh vực này, và tại thời điểm viết bài, Phonic 1 đang đứng đầu bảng xếp hạng đó. Những dòng đáng chú ý:

Phonic 1 (High) — chỉ số 87,1, đứng đầu; thời gian đến âm thanh đầu tiên 0,61 giây; 4,20 USD mỗi giờ âm thanh đầu vào.

• Grok Voice 3.0 — 86,9; 0,81 giây; 4,80 USD mỗi giờ.

• GPT-Live-1 (Astra, trung bình) — 83,2; 1,34 giây; 5,83 USD mỗi giờ.

• Gemini 3.8 Live Extended Thinking (High) — 82.6; 1,35 giây; 3,50 đô la mỗi giờ.

• Eleven Realtime v1 Max — 77,3; 0,57 giây; 4,80 đô la mỗi giờ.

Lưu ý hàng cuối cùng. Eleven Realtime v1 Maxnhanh hơn về thời gian đến âm thanh đầu tiên so với Phonic 1 — 0,57 giây so với 0,61 giây — và thấp hơn 9,8 điểm chỉ số. Thời gian đến âm thanh đầu tiên không phải là cuộc thi mà Phonic đã thắng; nó thắng ở chỉ số tổng hợp, vốn cũng tính đến khả năng suy luận lời nói, hành vi thực hiện tác vụ của tác nhân, sở thích của con người và thành công trong tác vụ. Bất kỳ ai trích dẫn "nhanh nhất" từ một cột duy nhất đều đang trích dẫn sai cột.

Giờ là sự bất đối xứng. Không có hàng Sesame Preview nào trên bảng xếp hạng đó, và cũng không có cách nào để một hàng như vậy xuất hiện: chỉ mục này chạy các mô hình qua một bộ khung API, còn Sesame Preview thì không có API. Các công cụ của chính Sesame cũng không lấp được khoảng trống đó. TurnBench do Sesame công bố và, tính đến thời điểm viết bài này, không có mục Sesame nào — bảng này liệt kê các mô hình dự đoán hoạt động giọng nói, ESPnet, semantic VAD của Kyutai, Gemini 3.1 Live, OpenAI Realtime và Moshi, nhưng không có giọng nói trong sản phẩm chính thức của chính công ty. Đó không phải là bê bối; việc là tác giả benchmark và việc nộp benchmark là hai hành vi khác nhau, và một ứng dụng đi kèm không có endpoint ổn định để bộ chấm điểm hướng tới. Nhưng điều đó cũng có nghĩa là hai con số nổi bật trong màn so tài này — 87.1 ở một phía, dưới 300 ms ở phía kia — không phải là cùng một loại tuyên bố. Một con số được bên thứ ba đo trên một bộ khung đánh giá. Con số còn lại là mục tiêu do nhà cung cấp công bố về một sản phẩm mà chưa ai bên ngoài công ty từng đo đạc bằng công cụ.

Cột mà Phonic 1 thua, theo bằng chứng của chính Phonic

Nếu lý do bạn đang xem Sesame Preview là vì nó nghe giống như một người, thì so sánh này có một câu trả lời không thoải mái, và câu trả lời đó đến từ chính tài liệu báo chí của Phonic chứ không phải từ một nhà phê bình.

Phonic đã đặt Podonos, một dịch vụ kiểm thử người nghe bên thứ ba, thực hiện các bài kiểm thử nghe theo cặp mù và báo cáo kết quả trong bài đăng ra mắt của mình. Phonic-1 được ưa thích hơn GPT-Live-1 với tỷ lệ 61,5% so với 32,0%, hơn Grok Voice 3 với 66,5% so với 26,5%, và hơn Eleven v4 Turbo với 78,0% so với 14,0%. Dòng tít mà công ty chọn để mở đầu lại chính là dòng tít mà họ đã thua: các diễn viên lồng tiếng người được ưa thích hơn Phonic-1 với tỷ lệ 57,0% so với 32,0%, mà bài đăng mô tả là con người thắng khoảng 60% số lần, đồng thời vẫn còn nhiều dư địa để cải thiện. Đó là những con số do nhà cung cấp đặt hàng và do nhà cung cấp báo cáo, và chưa có con số nào được tái lập độc lập — nhưng chúng là con số của nhà cung cấp, và chúng nói rằng Phonic 1 là giọng tổng hợp tốt nhất trong nhóm so sánh của mình và vẫn chưa phải là con người.

Dữ liệu sở thích độc lập cũng cho thấy cùng một hướng. Trên Speech Agent Arena — nguồn dữ liệu đầu vào cho chỉ số tổng hợp — Phonic 1 xếp thứ tám trong số 30 về mức độ yêu thích của người nghe với Elo 1.012, trong khi xếp thứ tư về tỷ lệ hoàn thành nhiệm vụ ở 92,3%. Mô hình đứng đầu chỉ số không phải là mô hình mà người nghe muốn trò chuyện nhất. Đó chính là kiểu tách rời tương tự mà chúng ta đã thấy ở Grok Voice 3.0 từ phía ngược lại — xAI thắng arena nhưng thua ở hạng mục tác tử — và đó là lý do mang tính cấu trúc khiến một cuộc đối đầu trực tiếp giữa hai mô hình này không thể được giải quyết bằng một con số duy nhất.

Trong khi đó, danh tiếng của Sesame lại dựa đúng vào cột đó và không dựa trên bất cứ điều gì chặt chẽ hơn. Bản demo Maya và Miles đã lan truyền mạnh vào tháng 2 năm 2025 nhờ những tiếng thở, ngập ngừng, tự sửa lời và tiếng cười, và tuyên bố được lan truyền là người nghe không thể phân biệt một cách đáng tin cậy các giọng nói đó với người thật trên các đoạn clip ngắn. Đó là một ấn tượng được hình thành bởi khán giả, không phải một bài kiểm tra có chấm điểm, và nó chưa bao giờ được đặt cùng phòng với Phonic 1. Không có thử nghiệm nào được công bố trong đó người nghe được nghe Sesame Preview và Phonic 1 liên tiếp nhau. Bất kỳ ai nói với bạn cái nào nghe hay hơn đều đang nói cho bạn biết họ đã nghe cái nào.

Một phút tốn bao nhiêu, và tại sao phút lại là đơn vị sai

Bảng giá thì ngắn và không cân đối:

• Phonic 1 — $0,07/phút ở gói Starter không có mức tối thiểu, 10 cuộc gọi đồng thời, 10 nhân viên trực và 3 ghế; $0,065/phút ở gói Pro với mức tối thiểu $200/tháng, tương đương khoảng 3.100 phút, có 50 cuộc gọi đồng thời; gói Enterprise tùy chỉnh. Đăng ký trước ngày 30 tháng 11 được $250 tín dụng, và khách hàng chuyển khỏi cascade được miễn phí ba tháng.

• Sesame Preview — $0. Không tính theo phút, không theo ghế ngồi, không theo từng agent. Miễn phí trong ứng dụng.

• Sesame CSM-1B — các trọng số là miễn phí, còn hóa đơn của bạn chính là số giờ GPU cộng với thời gian kỹ thuật để lắp ghép cơ chế luân phiên lượt nói, điều kiện hóa ngữ cảnh và một mô hình ngôn ngữ xoay quanh một checkpoint vốn không thể tự tạo ra văn bản.

Thực hiện phép so sánh có ý nghĩa, và cách đóng khung theo phút sẽ sụp đổ. Mười nghìn phút mỗi tháng trên Phonic 1 Starter là 700 đô la, một sai số làm tròn đối với một tổng đài chăm sóc khách hàng và là ngân sách thực sự đối với một dự án phụ. Sesame không tính phí vì Sesame không bán số phút — họ bán một thói quen hằng ngày trước buổi ra mắt kính mắt năm 2027, và một thói quen được kiếm tiền theo người, theo năm, trên phần cứng, chứ không phải theo phút âm thanh. So sánh bảng giá cước với một ứng dụng miễn phí chẳng khác nào so sánh một nhà cung cấp với một tấm biển quảng cáo.

Điều này để lại phiên bản trung thực của câu hỏi về chi phí: chi phí để triển khai là bao nhiêu? Với Phonic 1, câu trả lời là một hợp đồng, một websocket và mười lệnh gọi đồng thời trên gói Starter trừ khi bạn trả phí cho gói Pro. Với Sesame Preview, câu trả lời là không có con số, vì không có dịch vụ nào được chào bán. Thứ gần nhất với một Sesame có thể triển khai là CSM-1B, và thứ gần nhất mà CSM-1B có với bảng giá là một hóa đơn GPU.

Ba người mua, ba câu trả lời khác nhau

Bạn đang chuyển lưu lượng cuộc gọi khỏi một cascade và các cuộc gọi phải hoàn thành. Phonic 1, và trường hợp này nằm ở cột agentic chứ không phải composite. Các lệnh gọi công cụ kích hoạt trước khi người gọi ngừng nói chính là khác biệt giữa một agent đặt được lịch hẹn và một agent khiến người gọi phải nhắc lại. Mức $0.07 là rẻ so với chi phí của một cuộc gọi tiếp nhận thất bại, và trần đồng thời là thứ cần định cỡ trước khi bạn cam kết.

Sản phẩm của bạn chính là cách nó cất lên tiếng. Một người bạn đồng hành, một huấn luyện viên, một gia sư, một giọng nói thương hiệu — bất cứ thứ gì mà lý do người dùng ở lại chính là giọng nói đó. Sesame Preview là điểm tham chiếu còn Phonic 1 thì vẫn chưa phải là câu trả lời: trong chính bài kiểm tra mù của nhà cung cấp, con người đánh bại nó với tỷ lệ gần hai trên một. Nhưng điểm tham chiếu thì không thể mua được, nên những lựa chọn thực tế là một mô hình giọng nói được cấp phép với điểm sở thích đã được đo lường, hoặc CSM-1B cùng rất nhiều công sức kỹ thuật của chính bạn.

Bạn muốn sự tách đôi — giọng nói mang phong vị Sesame với một backend tác tử. Đây là sự kết hợp mà lộ trình của cả hai công ty đều hướng tới và không bên nào bán. Phiên bản có thể tự dựng là CSM-1B hoặc một mô hình giọng nói mở khác cho phần giọng nói, và một mô hình văn bản thông thường phía sau để đảm nhận phần suy nghĩ, do bạn tự nối chúng lại với nhau. Giai đoạn văn bản đó là suy luận trò chuyện thông thường, tức là lớp mà một API cho hơn 200 mô hình với markup 0% thực sự áp dụng: một khóa duy nhất cho chặng suy luận, giá niêm yết của nhà cung cấp được chuyển qua nguyên vẹn, DSL định tuyến để gửi các cuộc trò chuyện luân phiên lượt và suy luận nặng về chính sách tới các mô hình khác nhau trong cùng một cuộc gọi, cùng với chuyển đổi dự phòng tự động để một trục trặc nhỏ từ nhà cung cấp không kết thúc cuộc hội thoại. Cả Phonic 1 lẫn Sesame Preview đều không có trong danh mục đó — Phonic 1 vì đó là một endpoint của một nhà cung cấp duy nhất và Sesame Preview vì không có endpoint để định tuyến — nên đây là phát biểu về nửa phần stack mà bạn tự lắp ghép, không phải là tuyên bố về một trong hai mô hình ở trên.

Điều gì sẽ làm thay đổi câu trả lời này?

Ba điều, theo thứ tự khả năng xảy ra tăng dần.

Phonic công bố số liệu kiểm tra nghe cho thiết lập intelligence standard. Mọi điểm số trong bài viết này, bao gồm 87.1 và 0.61 s, đều được tạo ra ở high. API mặc định là standard, được ghi nhận là chế độ độ trễ thấp hơn, và chưa ai công bố cấu hình đó ảnh hưởng thế nào đến chất lượng hoặc thời gian đến âm thanh đầu tiên. Một tích hợp không bao giờ động đến thiết lập này đang chạy một biến thể chưa được đo đạc.

Sesame mở một endpoint, hoặc đưa giọng nói production của chính mình lên bảng quản lý lượt nói của chính mình. Cả hai lựa chọn đều sẽ biến đây từ chỗ so sánh một sản phẩm với một danh tiếng thành so sánh hai thứ có thể đo được. Không lựa chọn nào nằm trong lộ trình mà Sesame đã mô tả, lộ trình ấy đi qua Android, rồi đến kính mắt vào năm 2027.

Ai đó chạy cả hai trong cùng một phòng. Một bài kiểm tra mù duy nhất với các giọng production của Sesame Preview và Phonic 1 trên cùng những prompt ấy sẽ giải quyết được câu hỏi về độ tự nhiên trong vòng một buổi chiều, và nó không thể được thực hiện bởi bất kỳ ai không làm việc tại Sesame, bởi vì một trong hai hệ thống không thể tiếp cận được từ bên ngoài.

Cho đến khi một trong những điều đó xảy ra, cách diễn giải có thể biện hộ được là thế này: Phonic 1 là cái duy nhất trong hai cái bạn có thể triển khai, nó đứng đầu bảng tổng hợp độc lập duy nhất có chấm điểm bất kỳ cái nào trong hai, nó thắng ở cược hoàn thành công việc trước khi lượt kết thúc, và có thể đo được rằng nó chưa phải giọng người. Sesame Preview là thứ nghe hay hơn mà bạn không thể có, đến từ một công ty hiện không kinh doanh bán nó. Đó không phải hai lựa chọn trên cùng một thực đơn. Chúng là một nhà cung cấp và một bản demo, và bạn càng nhanh chóng ngừng so sánh bảng thông số của chúng thì càng nhanh chóng quyết định được sản phẩm của bạn thực sự cần cái nào.