Eleven Realtime v1 Max 与 Sesame Preview 对比：赢得耳朵的声音却输掉了任务

随便问一个人哪个语音助手听起来最像真人，你都会听到 S​esame Preview。再问企业能把哪个模型部署到电话号码背后，答案就是 Eleven Realtime v1 Max——一个于 2026 年 10 月 20 日发布的语音到语音模型，在固定评测中可解决 87.1% 的任务，0.57 秒内作答，并可通过 ElevenAgents 或兼容 O​penAI 的 Realtime API 使用。S​esame Preview 是一款消费级应用，带有四个具名伙伴，却无法购买其中的声音。此类模型背后有记录可查的 AI 事件与智能体故障，均收录于 OrcaRouter AI Incident Archive，其中每条记录都附有自己的来源、严重程度、置信等级和争议标记。

这并不是一场完胜，因为这两款产品追求的是不同的东西，而支持 S​esame 语音方案的理由确实成立。S​esame 的研究人员很早就公开提出：对话中的时机把握——那声“嗯哼”、话语重叠，以及愿意在句子说到一半时让出话轮——才是恐怖谷所在，而不是音色。E​levenLabs 的文档则从相反方向下了同样的赌注：Mini 被描述为能够检测说话者是已经说完，还是仅仅在插话。两家实验室，同一个论点，相反的商业模式。

真正让对比变得有意思的地方，在于两者实际衡量的内容。ElevenLabs 公布了六个数字和一个评估合作方。Sesame 公布的则是一种体验。

每一个分别是什么，确切地说

Eleven Realtime v1 Max是一个单一网络，将识别、轮次交接、推理和语音生成集于一体，定位于需要多步骤工具调用的复杂任务：客户支持、潜在客户资格筛选、辅助排程。它价格更低的同类产品 Eleven Realtime v1 Mini 是新建 ElevenAgents 智能体的默认选择，主打以更低成本实现自然对话。Max 有两种接入方式——从 ElevenAgents 下拉菜单中选择，由 E​levenLabs 为你管理 LLM、T​TS 模型、ASR 提供商和推理设置；或者通过 Realtime API，在 wss://api.elevenlabs.io/v1/convai/realtime 上以 WebSocket 承载 O​penAI 的 Realtime 事件协议。

S​esame Preview是一款免费的消费级语音助手：四位有名字的智能体——Maya、Miles、Simone、Charlie——可在 iOS 和网页端使用，几乎所有试过它的人都称其为市场上最自然的语音助手。它能跨会话保持上下文、搜索网络并设置提醒。它不预订、不购买，也不归档任何内容。没有企业版，没有公开定价，也没有针对你在应用中听到的语音的公共 API。

两者都是全双工对话系统，轮次交替的顺畅程度足以让人不再察觉到它。相似之处到此为止，“哪个更好”的问题也从此不再有单一答案。

其中一个所拥有的数字

Artificial Analysis 在适用于所有语音到语音模型的同一套评估框架上，独立评估了 Eleven Realtime v1 Max。以下是其数据，而非 ElevenLabs 的数据：

• 语音推理（Big Bench Audio）— 最高 98.8%

• 对话动态（Full-Duplex-Bench）——最高 94.1%

• 任务成功率 — 最高 87.1%

竞技场偏好（Elo）— 最高 997

• 首次音频响应时间 — 最长 0.57 秒

• 每小时输入音频的费用 — 最高 $4.80

• 智能体性能（τ-Voice）—— Max 未测量

• 语音到语音指数 — Max 未评分

S​esame Preview 未出现在这些行中的任何一行。它没有公开 API，因此没有独立测试框架能运行它，而且 S​esame 之外的任何人从未针对任务完成度或延迟对应用自身的行为进行过基准测试。当人们说 S​esame 听起来更好时，他们报告的是一种聆听印象，而这是一种合理的印象——只是它与一个背后有方法论和偏好模型的竞技场并不是同一种测量。

这件事有两面性。997 的竞技场 Elo 是来自真实听众的真实数字，它使 Max 落后于 Grok Voice 3.0 的 1,064、GPT-Live-1 (Sol, low) 的 1,047 和 Gemini 3.8 Live 的 1,078。ElevenLabs 在推理和速度两项上胜出，却没有在偏好项上胜出。如果你直觉认为 Sesame 的声音胜过 Max，竞技场结果与这种直觉一致——只不过它碰巧是与其它 API 模型相比，而不是与 Sesame 相比。

开放权重这个问题，正是大多数比较出错的地方。

每一篇称赞 Sesame 声音的文章，称赞的其实都是那款应用，而该应用的声音是一个闭源生产模型，Sesame 从未将其作为端点发布。Sesame 开源的是 CSM-1B——Moshi 系列中一个 1B 参数的对话语音模型，采用 Apache-2.0 许可。它是一个合成模块，而非助手：Llama 主干预测第一个 Mimi 码本，一个更小的 Llama 解码器预测其余码本，再由 Mimi 编解码器将其转换为 24 kHz 波形。它以英语为先，可从短参考音频片段克隆声音，而且完全不能生成文本——你需要将它搭配一个单独的语言模型使用。

同时运行过两者的人都认为，CSM-1B 的语音明显弱于 Preview 应用，而 S​esame 自己的模型卡也支持这一解读：交互式演示由 CSM 的一个微调变体驱动，而该变体并不是你可以下载的检查点。

所以，“S​esame 与 E​levenLabs”的诚实版本是这样的。S​esame 有一个动听但无法调用的闭源语音，还有一个可以调用的小型开放合成模块，而它们并不是同一个模型。E​levenLabs 有一个可调用的模型，其语音经测量确实不错，但并不是最受喜爱的，而且还要收费。对构建者而言，真正重要的不对称并不是哪个听起来更好，而是哪个有端点，而这一点完全不在一个量级。

合并会在生产环境的哪些地方出现

E​levenLabs 的观点是，将识别、话轮转换、推理和语音整合到一个经过调优的系统中，可以消除级联方案留下的接缝。

在 ElevenAgents 中，这种合并是字面意义上的，并且有代价：设置 Realtime 模型后，LLM、推理强度、思考预算、并行工具调用、级联超时、TTS 模型、表现力模式和 ASR 提供商全部由 ElevenLabs 管理，并在智能体上被忽略。工作流节点无法覆盖这些设置，智能体也完全无法使用自定义 LLM 或 Amazon Bedrock。选择模型，就等于选择了它下面的整个技术栈。

合规矩阵的不均衡程度会让在各地区推广这一方案的人感到意外：

• 数据驻留 — Max 在美国和欧盟提供，但不包括印度和新加坡，这两个地区仅提供 Mini

• 零保留模式与 HIPAA — Max 在美国和欧盟均受支持；Mini 在两地均不受支持

• Token 上限 — Max 要求 1,024 个 Token 或无限制，且工作流节点无法覆盖该设置

• 代理转移 — Realtime 模式的代理只能与其他 Realtime 模式的代理相互转移，但允许 Mini 到 Max 的转移

• 传输 — 发布时不支持 WebRTC；Realtime API 仅支持 WebSocket

这些规则是在发布时执行的，而不是在保存时：违反规则的草稿可以正常保存，但发布时会失败，并报错指明相关的设置。如果你在做原型开发，这不过是小麻烦。如果你要发布到受监管的队列，它就决定了你能在哪个环境中使用哪个变体，而更便宜的那个并不总是合规的那个。

哪一个适合你的技术栈？

当语音只是手段、通话必须产出结果时——例如支持分诊、预约排程、资格筛选——请选择 Eleven Realtime v1 Max。你今天就能获得一个端点、一个兼容 OpenAI 的事件协议（让从 Realtime 集成迁移只需改动两个字符串）、实测 87.1% 的任务成功率、榜单上最快的强推理模型，以及可按每音频小时 4.80 美元建模的价格。也要接受它仍在逐步推出、其智能体行为尚未经过测量，并且其语音未能在偏好竞技场中登顶。

选择 Sesame Preview，当你正在研究对话质量应该带来怎样的感受，或是在打造一款对话本身就是产品的消费级产品时。它免费，是大多数人试过音质最好的，也是校准品味的好方法。不要围绕它规划集成：没有什么可与之集成，而且应用中的模型并不是 CSM-1B。

仅当你想要一个开放、可自托管的语音合成模块，并准备围绕它构建其余部分——ASR、语言模型、轮次交互层——时才选择 CSM-1B。它采用 Apache-2.0 许可，在该角色中确实很有用。它不是 Max 的竞争对手，也从未打算成为竞争对手。

混合方案，以及路由器能帮忙的那一半

大多数严肃的语音产品最终都会混合使用模型，而不是只选一个。在开场和应答轮次使用听起来自然的模型，因为温暖感和延迟在这些轮次中能被感受到；在事务轮次使用任务可靠性高的模型，因为一次错误就意味着丢失预订。无论是 Eleven Realtime 还是 S​esame，都无法在单一连接内轻松做到这一点——E​levenLabs 的 Realtime API 是独立于 ElevenAgents 的产品，且仅通过 WebSocket 运行，而 S​esame 没有可供混用的 API。

路由层真正能赢得一席之地的地方，是在下一层，也就是语音模型委派出去的工作上。在 OrcaRouter 上，这体现为一个密钥背后接入来自 16 家上游提供商的 209 个模型，按提供商标价提供，零加价，并在提供商出错时自动故障转移。模型融合让多个模型组成的小组在一个模型的判断力不足时共同作答；路由 DSL 可将多个模型组合成一次调用。Eleven Realtime v1 Max 本身并不在我们的目录中——它没有第三方端点——所以坦诚的边界是：我们可以路由检索、摘要和通话后分析，但无法路由语音。

能改变这篇文章的，是一个像竞技场衡量偏好那样衡量自然度的基准测试，并且同时覆盖 S​esame 的应用和 API 模型——或者为 S​esame 的生产语音提供一个端点。这两者中的任何一个，都能把在访问权限与体验之间做选择变成真正的比较。在此之前，这些模型中有一个你可以调用，另一个你只能欣赏，而这比任何听感测试都更能说明问题。