Fish Audio Live 3 vs Sesame Preview：轮次转换的两种解法，其中一种可衡量

Sesame 针对 Fish Audio Live 3 声称已解决的那个具体问题构建了一个基准，而随后 Fish Audio 发布的模型却并未出现在该基准上。这就是本次对比的简版。Sesame Preview——运行于该实验室 Conversational Speech Model 之上的四智能体消费级产品——于 2026 年 8 月发布了 TurnBench：三十小时经三重标注的两人对话语音、一个公开排行榜、一个交互式对话查看器，以及十四个系统的结果。Fish Audio Live 3 于 2026 年 11 月 10 日发布，主张对话时序应当在语音模型内部学习，而不是由静音阈值强加，并公布了三段示例通话和一个 186 毫秒的数据。论点相同，证据不同。

其余一切，都源于两家公司把这个论点转化为产品的方式截然不同。Live 3 是出售的：在 Fish Audio 的 Agent Platform 上，促销期间每分钟 0.035 美元，促销截至 2026 年 12 月 31 日；提供有文档的 API，并为企业提供本地部署选项。Sesame Preview 则是免费赠送的：在 iOS 和 Android 应用中提供四个固定的人格，没有 API，应用中的语音没有模型标识符，也没有任何按 token 或按分钟计费的东西。其中一个你本周就能基于它开发。另一个你只能听。

现有的测试，以及为什么 Live 3 不在其中

话轮转换是一种罕见的能力：在模型出现之前，业界就已就衡量它的方式达成一致，而 Sesame 在很大程度上促成了这一点。TurnBench 于 2026 年 8 月 28 日发布，由卡内基梅隆大学、Mundo AI 和 Oto 共同构建，它评估系统如何处理那些恰恰会让电话智能体显得不对劲的事件：一个不应抢走发言权的确认、一个本应抢走发言权的打断、一个并非结束的停顿。排行榜是公开的，开发集可自助使用，结果涵盖十四个系统。

Fish Audio Live 3 不在其中，任何其他 Fish Audio 双工模型也不在其中。这并不是丑闻——11 月发布的模型不可能出现在 8 月的排行榜上——但它是这次比较中最有用的一条事实，因为它告诉你每家公司正在做出的是哪种声明。Sesame 把自己的产品放到了一个由它协助设计的公开测试中，任何人都可以查看分数。Fish Audio 把自己的产品放到了一张促销价目表上，任何人都可以查看价格。

两者都是正当的发布。但只有其中一个能让陌生人亲自验证营销所宣称的那件事。

双方实际交付的内容

• 它是什么 — Fish Audio Live 3 是智能体平台背后的全双工语音模型；Sesame Preview 是一款消费级助手应用，包含四个智能体：Maya、Miles、Simone 和 Charlie，每个智能体都有各自的记忆。

• 分发 — Live 3：自助式平台、有文档的 API、企业本地部署。Sesame Preview：iOS 和 Android 应用，免费，无 API，应用中的语音没有模型 ID。

• 价格 — Live 3：促销价每分钟 $0.035，目录价每分钟 $0.07，另加电话通话每分钟 $0.01 以及每个号码每月 $1.20。Sesame Preview：未公布价格，也未公布套餐层级；该应用可免费下载。

• 语言 — Live 3：按 Fish Audio 自己的说法，发布时仅支持英语，尽管其所属平台宣称提供 30 多种语言的语音。Sesame Preview：以英语为中心，根据该实验室自己的研究笔记，其训练主要使用英语。

• 独立性 — Live 3：截至2026年11月11日，未发布任何类型的基准测试结果，在 Artificial Analysis 的语音到语音榜单上也没有任何记录。Sesame Preview：该应用的语音同样没有独立评分，但有一个公开的轮次转换排行榜，由该公司协助建立并对外发布。

• 开放性——Live 3：没有模型权重、没有许可证、没有代码仓库。Sesame：一个开放检查点 CSM-1B，自 2025 年 3 月起以 Apache-2.0 许可在 Hugging Face 上提供——而它并非应用中的那个声音。

• Interface — Live 3：由你来集成。Sesame Preview：你与它对话。

两家公司共有的词汇问题

两款产品公开的信息都不足以让你比较自己真正关心的那件事，而且两者用的是同一个词。Fish Audio 称之为对话的节奏，并描述了一个分段读出的电话号码——“415… 555… 0132”——而传统智能体会在其中听到三个各自独立的轮次结束。Sesame 的营销把同样的行为称为临场感，其 2026 年 10 月的发布说明称，公司更新了 Conversational Speech Model，以提升表现力和发音，同时减少谄媚和重复短语。按原文来看，这两种说法都不可证伪。两家都没有给出数字。

区别在于，Sesame 把“尺子”交付出来了。如果 Fish Audio 想按实际优劣来比较，TurnBench 的开发集是公开且可自行评分的；排行榜正等着有人提交成绩。

对于每一项，构建者能做什么，以及不能做什么

到这里，这两个产品就完全不再具有可比性了。Sesame Preview 并不是一个组件。它没有 endpoint，没有 session API，也没有办法把它的声音接入你自己的电话号码；而应用外部的人唯一能加载的 Sesame checkpoint 是 CSM-1B——一个 2025 年 3 月的 10 亿参数模型，比当前应用中的声音早了整整一年半的研发工作。如今，任何团队若想把 Sesame 的对话感带入自己的产品，除了等待，别无他路。

Live 3 是相反的取舍。它在关键意义上仍是封闭的——没有权重，除非签订企业合同，否则无法自行托管——但它又以能让你交付的方式开放：智能体构建器、有文档的 API、电话功能，以及按分钟计费的价格。推理层是一个独立、可替换的部分；智能体可以把“思考”指向兼容 OpenAI 的端点，而语音仍由 Fish Audio 提供。正是这种结构，让一个小团队在周二就能把它部署起来。

具体就推理这一半而言，OrcaRouter 在一个密钥背后承载 200 多个模型，按提供商标价、零加价，并具备后端在调用中途出错时的自动故障转移，以及用于决定哪类轮次由哪个模型处理的路由 DSL。Fish Audio Live 3 并不属于这些模型——封闭式双工语音模型没有第三方端点，这里也没有什么可路由的。在这个技术栈中，路由器的工作从语音结束之处开始。

看哪一个，以及为什么看

有三个信号足以定夺这场比较，而它们都不是新闻稿。{{1}}Live 3 在 TurnBench 上的条目，或在 Artificial Analysis 语音到语音榜单上的一行，会把 Fish Audio 的行为论证变成一个旁边标着数字的分数{{/1}}。{{2}}Sesame 的开发者 API——该公司表示开发者工具即将推出，但没有给出日期——会把这款应用的声音变成产品可以租用的东西。而第二个开放的 Sesame 检查点，比 CSM-1B 更新，会给开放权重阵营带来 Live 3 发布时明显没有提供的东西。{{/2}}

在这些中的任何一个落地之前，诚实的排名完全取决于你要买的是什么。如果你想要的是当下可用的、音质最好的对话体验，并且愿意把它放在别人的应用里，那么 Sesame Preview 是更令人印象深刻的产品，也是在它该如何被评判这一点上更诚实的那个。如果你这个季度就需要一个能用于生产环境的语音方案，Sesame 并不是候选，比较就归结为关于 Live 3 的单一问题：0.035 美元的促销分钟价和 186 毫秒的应答延迟下限，是否足以构成押上一条电话线的证据。对大多数团队来说，答案是：做试点可以，进发薪名单还不行——而那个能改变这一答案的基准已经存在，只留了一行空白。