Gemini 3.8 Live 对比 Sesame Preview：一个是令人赞叹的声音，一个是可以打电话的声音

Sesame 的语音智能体在“听起来像真人”这一项上得到 4.5 分（满分 5 分）。Gemini 3.8 Live 的得分是 4.0。Sesame 的智能体还能完成 71% 的预订流程，而 Gemini 3.8 Live 的完成率为 78%，并且 Sesame 的函数调用出错率大约是其两倍。如果你要为一家做预约预订业务的公司选择语音技术栈，那么听起来更自然的那个模型反而会落败——而它落败的原因，与它听起来有多好毫无关系。

这些数据来自第三方的一次正面对比测试，每个模型都在预约话术上跑了 1,500 通客户电话，其中有两点重要的注意事项。这些数字并非出自我们，也没有经过独立复现，而且 Gemini 一侧用的是 2026 年初的 Gemini Live 那一代，而不是本文所讨论的模型。Gemini 3.8 Live是谷歌于 2026 年 9 月 15 日发布的语音到语音产品，现已在 Live API 上提供。Sesame Preview是 Sesame 面向消费者的语音助手，自 2026 年 5 月起在 iOS 上免费提供，自 2026 年 8 月初起在 Android 上广泛提供，围绕四个具名智能体——Maya、Miles、Simone、Charlie——构建，并被广泛描述为任何人交谈过的最像真人的语音助手。

这场较量其实并不是模型对模型。它是一个你能投入生产环境的产品，对阵一个你只能去访问的体验。

每样东西的形状

Gemini 3.8 Live 是一个面向开发者的接口。它通过gemini-3.8-live和gemini-3.8-live-extended-thinking在 Live API 上提供，音频输入每分钟 0.005 美元、音频输出每分钟 0.018 美元，文本为每百万 token 0.75 美元和 4.50 美元，图像或视频输入为每百万 1.00 美元。它支持 97 种语言并可在对话中途切换，近乎实时地处理视觉输入，在对话持续进行的同时于后台运行工具和 API 调用，并为生成的每一秒音频都打上 SynthID 水印。Extended Thinking 变体可同时推理与说话，实时叙述进展，因此长时间任务期间通话不会陷入沉默。谷歌自行报告的排名是 Speech Agent Arena 第二，该系列在 Artificial Analysis 的 Speech to Speech Quality Index 上以 82.6 分位居榜首。这些是谷歌本周给出的数字，尚未被复现。

Sesame Preview 是一款面向消费者的应用。它仅提供英文版本。通话时长上限为 30 分钟，当你退出登录时会降至五分钟。其智能体可跨会话保持上下文、搜索网络并设置提醒——但它们不会进行预订、购买或提交文件等操作。没有企业版层级，也没有公开定价。

两者都是全双工对话系统，其话轮转换的自然程度足以让人们不再察觉。相似之处仅止于此。

我们唯一拥有的正面交锋实际上说明了什么

CallSphere 的对比以大规模运行了预订流程脚本，并按模型报告了四项数字。在完成率方面，Gemini Live 完成了 78% 的预订，而 Sesame Maya 为 71%。在函数调用错误方面，Gemini Live 为 3.3%，而 Maya 为 6.7%。在 p95 延迟方面，Maya 更快——480 毫秒对 640 毫秒。而在主观评分“听起来像真人”（1 至 5 分）上，Maya 得 4.5 分，Gemini Live 得 4.0 分。

把这些放在一起读，就会浮现出一种任何单独一行都显示不出的模式。Sesame 赢了人类会注意到的两行，却输掉了企业会注意到的两行。自然度和延迟是来电者能感受到的；完成率和错误率则是会在对账中显现出来的。一个听起来像真人、但在预订流程中每十五通电话就掉一通的声音，并不是更好的语音代理——它只是一个更好的演示。

两点诚实的说明。这一对比来自某家厂商的博客，而不是经过同行评审的评估；而且，每个模型在单一脚本类型上各 1,500 次调用，只是一个很窄的切片。此外，Gemini 的数字描述的是 2026 年初随 Gemini Live 一同发布的生成版本，它至少比 3.8 Live 落后整整一个模型。把这些数字套用到 Gemini 3.8 Live 上，只能算是一种猜测。还没有人发布过涉及 3.8 模型的正面直接对比。

几乎每篇文章都弄错的部分

每一篇称赞 Sesame 语音的文章，称赞的其实都是这款应用，而这款应用的语音是一个规模更大、封闭的生产模型，Sesame 从未将其作为 API 发布。你无法购买、授权或调用它。如果你读到 Sesame 的对话时机是市面上最好的，并由此得出结论说你也能拥有它，那么这个结论并不能从证据中推出。

Sesame 实际开源的其实是 CSM-1B——也就是 Moshi 家族中那个 10 亿参数对话语音模型变体，以 Apache-2.0 许可发布。它是一个合成模块，而非助手：由 Llama 主干预测第一个 Mimi 码本，再由一个较小的 Llama 解码器预测其余部分，最后经 Mimi 编解码器转换为 24 kHz 波形。它仅支持英语，可从一段干净、时长 10 到 15 秒的参考音频克隆音色，而且完全无法生成文本——你需要为它搭配一个单独的语言模型。同时体验过两者的人都说，CSM-1B 的音色明显弱于 Preview 应用。它目前由单一第三方提供商托管，价格为每百万字符 7 美元，约合每小时音频 0.35 美元；若自行托管则免费。

模型卡把原本不便明说的部分直接说了出来：驱动那个交互式语音演示的是 CSM 的一个微调变体，而它并不是你能下载到的那个检查点。所以，“Sesame 对 Gemini”的诚实版本是这样的：Sesame 有一个你无法访问的、漂亮的闭源声音，还有一个你能访问的小型开源合成模块，而这两者并不是一回事。Google 只有一个你能调用的模型，而且它就是他们宣传的那个模型。对构建者来说，这种不对称性比任何自然度评分都更有价值。

规格对比

• 你能获得什么 —— Gemini 3.8 Live：如今即可调用的 API，对比 Sesame Preview：一款免费的消费级应用，其生产级语音却没有 API

• 生产级语音可获授权 — Gemini 3.8 Live 可以，按分钟付费；而 Sesame Preview 不可以，从未发布

• 开源产物 — Gemini 3.8 Live 无，闭源，对比 Sesame Preview CSM-1B，Apache-2.0，一个不同且更弱的模型

• 语言 — Gemini 3.8 Live 97 vs Sesame Preview 仅英语

• 工具调用 —— Gemini 3.8 Live 在对话过程中进行后台工具和 API 调用，而 Sesame Preview 智能体虽能记住上下文并搜索网络，但不执行任务

• 会话时长限制 —— 未经 Google 发布的 Gemini 3.8 Live 与 Sesame Preview：30 分钟，未登录时 5 分钟

• 自然度 — Gemini 3.8 Live 在该维度上未经测量，而 Sesame Preview 在听感方面被评为同类最佳，两者均无独立基准测试

• 延迟 — Gemini 3.8 Live 未公布，而根据第三方测量，Sesame Preview 针对 Maya 的端到端延迟为 250–450 毫秒，流式首字节低于 300 毫秒

• 企业路径 — Gemini 3.8 Live 在 Gemini Enterprise 中的私有预览，即将登陆 Customer Experience，对比 Sesame Preview：无

• 所述方向——Gemini 3.8 Live 的 Live API 与 Agora、LiveKit、Pipecat、Fishjam 及其他平台的集成，对比 Sesame Preview 的研究合作以及计划于 2027 年推出的眼镜硬件

自然度那一行正是人们争论的焦点，而注意它说的是什么：两个模型都没有关于自己听起来有多像真人的独立基准。现有的只是 Sesame 的应用受到听众称赞，以及 Google 在一个竞技场中排名第二。这两者不是同一种衡量，而竞技场至少还有一套方法论。

自然度在运营上要付出什么代价

错就错在把自然度当成一项可以额外添加的功能。它是一种取舍，而且这种取舍通常要牺牲工具的可靠性——因为那些让语音听起来像人的行为，比如迟疑、抢话、愿意在句子说到一半时让出话轮，都出自同一个模型：它把容量用在韵律和话轮转换上，而不是用在函数调用的严格语法上。比起任何关于某家实验室更擅长工程的说法，这更有说服力地解释了 6.7% 对 3.3% 错误率背后的机制。

它还有一项没人会列入预算的基础设施成本。一个听起来像真人的声音会抬高期望，而来电者如果以为自己是在和人说话，就无法容忍连续两次听到“我没听清”。Sesame 自己设定的 30 分钟上限，是在无声地承认：这类模型持续运行的成本高昂——而 Google 并未为 3.8 Live 公布这样的上限，但这并不等同于说它不存在。

哪一个适合你的技术栈？

当语音只是达成目的的手段时——排程、分诊、客服支持，以及任何来电者只想要一个结果的场景——请选择 Gemini 3.8 Live。你今天就能获得 API、公开的费率、在后台运行的工具循环、97 种语言，以及一条按需可走的企业级路径。

当你在研究对话质量应该给人什么感觉，或者当你在构建一种通话本身就是产品的消费者体验时，选择 Sesame Preview。它免费，确实是目前可用的声音最好听的选择，也是一个校准你品味的好地方。不要围绕它规划生产环境集成，因为没有什么可供集成。

大多数严肃的团队最终都会采用混合方案，而一旦采用混合方案，路由就不再是可选项。把听感自然的模型放在开场和确认轮次，这些地方能感受到延迟和温度；把工具调用可靠的模型放在交易轮次，这里一出错就意味着丢单。OrcaRouter 正是为这种架构形态而生——当单个模型的判断不够好时，模型融合让一组模型共同作答；路由 DSL 可将多个模型组合成一次调用；故障转移则能在无需重新部署的情况下，把流量从开始出问题的模型上移走。在供应商确实公布价格的情况下，我们按提供商标价原样传递，不加价，因此降价当天就能反映到你的账单上。

值得关注的是：为 Sesame 的生产级语音提供一个 API，或者一个像竞技场衡量质量那样衡量自然度的基准。二者中任何一个都会让这件事从“获取权限与体验之间的选择”变成真正的对比。在那之前，这些模型里有一个你能调用，另一个你只能欣赏，而这一点比任何分数都更快地分出高下。

大多数严肃的团队最终都会走向混合方案，而一旦混合，路由就不再是可选项。把听起来自然的模型放在开场和确认的轮次上——这些环节的延迟和温度是能被感知的；把工具调用可靠的模型放在交易轮次上——在那里，一次出错就意味着丢掉一个预订。OrcaRouter 正是为这种形态的技术栈而生 - 模型融合让一组模型在单个模型的判断不够好时共同给出答案，路由 DSL 能把多个模型组合成一次调用，而故障转移无需重新部署就能把流量从开始表现异常的模型上迁走。