GPT-Live-1 对比 Sesame Preview：这场比较中最好的语音，是你买不到的那一个

随便问一个两者都用过的人，排名都毫无悬念：Sesame Preview 是大多数人交谈过的最令人信服的语音助手。它也是你无法基于其进行开发的那一个。GPT-Live-1 和 Sesame Preview 经常被拿来比较——两者都能对话，都能处理打断，听起来都像真人而不是电话语音菜单——但它们的提供方式截然相反。GPT-Live-1 是按分钟租用的托管模型，自 2026 年 9 月 10 日起可公开调用。Sesame Preview 是一款免费的消费级应用，完全没有 API，而让人们印象深刻的那个声音，运行在一个从未发布过的生产模型上。

每一个到底是什么

• GPT-Live-1 — OpenAI 的全双工语音模型，自 2026 年 7 月 8 日起在 ChatGPT 中提供，自 9 月 10 日起在 API 中提供，价格为每分钟语音 0.05 美元。提供十二种 API 音色，不支持声音克隆，不支持图像或视频输入，每次会话都会返回转录文本和响应文本。

• Sesame Preview — 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 上广泛可用，另有一个语音优先的网页预览版。四款智能体——Maya、Miles、Simone 和 Charlie——仅支持英语，通话时长上限为 30 分钟，未登录时会降至 5 分钟。

• CSM-1B —— Sesame 中开源的部分：一个 1B 对话语音模型，于 2026 年 4 月 23 日以 Apache 2.0 许可证发布，基于 Llama 架构主干，配有独立解码器和 Kyutai 的 Mimi 编解码器，可从约 4K 个 token 的上下文生成 24 kHz 单声道英语语音。

上面三行就是整个决策的全貌。一家公司按分钟出售模型，另一家免费送出一款应用，还开源了一个更小的模型——而那个模型并不是应用中用的那一个。

演示版与下载版之间的差距

Sesame 对此异常直白，而对任何评估这两者的人来说，这是唯一最重要的事实。Preview 应用中的语音——也就是催生出那些病毒式传播片段和“同类最佳语音模式”评测的那个语音——是一个规模更大的闭源生产模型。CSM-1B 是来自同一实验室的 10 亿参数开放检查点，而根据同时运行过两者的人的评估，它是一个明显更弱的语音。Preview 上的会话还有上限，并且仅限英语，而且没有任务执行：这些智能体只会交谈，不会预订、购买或提交任何东西。

这让开发者获得了一个真实但更狭窄的选项：一个可自托管、无许可费的对话语音检查点，由一家第三方推理提供商托管，每百万字符收费7美元——约合每合成音频小时0.35美元——或在自有硬件上免费使用。无论是 Preview 语音还是 CSM-1B，都没有人发布过独立的基准测试，因此任何一方对质量的宣称都只是听感印象，而非测量结果。Sesame 也没有公布公开定价、企业版或盈利计划；该公司宣称的方向是研究合作和计划中的硬件产品。

每分钟花 0.05 美元能换来哪些免费所不能提供的东西

GPT-Live-1 对开发者的卖点，不在于它听起来更好，因为面对一个无人能测量的闭源模型，这个论点根本赢不了。而在于这东西可调用、有定价。具体来说，按表计费时你能得到的是：

• 一个由你掌控的会话——一个模型 ID、一个 Live Sessions 端点、一个通过 WebRTC 运行的已发布集成示例，以及一个你通过指令、音色和委派块配置的会话。

• 中断处理作为一项有文档记载的行为——在 Full Duplex Bench v1.5 上交互性达到 80.1%，而 GPT-Realtime-2.1 为 45.4%，轮次转换延迟为 0.798 秒，工具调用成功率为 87%。这三个数字均出自 Ope​nAI 自己，随发布一同公布，截至本文撰写时无人复现。

• 你选择的推理后端——语音层会跨越异步边界，将繁重工作交给会话配置中指定的另一个模型，该模型会在对话继续进行时持续工作。在 Ope​nAI 的文档示例中，该后端是 GPT-5.6 Terra；而在 7 月的消费者版发布时，它是 GPT-5.5。

• 转录文本、响应文本和电话式计费——持续接通线路一小时收费 $3.00，按秒计费，其中 15 秒的会话初始化时间予以抵扣，而不是额外计入。

Sesame 给你更好的对话，而那些它一概没有。如果你正在打造一款产品，“更好的对话、没有 API、没有定价、没有基准测试、仅支持英语、30 分钟上限”就不是一份对比——它是一张候补名单。

GPT-Live-1现在所具备的一项数值，在其面向消费者发布时并不存在，而它是对上述一切最诚实的平衡。Artificial Analysis的Speech to Speech Index给GPT-Live-1打出69.8%——在十一个模型中位列第七，落后于73.9%的GPT-Realtime-2.1，也落后于79.0%的Grok Voice Think Fast 2.0。所以，你能买到的这个模型在独立榜单上也不是最好的那个。而榜单无法评分的，恰恰是Sesame真正占据优势的地方：该指数上的十一个模型，没有一个被评过“和它说话是什么感觉”，而Sesame Preview的声音在任何地方都没有一行评分。

技术栈中既不属于这家公司也不属于那家公司的部分

这里正是两个选项交汇之处，也是决策不再非此即彼的地方。Sesame Preview 和 GPT-Live-1 都不是完整的智能体。Sesame 的智能体不执行任务；GPT-Live-1 则明确把任何需要推理、检索或工具的事情委托给后端模型。在这两种设计中，真正有意思的工作都发生在声音背后，在一次纯文本模型调用中，而这一层具有语音层所不具备的可移植性——你可以更换后端，而无需为语音模型重新录制哪怕一条提示词。

那个后端也是 OrcaRouter 发挥作用的地方，值得精确说明我们承载什么、不承载什么。我们不路由 GPT-Live-1：Live Sessions 端点是 OpenAI 的，而那里的语音层不在我们可及范围内。我们也不路由 Sesame 的生产模型，原因更简单：它从未作为 API 提供。我们路由的是这两个产品都会把工作交给的那一层。来自十一家上游提供商的大约 190 个模型运行在一个密钥，按提供商列表价，无加价之后，并具备跨提供商的自动故障转移，以及一个能将多个模型组合成单次调用的路由 DSL。对于一支构建在未经验证的语音前端之上的团队来说，这才是真正重要的对冲：语音层可以被替换或被弃置，而不会把推理层一并带走；你三月押注的模型，到六月只需编辑一行就能替换。

看什么

有三件事会改变这一比较，而目前它们都不在任何人的掌控之中。一个 Sesame API——即便是付费的——会立刻把该类别中最强的语音变成可构建的选项，并在 GPT-Live-1 的 0.05 美元旁边摆上一个真实的价格。一份公开发布的 Preview 语音基准测试会把聆听印象转化为数字，而独立评估往往对那些只在演示中比拼过的语音并不友善。而首次由外部对 OpenAI 的交互性与延迟数据进行复现，将能判定全双工究竟是一个真实的能力差距，还是一次精心挑选的评测。

在那之前，诚实的区别是这样的。如果你是在为自己挑选语音，就用 Sesame Preview——它免费，它更好，而且偏好它不需要你付出任何代价。如果你是在为一个必须发布、销售和支持的产品挑选语音，那么 GPT-Live-1 是两者中唯一你真正能买到的，而它并不是听起来更好的那一个，这就是入场代价。