Phonic 1 对比 Sesame Preview：冷场问题，两种截然相反的解决之道

Phonic 1 和 Sesame Preview 都作为对话语音模型出售，但它们追求的不是同一类任务。Phonic 1——供应商拼写作 Phonic-1——是一个每分钟收费 0.07 美元的语音到语音端点，于 2026 年 10 月 29 日正式商用，并以 87.1 的成绩直接登上 Artificial Analysis 的 Speech to Speech Index 第一名。Sesame Preview 是 Maya、Miles、Simone 和 Charlie 这些声音背后的免费配套应用：没有公开 API，没有价目表，在任何独立排行榜上都没有上榜记录，并且已明确表示计划在 2027 年向你出售眼镜。把这两个名字放进同一句话，最先得出的结论就是：它们当中只有一个能买得到。

第二个随之而来的结论更有意思。在营销包装之下，这两款产品其实都在回应同一种小小的难堪：机器决定该说什么时那半秒钟的沉默。Phonic 的应对方式，是在来电者说完之前就把活干完。Sesame 的应对方式，则是更擅长判断来电者何时已经说完。这些确实是不同的工程押注，衡量它们的工具并不重叠；二者之间如何选择，取决于你的产品依赖哪一种押注——而不是取决于一张基准测试表。

在比较变得模糊之前，先弄清每一个实际上究竟是什么

Phonic 1 是一款端到端语音模型，音频输入、音频输出，中间没有“先转写、再思考、后说话”的级联流程。它随附 TypeScript 和 Python SDK、一个 CLI 以及一个无代码智能体构建器，支持 51 种有文档记载的语言，并可在对话中途切换语言且保持说话人身份不变；它还提供一个有文档记载的 intelligence_level 设置，默认值为 standard，可调高至 high；企业条款包括 SOC 2 Type II、HIPAA BAA、零数据留存以及 99.9% 正常运行时间的 SLA。它按分钟计费、分为三档，其背后的公司约十人，来自 MIT 和斯坦福，并完成了由 First Round 领投的 2750 万美元 A 轮融资。

Sesame Preview 并不是一个你可以租用的模型。它是一款消费级产品——一个免费的 iOS 与网页应用，自 2026 年 5 月下旬起在 39 个国家陆续推出，内置四个具名智能体，具备持久记忆、可在句子中途并行运行的网络搜索、笔记功能、短信模式和隐身模式。据称，Sesame 为它设定的目标是首段音频延迟低于 300 毫秒，而该公司也公开坦承，该模型在语气和节奏上仍然“过于急切，且常常不合时宜”。它没有企业版，也无法通过授权获得其生产级语音。

真正能把 Sesame 这个名字带进某个构建版本的东西只有一样：Sesame CSM-1B，它于 2025 年 3 月 13 日以 Apache 2.0 许可证发布。这是一个基础的对话语音模型，以英语为主，用于根据先前的对话轮次来生成 Mimi 音频 token。它不是应用里的那个声音：Preview 角色来自一次经过筛选的微调，以及一套从未公开的配音阵容。实际跑过两者的评测者都认为，这个开放权重的检查点在听感上明显弱于应用中的版本，因此「自己托管 Sesame 模型」得到的是另一个产品，而不是一条免授权的捷径。

同一半秒内的两次攻击

Phonic 的发布声明是这一类别中最具体的一项：它声称 Phonic-1 是唯一能在来电者仍在说话时就采取行动的模型。在该公司公布的演示中，模型在一句话说到一半时就触发了全部五次工具调用，并在来电者停止说话后 1.1 秒给出回答；而在同一脚本下，它把 GPT-Live-1 的成绩列为 15.7 秒。请把这理解为一种设计的演示，而非基准测试——那是厂商挑选的任务、厂商选定的脚本。但设计才是关键所在。如果在回合结束时查询已经完成，模型就完全不必擅长预测回合何时结束；它只需避免碍事即可。

Sesame 走了另一条路，把预测本身做成了一项研究计划。2026 年 8 月，它发布了 TurnBench，这是一个用于轮次交接动态的开放基准：30 小时录音棚录制的双通道对话、154 段对话、106 位配音演员、覆盖六种语域，以 0.78 的 Fleiss' kappa 进行三重标注，评分指标为受限假阳性率下的召回率，以及中位数处的带符号延迟。最值得记住的是核心发现：人类说话者开始轮次交接的时间中位数为 151 毫秒，早于对方停止说话，而该领域没有任何系统能在假阳性预算内做到这一点。语义检测器有选择性但速度慢；声学检测器速度快但噪声大。没有一种能兼具两者。

这就是岔路口，说得直白些。Sesame 正试图弥合 151 ms 的人类预判与最优秀的检测器所能达到的 368 ms 到 1,234 ms 之间的差距。Phonic 则试图通过移除填补这段差距的工作，让差距变得无关紧要。两者都合理。今天能作为端点提供给你的只有其中一个，而它不是发布该基准的那个。

为其中一个打分的委员会——以及它不参与的那一个

Artificial Analysis 的 Speech to Speech Index 是该领域唯一的独立综合指数；截至本文撰写时，Phonic 1 位居其榜首。真正重要的几行如下：

• Phonic 1 (High) — 指数 87.1，第一；首次音频耗时 0.61 秒；每输入音频小时 4.20 美元。

• Grok Voice 3.0 — 86.9；0.81 秒；每小时 4.80 美元。

• GPT-Live-1（Astra，中等）— 83.2；1.34 秒；每小时 $5.83。

• Gemini 3.8 Live Extended Thinking（High）— 82.6；1.35 秒；每小时 3.50 美元。

• Eleven Realtime v1 Max — 77.3；0.57 秒；每小时 4.80 美元。

注意最后一行。Eleven Realtime v1 Max 快于 Phonic 1 到首音频——0.57 秒对 0.61 秒——并且低了 9.8 个指数点。首音频时间并不是 Phonic 赢下的那项比赛；它赢下的是综合评分，而该评分还考量语音推理、智能体任务行为、人类偏好和任务成功。任何仅凭单一列引用“最快”的人，引用的都是错误的列。

现在来看这种不对称。那个排行榜上没有 Sesame Preview 这一行，也不可能出现这样一行：该指数通过 API 测试框架运行模型，而 Sesame Preview 没有 API。Sesame 自家的评测工具也补不上这个缺口。TurnBench 由 Sesame 发布，截至本文撰写时，其中没有 Sesame 条目——榜单列出了语音活动预测模型、ESPnet、Kyutai 的 semantic VAD、Gemini 3.1 Live、OpenAI Realtime 和 Moshi，却没有列出该公司自己的生产级语音。这不算丑闻；编写基准和提交基准是两种不同的行为，而且配套应用没有稳定端点可供评分器指向。但这确实意味着这场对比中的两个头条数字——一边是 87.1，另一边是低于 300 毫秒——并非同一类说法。前者是由第三方在测试框架上测得的。后者是供应商针对一款公司外部无人实际测评过的产品所声明的目标值。

依据 Phonic 自己的证据，Phonic 1 落败的那一列

如果你关注 Sesame Preview 的原因在于它听起来像真人，那么这一比较会给出一个令人不安的答案，而且这个答案来自 Phonic 自己的宣传材料，而不是来自批评者。

Phonic 委托第三方听众测试服务 Podonos 开展了盲听成对比较测试，并在其发布帖中公布了结果。Phonic-1 以 61.5% 对 32.0% 的偏好度胜过 GPT-Live-1，以 66.5% 对 26.5% 胜过 Grok Voice 3，并以 78.0% 对 14.0% 胜过 Eleven v4 Turbo。公司选择用来打头阵的标题，恰恰是它输掉的那一项：真人配音演员以 57.0% 对 32.0% 的偏好度胜过 Phonic-1；帖子称这相当于人类约 60% 的情况下获胜，仍有相当大的改进空间。这些是厂商委托、厂商报告的数字，且没有任何一项被独立复现——但它们是厂商自己的数字，并且表明 Phonic 1 是其对比组中最好的合成语音，但仍然不是人类。

独立偏好数据也指向同一方向。在用于构成综合评分的 Speech Agent Arena 上，Phonic 1 在听众偏好方面以 Elo 1,012 在 30 个模型中排名第八，而在任务成功率方面以 92.3% 排名第四。位居该指数榜首的模型，并不是听众最想与之交谈的模型。这与我们在 Grok Voice 3.0 中从相反方向看到的同一种分化——xAI 守住了竞技场，却输掉了 agentic 一栏——而且这正是为何这两者之间的正面交锋无法用一个数字定论的结构性原因。

与此同时，Sesame 的声誉恰恰建立在那一栏之上，别无更为严谨的依据。Maya 和 Miles 演示在 2025 年 2 月因呼吸声、迟疑、自我修正和笑声而走红，随之流传的说法是：在短片段中，听众无法可靠地将这些声音与真人区分开来。那只是听众形成的印象，而非经过评分的测试，也从未与 Phonic 1 同场比较过。目前没有任何已发表的实验让听众连续聆听 Sesame Preview 和 Phonic 1。任何告诉你哪一个听起来更好的人，其实只是在告诉你他们听过哪一个。

一分钟的成本是多少，以及为什么分钟是错误的单位

这张价格表简短且不平衡：

• Phonic 1 — Starter 方案每分钟 $0.07，无最低消费，支持 10 路并发通话、10 个代理和 3 个席位；Pro 方案每分钟 $0.065，需满足每月 $200 的最低消费，约合 3,100 分钟，支持 50 路并发通话；Enterprise 方案可定制。11 月 30 日前注册可获得 $250 赠金，从 cascade 迁移的客户可免费使用三个月。

• Sesame Preview — $0。不按分钟、不按席位、也不按代理计费。在应用内免费。

• Sesame CSM-1B——权重免费，但账单是你的 GPU 小时数，再加上工程时间：围绕一个无法自行生成文本的检查点，组装轮次切换、上下文条件化和语言模型。

跑一下生产力对比，按分钟计价的框架就崩了。Phonic 1 Starter 每月一万分钟是 700 美元，对呼叫中心来说是零头，对副业项目来说却是实打实的预算。Sesame 不收费，因为 Sesame 卖的不是分钟——它卖的是在 2027 年眼镜产品发布之前先培养起来的日常习惯，而习惯是按人、按年、在硬件上变现的，不是按音频分钟数。拿价目表和免费应用作比较，就像拿供应商和广告牌作比较。

这就只剩下成本问题的诚实版本：发布到底要花多少钱？对 Phonic 1 来说，答案是一份合同、一个 WebSocket，以及 Starter 套餐上的十个并发调用，除非你为 Pro 付费。对 Sesame Preview 来说，答案是没有数字，因为没有对应的报价。最接近可发布版 Sesame 的是 CSM-1B，而 CSM-1B 最接近价目表的东西是一张 GPU 账单。

三位买家，三种不同的答案

你正在将呼叫量从级联系统上迁走，而这些呼叫必须能够完成。Phonic 1，这里要看的是 agentic 列，而不是 composite 综合列。在来电者停止讲话之前就触发的工具调用，决定了一个智能体是能预约成功，还是会让来电者不得不重复自己。与一次失败的受理来电的成本相比，0.07 美元很便宜；而并发上限才是你在正式投入前需要评估容量的地方。

你的产品卖点就在于它的声音表现力。一个陪伴者、一位教练、一位导师、一种品牌声音——凡是用户留下来的理由就是那个声音本身的场景。Sesame Preview 是参照标杆，而 Phonic 1 还不是答案：在厂商自己的盲测中，人类以接近二比一的优势胜出。但参照标杆是买不到的，所以实际可选的方案要么是授权一个带有实测偏好分数的语音模型，要么是用 CSM-1B 并投入大量你自己的工程工作。

你想要这种拆分——Sesame 风味的语音，配一个智能体后端。这是两家公司的路线图都指向、但谁都不卖的组合。可构建的版本，是用 CSM-1B 或其他开放语音模型来做语音，再用一个常规文本模型放在后面负责思考，由你把它们接起来。那个文本阶段就是普通的聊天推理，而这一层正是 一个覆盖 200+ 个模型、0% 加价的 API真正能派上用场的地方：推理这一环只需一个密钥，提供商标价原样透传，用路由 DSL 在同一次调用中把轮流发言的闲聊和策略密集的推理分发给不同模型，还能自动故障转移，让某个提供商短暂出问题也不至于中断对话。Phonic 1 和 Sesame Preview 都不在那个目录里——Phonic 1 是因为它是单厂商端点，Sesame Preview 是因为没有可路由的端点——所以这说的是你自己组装的那一半技术栈，而不是对上面任一模型的断言。

什么会改变这个答案

三件事，按可能性从低到高排序。

Phonic 公布了针对标准智能设置的听力测试数据。本文中的每个分数，包括 87.1 和 0.61 秒，都是在高下生成的。API 默认使用标准，文档将其记录为低延迟模式，但没有人公布过这种配置会对质量或首次音频输出时间产生什么影响。从未改动该设置的集成方案，实际运行的是一个未经测量的变体。

Sesame 开放一个端点，或把自家正式版语音放到自家的轮次切换板上。无论哪种做法，都会让这件事从产品与声誉的对比，变成两个可衡量事物之间的对比。这两者都不在 Sesame 所描述的路线图中，该路线图先经过 Android，然后在 2027 年走向眼镜。

有人把两者放在同一间房间里运行。用 Sesame Preview 的生产语音和 Phonic 1 在相同提示词上做一次盲测，一个下午就能解决自然度问题，但任何不在 Sesame 工作的人都无法进行这项测试，因为这两个系统之中有一个外部人员无法访问。

直到其中一种情况发生之前，站得住脚的解读是这样的：在这两者中，Phonic 1 是唯一你能部署的；它位居唯一一个对两者中任一者进行评分的独立综合榜单之首；它在“回合结束前完成工作”这一赌注上胜出；并且可测量地表明，它还不是人类的声音。Sesame Preview 则是那个听起来更好、但你得不到的东西，来自一家目前并不以出售它为业的公司。它们不是同一份菜单上的两个选项，而是一个供应商和一个演示。你越快停止比较它们的规格表，就能越快决定你的产品实际需要的是哪一个。