Sesame Preview 对比 NVIDIA NemotronLabs VoiceChat 11B：你无法获得许可的声音，与你无法发布的声音

2026年最受热议的两款语音模型有一个共同点，而所有发布报道都不会告诉你：你无法将其中任何一款用于产品中。Sesame Preview是免费的消费者助手，其对话语音让 TestingCatalog 称之为“市场上最好的语音模式之一”，而且它背后的生产模型没有 API、没有模型 ID、也没有可购买的许可证——该公司根本没有公开发布。NVIDIA NemotronLabs VoiceChat 11B则正好相反：权重公开，全双工设计确实是首创，而且许可证规定仅供研究用途，所以也没有人能合法地将其发布。一个是你能听到却租不到的声音，另一个是你能拥有却无法出售的声音。这就像是在比较两扇锁着的门，而有用的问题是：你正站在哪把锁前。

两扇锁着的门，配有不同的锁。

先从两者的形态说起，因为名称掩盖了这两款产品之间的巨大差异。Sesame Preview 是一款应用，而非 API。它内置了四位性格各异的智能体——Maya（温暖而富有创意）、Miles（随和而敏锐）、Simone（好奇而理性）、Charlie（诙谐而温暖）——每位都有自己独特的声音和记忆，登录后可在网页端和移动端之间同步。它可以搜索网络、进行深度探索、记录笔记和提醒事项，并在每次通话结束后发送摘要。预览版免费使用，没有付费层级，仅支持英语，登录状态下每次通话上限为30分钟（未登录则为5分钟），并且它刻意不执行实际操作任务：它可以进行头脑风暴和研究，但不会替你预订航班。产品中没有任何 API 密钥——正式版语音是应用的一项功能，而不是一个端点。

NVIDIA NemotronLabs VoiceChat 11B 则恰恰相反：它是一个检查点，而非产品。它于 2026 年 8 月 3 日毫无预告地出现在 Hugging Face 上——没有发布文章，没有技术报告，没有推文；模型卡本身就是发布公告。这是一个 11B 参数的全双工语音模型（我们解析了 safetensors 头文件，统计出分布在 1,626 个张量中的 110.95 亿个参数），以单一技术栈构建：Fast Conformer 编码器以 80 毫秒帧处理 16 kHz 音频（零右上下文），Nemotron Nano 9B v2 主干负责推理，NVIDIA TTS 解码器生成 22.05 kHz 音频，RNN-T 解码器转录用户语音，外加一个独立输出通道发出工具调用脚本，而不会污染口语回复。它可以同时聆听和说话，可以在某个词说到一半时被打断；NVIDIA 称其为首个支持工具调用的开放全双工模型。这一说法能否经得起现实的检验，是下文专门章节的主题。

他们产生分歧的基准 —— “最佳对话”的两个候选者，两种破碎的证据标准

两个模型都将全部声誉押在同一件事上：对话质量——轮流发言、打断、自然的节奏，以及真实交流的感觉。这正是它们能出现在同一标题下的原因。也是比较变得奇怪的地方，因为两位候选者都无法被恰当评分。

Sesame Preview 没有给出任何数字。生产模型尚未发布且未列出——没有模型 ID，没有出现在 Artificial Analysis 的语音到语音排行榜上，没有延迟目标，也没有任何基准测试。TestingCatalog 的“市场上最好的语音模式之一”只是评论者的共识，而非测量结果，也无法对它与任何东西进行盲测 A/B 对比。唯一任何人都能独立运行的 Sesame 模型是开放权重的 CSM-1B 基础模型，而那是文本转语音检查点，并非该应用的声音。

NVIDIA NemotronLabs VoiceChat 11B 的问题正好相反：它有数字，但这些数字分散在两个互不一致的评估标准中。NVIDIA 报告其平稳轮换耗时 448 毫秒，被打断时让出话语权耗时 480 毫秒，用户打断时的接管率达到完美的 1.0——这些都是厂商在 NVIDIA 自家的 Full-Duplex-Bench 1.0 上测得的，没有任何一项被独立复现。该系列的独立测量结果则归在另一个名称和参数量之下——“Nemotron 3 VoiceChat (V1)” 12B，这个标签 NVIDIA 从未将其与 Hugging Face 上的 11B checkpoint 对账过；而这些测量在理解侧并不好看：根据 Artificial Analysis，Big Bench Audio 上为 29.2%，而 NVIDIA 自家卡片上为 37.0%。在 VoiceBench 上，该系列得分为 58.10，是榜单上最好的开源全双工结果。因此，同一个模型既是开源全双工 checkpoint 中的领跑者，同时在对所听到内容的理解上，又比托管的实时对话领先者大约落后三倍。

因此，分歧不在于哪个更好。而在于，2026年最佳对话的两个候选者，正基于截然相反且同样不完整的证据被评判。评测者称最像人声的那个声音，根本没有测量数据；而真正登上排行榜的声音，其弱点却是公开的。你不能将一个声誉与一个数字相比较，而这里只有一个数字——而且并不是那个讨喜的数字。

访问 — 应用商店下载，或 80 GB 的构建版本

如果你想尝试其中任何一个，起跑线的差异比任何规格都更重要。

Sesame Preview is a download. The official page reads "Preview available now on iOS and Android," and the Android build has been rolling out since mid-July (the Android beta added image upload and voice memos). There is no API key anywhere. A developer who wants Sesame's actual voice has nothing to call — the only Sesame model reachable through an API is the open-weight CSM-1B base, listed at $7 per million characters, and that is the architecture behind the app, not the app's voice: a text-to-speech checkpoint with a 4K context window and no conversational abilities of its own.

NVIDIA NemotronLabs VoiceChat 11B 也不是一个下载下来就能直接运行的模型——它是一个需要你自己搭建的构建版本。Hugging Face 上注明，该模型“未由任何推理提供商部署”；NVIDIA 也没有托管它；而且仓库中的 config.json 是 NeMo 训练配置，因此没有可供 AutoModel 直接指向的 Transformers 检查点。受支持的路径是：在运行 vLLM 的 80 GB GPU（A100、H100、H200、B200 或 RTX 6000）上，使用一个锁定 Python 3.12、PyTorch 2.10 和 Transformers 4.56 版本的 conda 环境，并从源码编译 causal-conv1d 和 mamba-ssm——或者使用 NVIDIA 的 NGC NIM 容器，一旦你使用该硬件，它会在 /v1/realtime 提供一个与 OpenAI Realtime 兼容的 WebSocket。下载计数说明了实际访问情况：该模型发布首月约有 80 次下载，而点赞数为 107。人们收藏了它；几乎没有人运行过它。对于那些确实会运行它的研究人员，这里有一句实话：这个检查点所基于的推理骨干模型 Nemotron Nano 9B v2 本身就是一个你今天就能调用的托管模型——而围绕它的全双工模型则不然，这种差距正是全部重点所在。

价格 — 一款免费应用、自由重量器械，以及80 GB的账单

这两种模型都“免费”，而这个词在两种情况下都具有同样程度的误导性。

Sesame Preview is genuinely free — no paid tier, no ads, no data selling — because it is a preview you are being invited to test, and Sesame's monetization is a later problem. NVIDIA NemotronLabs VoiceChat 11B's weights cost nothing to download, but the hardware does: a continuously-running H100-class instance at roughly $2–3 an hour lands near $1,500–2,200 a month before you have written any application code, hired anyone to keep it up, or served a second concurrent conversation — and because the license forbids commercial use, that is money you can only spend on research. Between them sits CSM-1B at $7 per million characters, a hosted price for a model whose default is self-hosting.

当这两者中的任何一个变得可购买时，诚实的衡量标准就是：无论你最终选择哪个托管的语音模型，你都应支付提供商的标价，而不在其上加收任何路由费用——这种直通模式能让供应商的降价当天就反映在你的账单上，而不是等到合同周期结束之后。本文中的两个模型都无法通过OrcaRouter调用：Sesame的生产级语音完全没有API，而NVIDIA NemotronLabs VoiceChat 11B则无法通过任何途径调用。这一衡量标准针对的是你实际能买到的语音，正是这一标准能让每百万字符7美元的TTS基础模型或未来达到Sesame品质的API被诚实地定价。

Memory — 会记住的应用 vs 会遗忘的模型

这里的差距犹如鸿沟，这也是两者无法互相替代的最具体原因。Sesame Preview 这款应用会记住：每个智能体都带有各自的记忆，登录后可在网页端和移动端之间同步；通话最长可达 30 分钟；无痕模式（Incognito Mode）会读取过往记忆，但不会创建新的记忆。相比之下，开源的 CSM-1B 只有 4K 上下文窗口——大约相当于三四分钟的文本——而且它反正也没有耳朵听你说话。

NVIDIA NemotronLabs VoiceChat 11B最多只能容纳大约两分钟的音频上下文——训练数据加载器将语音输入上限设为142.39秒，模型卡也警告称，超出两分钟窗口的对话可能不会被保留。对于需要记住四分钟前达成共识内容的支持电话来说，这一上限本身就足以让其失去资格。再加上发布版本中只有单一固定音色（Aria）且不支持克隆，这个在架构上保持开放的模型，同时也成了一个既无法记住客户、也无法改变自身声音的模型。

每个事物真正不擅长的方面

已收集，因为止步于优势的比较就是营销：

• Sesame Preview：没有 API——你不能将此语音用于产品中，生产模型尚未发布也未评分。仅支持英语，不能执行任务，通话时长上限为 30 分钟，且没有任何独立的基准测试。唯一开放模型 CSM-1B 具有 4K 上下文窗口，不支持工具调用，没有聆听功能，也不是该应用的语音。

• NVIDIA NemotronLabs VoiceChat 11B：仅限研究使用的许可证（OpenMDW v1.1）—— 你可以下载、研究和微调它，但不能发布它，基于它构建的任何人也同样不行。没有托管端点，所以“试用”意味着需要一块 80 GB 的 GPU 并从源码自行构建。仅支持英语，记忆上限约 2 分钟，只有一个固定的音色。NVIDIA 表示，它在知识和指令遵循方面可能不如其自身的主干模型，多步推理和算术能力也被明确指出是弱项。它可能会在句子中途打断你，经过几轮对话后退化为无法恢复的胡言乱语或自说自话，转写时会漏词，并且明确不适合嘈杂或混响强烈的房间。工具调用仅适用于纯 ASCII 的提示词和响应，每次会话最多五个工具，其参数准确率（44.2%）和首次尝试通过率（33%）意味着它选对工具的可靠性高于填对工具参数的可靠性。

谁应该选择哪个

因为两者都不可调用，诚实的回答要从你试图做的事情开始。

• 体验2026年评价最高的语音： Sesame Preview，今日免费提供——作为一款应用。评论者反复提及的四个智能体、打断处理、驾驶模式易用性：这就是一款消费级产品，其价值恰恰是你无法衡量的东西。

• 研究全双工语音建模： NVIDIA NemotronLabs VoiceChat 11B 是其类别中更值得关注的下载——一个 11B 开放检查点，拥有可用的工具调用通道、约 55 万小时的混合训练音频，以及迄今最佳的开放全双工 VoiceBench 结果，而权重成本为零。仅限研究的许可证并不会限制这项工作。

• Build on Sesame's architecture: CSM-1B is the only Sesame model a developer can actually call — $7 per million characters, Apache-2.0, zero-shot voice cloning — with the honest caveat that it is a base text-to-speech model, not the production voice the app uses.

• 本季度推出语音产品：以上两者皆不可行。你需要一个拥有商业许可的托管式实时语音转语音模型。安全采用一个你尚未押注生产路径的模型的方式，是将其与经过验证的模型并行路由，并配备自动故障转移，这样未经证实的语音永远不会导致实时通话中断。一个API即可接入200多个托管模型，按提供商标价收费、不加价，这让尝试新推出的语音只是配置变更，而非重写代码。

这种模式值得命名，因为它会反复出现。这两个模型距离可调用都只差一个事件——Sesame 在发布模型 ID 或 API 的那一天，NVIDIA NemotronLabs VoiceChat 11B 在 NVIDIA 发布商业许可证或有人托管它的那一天。届时，正确的做法不是拆除你现有的语音栈，而是在旧语音旁边添加新语音，并通过故障转移进行路由，就像你对待任何新的、未经验证的模型一样。它们是 2026 年两款最优秀却尚未推出的语音；而交付第三款所需的基础设施已经存在。

什么会改变这一比较？

有四件事会改写这篇文章。Sesame生产级语音的API或模型ID——一旦发生，Sesame就不再是一款应用，而会成为托管语音API市场期待已久的入场者。NVIDIA NemotronLabs VoiceChat 11B的商业许可或托管端点，这将在一夜之间把研究产物变成真正的产品选项。Sesame语音的独立评分——在Artificial Analysis的语音到语音榜单上列名，会让“{{1}}best voice{{/1}}”这一说法有据可查。以及NVIDIA发布一份技术报告，将11B检查点与排行榜所衡量的12B“Nemotron 3 VoiceChat (V1)”条目对应起来，这是信任该系列任何数字的前提条件。在这些落地之前，准确的总结很简单：2026年最有趣的两个对话式语音都被锁住了——一个被不出售的公司锁住，另一个被无法交付的许可锁住。

常见问题

我可以在自己的应用中使用任一模型的声音吗？

No, and the two reasons are the shape of this comparison. Sesame Preview's production voice has no API, no model ID, and no endpoint — it exists only as the app. NVIDIA NemotronLabs VoiceChat 11B is open-weight but research-only (OpenMDW v1.1), self-hosted on an 80 GB GPU, with no hosted inference provider. The only Sesame model a developer can call is CSM-1B at $7 per million characters, and it is a text-to-speech base, not the app's voice.

两个当中哪一个实际上听起来更像人类？

未知，各自理由不同。Sesame Preview 根本没有独立评分——TestingCatalog 所说的“市面上最好的语音模式之一”是评测者的共识，不是测量结果。NVIDIA NemotronLabs VoiceChat 11B 的对话时序（448 毫秒话轮切换、480 毫秒插话让位）由 NVIDIA 自行报告，尚未被复现；其独立的 Big Bench Audio 得分（29.2%，据 Artificial Analysis，归入“Nemotron 3 VoiceChat (V1)”名下）衡量的是理解能力，而不是语音好听与否。一个拥有你能听到的名声；另一个拥有的数字回答的则是另一个问题。

NVIDIA NemotronLabs VoiceChat 11B真的免费吗？

权重是免费的；但模型本身并不便宜。运行它需要一块 80 GB 的 GPU（按需租用约每小时 2–3 美元，若持续保持运行则每月 1,500–2,200 美元），并且需要从源码自行构建；此外，OpenMDW v1.1 许可证将其限制为仅供研究使用——因此，即使投入了这些成本，你也不能合法地将其提供给客户使用。