Eleven Realtime v1 Max 對決 Sesame Preview：贏得耳朵、卻輸掉任務的聲音

問人哪個語音助理聽起來最像真人，你會聽到 S​esame Preview。問企業能把哪個模型放在電話號碼後面，答案會是 Eleven Realtime v1 Max，這是一款於 2026 年 10 月 20 日發表的語音對語音模型，在固定評測中可解決 87.1% 的任務，0.57 秒內回答，並可透過 ElevenAgents 或與 O​penAI 相容的 Realtime API 使用。S​esame Preview 是一款消費級應用程式，內建四個具名夥伴，卻無法購買其中的語音。 這一類模型背後有紀錄的 AI 事件與代理故障，都收錄在 OrcaRouter AI Incident Archive，其中每一條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

這不算是一擊定勝負，因為這兩款產品追求的東西不同，而 S​esame 主打語音的論據也確實站得住腳。S​esame 的研究人員很早就公開提出一個觀點：真正令人感到詭異不安的，是對話的節奏——那一聲「嗯哼」、話語的重疊、願意在句子中途讓出說話權——而不是音色。E​levenLabs 的文件則從相反方向押下同樣的注：Mini 被描述為能偵測出說話者究竟是已經講完，還是只是插話。兩家實驗室，同一個論點，相反的商業模式。

這項比較有趣的地方，在於兩者實際上各自衡量了什麼。E​levenLabs 公布了六個數字和一個評測合作夥伴。S​esame 公布的則是一種體驗。

確切地說，每一個究竟是什麼

Eleven Realtime v1 Max是一個單一網路，能同時執行辨識、輪流發言、推理與語音生成，定位於需要多步驟工具使用的複雜任務：客戶支援、潛在客戶資格篩選、輔助排程。其價格更親民的兄弟版本 Eleven Realtime v1 Mini，則是新 ElevenAgents 代理的預設選擇，主打以更低成本實現自然對話。Max 有兩種使用方式——從 ElevenAgents 下拉選單使用，由 ElevenLabs 為你管理 LLM、TTS 模型、ASR 供應商與推理設定；或透過 Realtime API，在 WebSocket 上採用 OpenAI 的 Realtime 事件協定，網址為 wss://api.elevenlabs.io/v1/convai/realtime。

Sesame Preview是一款免費的消費級語音助理：內建四個具名代理——Maya、Miles、Simone、Charlie——可在 iOS 與網頁上使用，幾乎每位試用過的人都形容它是市面上最自然的語音助理。它能跨工作階段保留上下文、搜尋網路並設定提醒。它不會代訂、代購或歸檔任何東西。它沒有企業方案、沒有公開定價，應用程式中聽到的聲音也沒有公開 API。

兩者都是全雙工對話系統，輪流發言的表現好到讓人們不再察覺。相似之處僅止於此，「哪個更好」這個問題也從此不再有單一答案。

其中一個所擁有的數字

Artificial Analysis 使用套用於每個語音轉語音模型的同一套測試框架，獨立評估了 Eleven Realtime v1 Max。以下是它自身的數據，並非 E​levenLabs 的：

• 語音推理（Big Bench Audio）— 最高 98.8%

• 對話動態（Full-Duplex-Bench）— 最高 94.1%

• 任務成功率 — 最高 87.1%

• Arena 偏好（Elo）— 最高 997

• 首次音訊時間 — 最大 0.57 秒

• 每小時輸入音訊費用 — 最高 $4.80

• 代理式效能（τ-Voice）— Max 未測量

• 語音轉語音指數 — Max 未評分

S​esame Preview 未出現在這些列中的任何一列。它沒有公開 API，因此沒有獨立測試框架能執行它，而 S​esame 以外的任何人，也從未以任務完成度或延遲為指標，對這個應用程式自身的行為進行基準測試。當人們說 S​esame 聽起來更好時，他們陳述的是聆聽印象，而這是合理的——只不過，這與背後有方法論和偏好模型支撐的 arena 測量並不是同一回事。

這有兩面性。997 的競技場 Elo 是來自真實聽眾的真實數字，而它讓 Max 落後於 G​rok Voice 3.0 的 1,064、G​PT-Live-1（Sol, low）的 1,047，以及 G​emini 3.8 Live 的 1,078。E​levenLabs 在推理與速度項目中勝出，但未在偏好項目中勝出。如果你的直覺是 S​esame 的聲音勝過 Max，競技場結果與那個直覺一致——只是它恰好是與其他 API 模型相比，而不是與 S​esame 相比。

開放權重這個問題，正是大多數比較出錯的地方

每一篇讚揚 S​esame 語音的文章，其實都是在讚揚那個應用程式，而該應用程式的語音是 S​esame 從未以端點形式釋出的封閉生產模型。S​esame 開源的是 CSM-1B，這是 Moshi 系列中一個 10 億參數的對話語音模型，採用 Apache-2.0 授權。它是一個合成區塊，不是助理：Llama 主幹預測第一個 Mimi 碼本，較小的 Llama 解碼器預測其餘部分，而 Mimi 編解碼器再將其轉換成 24 kHz 波形。它以英文為優先，能從簡短的參考片段複製聲音，而且完全無法生成文字——你需要將它與另一個語言模型搭配使用。

兩者都實際跑過的人形容，CSM-1B 的聲音明顯比 Preview 應用程式的來得弱，而 Sesame 自家的模型卡也支持這種解讀：驅動互動示範的是 CSM 的一個微調變體，而那個變體並不是你可以下載的檢查點。

所以，「Sesame 對 ElevenLabs」的誠實版本是這樣。Sesame 有一個很美但你無法呼叫的封閉聲音，還有一個你可以呼叫的小型開放合成區塊，而它們不是同一個模型。ElevenLabs 有一個可呼叫的模型，它的聲音實測起來很好，卻不是最討喜的，而且有價格。對打造產品的人來說，真正重要的不對稱不是哪一個聽起來更好，而是哪一個有端點，而這一點差距並不小。

合併在生產環境中出現的位置

E​levenLabs 的論點是：把辨識、輪次交替、推理與聲音整合進一套經過調校的系統，就能消除串接式架構所留下的接縫。

在 ElevenAgents 中，這種合併是字面上的，而且有其代價：只要設定了 Realtime 模型，LLM、推理強度、思考預算、平行工具呼叫、串接逾時、T​TS 模型、表達模式與 ASR 供應商便全由 E​levenLabs 管理，並在代理上遭到忽略。工作流程節點無法覆寫它們，代理也完全無法使用自訂 LLM 或 Amazon Bedrock。選擇模型，就等於選擇它底下的整個堆疊。

合規矩陣並不均衡，其不一致的情況會讓負責在各區域推行這項措施的人感到意外：

• 資料駐留 — Max 在美國和歐盟提供服務，但不在印度或新加坡提供；這些地區僅提供 Mini

• 零保留模式與 HIPAA — Max 在美國與歐盟皆受支援；Mini 則在兩者之下皆不受支援

• Token 上限 — Max 需要 1,024 個 token 或無限制，且工作流程節點無法覆寫此設定

• 代理轉接 — Realtime 模式的代理只能在其他 Realtime 模式的代理之間互相轉接，不過允許 Mini 轉接至 Max

• 傳輸 — 初期不支援 WebRTC；Realtime API 僅支援 WebSocket

那些規則是在發佈時強制執行，而不是在儲存時：違反其中一條規則的草稿仍可正常儲存，但當你發佈時就會失敗，並出現指名該設定的錯誤。如果你只是在製作原型，那只是小小的困擾。如果你要交付到受監管的佇列，這就決定了你能在哪個環境使用哪個變體，而較便宜的那個不一定就是合規的那個。

哪一個屬於你的技術棧？

選擇 Eleven Realtime v1 Max當語音只是達成目的的手段，而通話必須產生具體成果時——例如客服分流、排程、資格篩選。你今天就能取得端點、一套 O​penAI-compatible 事件協定，讓從 Realtime 整合遷移只需改兩個字串、實測 87.1% 的任務成功率、榜上最快的強力推理模型，以及可依每小時音訊 4.80 美元估算的價格。請接受它仍在逐步推出、其代理式行為尚未量測，且其語音未在偏好競技場中奪冠。

選擇 Sesame Preview當你在研究對話品質應該帶來什麼感覺，或是在打造一款以對話本身為產品的消費性產品時，就選它。它免費、是多數人試過聲音最好聽的，也是校準品味的好方法。不要圍繞它規劃整合：因為沒有可整合的對象，而且 CSM-1B 並不是應用程式中的模型。

選擇 CSM-1B的前提是，你想要一個開放、可自行託管的合成模組，並且準備好圍繞它建置其餘部分——ASR、語言模型、輪流發言層。它採用 Apache-2.0 授權，而且在這個角色上確實很有用。它不是 Max 的競爭對手，也從來無意如此。

混合式，以及路由器能幫上忙的那一半

大多數認真的語音產品最後都會混用模型，而不是只挑一個。在開場與確認的回應回合使用聽起來自然的模型，因為溫暖感和延遲感受在這些地方最明顯；在交易回合使用任務可靠的模型，因為一次錯誤就等於丟掉一筆預訂。無論是 Eleven Realtime 還是 S​esame，都無法在單一連線內輕鬆做到這點——E​levenLabs 的 Realtime API 是與 ElevenAgents 分開的產品，且僅透過 WebSocket 運作，而 S​esame 則沒有可供混用的 API。

路由層真正能發揮作用的地方，是在再往下一層，也就是語音模型委派出去的工作。在 OrcaRouter 上，那就是來自 16 家上游供應商、透過同一組金鑰存取的 209 個模型，以供應商定價提供、零加成，並在供應商發生錯誤時自動容錯移轉。當單一模型的判斷不足時，模型融合可讓一組模型共同作答；路由 DSL 則能將多個模型組合成單次呼叫。Eleven Realtime v1 Max 本身不在我們的目錄中——它沒有第三方端點——所以誠實的界線是：我們可以路由檢索、摘要與通話後分析，而不是語音。

能改變這篇文章的，會是一項像競技場衡量偏好那樣衡量自然度的基準測試，並同時涵蓋 Sesame 的應用程式與 API 模型——或是 Sesame 正式環境語音的端點。兩者之一都能把「取用權限與體驗之間的選擇」變成真正的比較。在那之前，這些模型中有一個你能呼叫，另一個你只能欣賞，而這一點比任何聆聽測試都更能定論。