Fish Audio Live 3 vs Sesame Preview：輪流發言的兩種解答，其中一種可量化

Sesame 針對 Fish Audio Live 3 聲稱已解決的那個確切問題打造了一套基準測試，隨後 Fish Audio 推出的模型卻未列入其中。這就是這番比較的簡短版本。Sesame Preview——這款運行於該實驗室 Conversational Speech Model 的四代理消費級產品——於 2026 年 8 月發布 TurnBench：三十小時經三重標註的雙人語音、公開排行榜、互動式對話檢視器，以及十四個系統的結果。Fish Audio Live 3 於 2026 年 11 月 10 日發布，主張對話時序應在語音模型內部學習，而非由靜音閾值強加，並公布三段範例通話與一個 186 毫秒的數字。論點是同一個論點。證據卻不是同一份證據。

其餘一切，都源自這兩家公司如何以截然不同的方式，把那個論點變成產品。Live 3 是販售的：在 Fish Audio 的 Agent Platform 上，促銷期間每分鐘 0.035 美元，促銷於 2026 年 12 月 31 日結束；有文件化的 API，並為企業提供地端部署選項。Sesame Preview 則是免費贈送：iOS 與 Android 應用程式中有四個固定人格，沒有 API，應用程式中的語音沒有模型識別碼，也沒有任何按 token 或按分鐘計費的東西。其中一個你本週就能拿來開發。另一個你只能聽。

現有的那項測試，以及為什麼 Live 3 不在其中

輪流發言是罕見的能力，業界在模型問世之前就對衡量方式達成共識，而 Sesame 正是箇中關鍵。TurnBench 於 2026 年 8 月 28 日發布，由 Carnegie Mellon University、Mundo AI 和 Oto 共同打造，用來評估系統如何處理那些會讓電話代理顯得突兀的情況：不該搶走發言權的確認、應該搶走發言權的打斷，以及並非結束的停頓。排行榜公開，開發集可自助使用，結果涵蓋十四個系統。

Fish Audio Live 3 不在其中，其他任何 Fish Audio 雙工模型也都不在。這並非醜聞——十一月發布的模型不可能出現在八月的排行榜上——但這是這項比較中最有用的一項事實，因為它告訴你每家公司做出的是哪一種宣稱。Sesame 把它自己的產品放上一個由它協助設計、任何人都能查核分數的公開測試。Fish Audio 則把它自己的產品放上一張宣傳價目表，任何人都能查核價格。

兩者都是正當的發布。但只有其中一個能讓陌生人驗證行銷所宣傳的內容。

雙方實際交付的內容

• 它是什麼 —— Fish Audio Live 3 是驅動代理平台的雙工語音模型；Sesame Preview 則是消費級助理應用程式，內建 Maya、Miles、Simone 和 Charlie 四位代理，各自擁有獨立的記憶。

• 發佈方式 — Live 3：自助式平台、附文件的 API、企業地端部署。Sesame Preview：iOS 與 Android 應用程式，免費，沒有 API，應用程式中的語音沒有模型 ID。

• 價格 — Live 3：促銷價每分鐘 $0.035，定價每分鐘 $0.07，另加電話通話每分鐘 $0.01，以及每個號碼每月 $1.20。Sesame Preview：未公布價格，亦未公布方案等級；應用程式可免費下載。

• 語言 — Live 3：根據 Fish Audio 自己的說法，推出時僅支援英文，儘管其周邊平台宣稱提供 30 多種語言的語音。Sesame Preview：以英文為中心，根據該實驗室自身的研究紀錄，主要以英文訓練。

• 獨立性——Live 3：截至 2026 年 11 月 11 日，尚未有任何已發表的基準測試，且在 Artificial Analysis 的語音對語音榜單上也沒有任何列名。Sesame Preview：該應用程式的語音同樣沒有獨立評分，但有一個由該公司協助建立並公開發布的輪流發言排行榜。

開放性 — Live 3：沒有權重、沒有授權、沒有儲存庫。Sesame：自 2025 年 3 月起，在 Hugging Face 上有一個開放的檢查點 CSM-1B，採 Apache-2.0 授權——但那並不是應用程式裡的那個聲音。

• 介面 — Live 3：由你整合。Sesame Preview：你與它對話。

兩家公司共有的詞彙問題

兩款產品公布的資訊都不足以讓你比較自己真正在意的那件事，而且兩者都用同一個詞來指稱它。Fish Audio 稱之為對話的節奏，並描述一串分塊讀出的電話號碼——「415… 555… 0132」——在這種情況下，傳統代理聽到的卻是三個彼此分開的發言結束點。Sesame 的行銷把同樣的行為稱作「臨場感」，而其 2026 年 10 月的發行說明指出，公司更新了其 Conversational Speech Model，以提升表現力與發音，並減少諂媚和重複語句。這兩種說法照字面都無法被證偽。兩者也都沒有提供具體數字。

差別在於，Sesame 把尺子交了出來。如果 Fish Audio 想就實質表現來比較，TurnBench 的開發集是公開的，且可自行評分；排行榜正等著有人提交成績。

建置者能對每一項做什麼，以及不能做什麼

這就是這兩款產品完全不再具有可比性的地方。Sesame Preview 不是一個元件。它沒有端點、沒有工作階段 API，也沒有任何方法能把它們的聲音接到你自己的電話號碼後面；而 App 外部任何人唯一能載入的 Sesame 檢查點是 CSM-1B，這是 2025 年 3 月推出的 10 億參數模型，比目前 App 裡的聲音早了約一年半的研發工作。如今，想在產品中獲得 Sesame 對話感的團隊，除了等待之外別無他途。

Live 3 是相反的交易。它在关键方面是封闭的——没有权重，也无法在企业合约之外自行托管——但它又以让你能够交付的方式开放：agent 构建器、有文档的 API、电话通信，以及按分钟计费。推理层是一个独立、可替换的部分；agent 可以指向 OpenAI 兼容端点来完成思考，而语音仍由 Fish Audio 提供。正是这种结构，让一个小团队在周二就能部署它。

具體就推理那一半而言，OrcaRouter 提供超過 200 個模型，只要一個金鑰即可存取，並按供應商牌價、零加成計費，且在後端於呼叫中途出錯時會自動容錯移轉，還有一套路由 DSL 用來決定哪一種對話輪次由哪個模型處理。Fish Audio Live 3 不在這些模型之列——封閉式雙工語音模型沒有第三方端點，這裡也沒有任何可路由的東西。在這套堆疊中，路由器的職責從語音結束之處才開始。

該看哪一個，又是為了什麼？

三個訊號就能為這項比較下定論，而它們都不是新聞稿。Live 3 在 TurnBench 上的條目，或在 Artificial Analysis 語音對語音排行榜上的一列，將能把 Fish Audio 的行為論據變成一個旁邊附有數字的評分。Sesame 的開發者 API——該公司曾表示開發者工具即將推出，但未給出日期——將能把這款應用程式的聲音變成產品可以租用的東西。而第二個開放的 Sesame 檢查點，且比 CSM-1B 更新，將能給開放權重社群帶來 Live 3 發表時明顯沒有提供的東西。

在其中一項實現之前，誠實的排名完全取決於你買的是什麼。如果你想要當今可取得、聽起來最自然的對話，而且願意讓它存在於別人的應用程式裡，那麼 Sesame Preview 是更令人印象深刻的產品，也更誠實面對它該如何被評判。如果你本季就需要在生產環境中使用語音，Sesame 並不是候選，比較就只剩一個關於 Live 3 的問題：每分鐘 $0.035 的促銷價和 186 毫秒的確認延遲下限，是否足以作為把一條電話線押上去的證據。對多數團隊而言，答案會是：做試點可以，納入正式編制還不行——而能改變這個答案的基準測試早已存在，只是有一列還留著空白。