Gemini 3.8 Live 對決 Sesame Preview：令人欽佩的聲音 vs 能夠致電的聲音

Sesame 的語音代理在「聽起來像真人」項目上得分 4.5 分（滿分 5 分）。Gemini 3.8 Live 的得分則是 4.0 分。Sesame 也完成了 71% 的預約流程，而 Gemini 3.8 Live 完成了 78%，而且 Sesame 發生函式呼叫錯誤的比率大約是兩倍。如果你要為一間提供預約服務的企業挑選語音技術堆疊，聽起來比較好的那款模型反而會輸——而它輸的原因，跟它聽起來有多好毫無關係。

這些數字來自第三方針對每款模型各 1,500 通預約腳本客戶來電所做的正面對決測試，而且有兩點必須留意的但書。這些數字不是我們做的，也未經獨立複製驗證，而且 Gemini 那一方用的是 2026 年初的 Gemini Live 世代，並非本文所談的模型。Gemini 3.8 Live是 Google 於 2026 年 9 月 15 日推出的語音對語音版本，目前已在 Live API 上提供。Sesame Preview是 Sesame 的消費級語音助理，自 2026 年 5 月起在 iOS 上免費提供，並自 2026 年 8 月初起在 Android 上廣泛推出，圍繞四位具名代理——Maya、Miles、Simone、Charlie——打造，且被廣泛形容為任何人交談過最像真人的語音助理。

這場對決其實不是模型對模型，而是你能放進生產環境的產品，對上你只能造訪的體驗。

每個事物的形狀

Gemini 3.8 Live 是一項開發者介面。它的推出形式為 gemini-3.8-live與gemini-3.8-live-extended-thinking，皆在 Live API 上提供，定價為音訊輸入每分鐘 0.005 美元、輸出每分鐘 0.018 美元，文字為每百萬個 token 0.75 美元與 4.50 美元，圖像或影片輸入則為每百萬 1.00 美元。它支援 97 種語言並可在對話中途切換，能以近乎即時的速度處理視覺輸入，在對話持續進行的同時於背景執行工具與 API 呼叫，並以 SynthID 為每一秒生成的音訊加上浮水印。Extended Thinking 版本能同時推理與說話，會即時敘述進度，讓長時間任務進行期間通話不至於陷入沉默。根據 Google 自行回報，其在 Speech Agent Arena 中排名第二，而該系列在 Artificial Analysis 的 Speech to Speech Quality Index 上以 82.6 拿下榜首。這些是 Google 本週公布的數據，尚未經重現驗證。

Sesame Preview 是一款消費性應用程式。它僅提供英文。通話有 30 分鐘上限，登出時會降為五分鐘。它的代理會跨工作階段保留上下文、搜尋網路並設定提醒——但不會預訂、購買或提交任何文件。沒有企業方案，也沒有公開定價。

兩者都是全雙工對話系統，其輪流發言的流暢度好到人們不再察覺。相似之處僅止於此。

我們唯一擁有的正面對決實際上顯示了什麼

CallSphere 的比較大規模執行預訂流程腳本，並回報每個模型的四項數據。在完成率方面，Gemini Live 完成了 78% 的預訂，Sesame Maya 則為 71%。在函式呼叫錯誤方面，Gemini Live 為 3.3%，Maya 為 6.7%。在 p95 延遲方面，Maya 較快——480 毫秒對上 640 毫秒。而在主觀指標「聽起來像真人」以 1 到 5 分評比中，Maya 獲得 4.5 分，Gemini Live 則為 4.0。

把這些放在一起讀，就會浮現出一種任何單一列都看不出來的模式。Sesame 在人類會注意到的兩列勝出，卻在企業會注意到的兩列落敗。自然度和延遲是來電者感受到的；完成率和錯誤率則是對帳時會顯現出來的。一個聽起來像真人、卻在預約流程中每十五通就漏掉一通電話的嗓音，並不是更好的語音代理——而是更好的展示。

有兩點必須誠實說明。這項比較來自單一廠商的部落格，並非經過同儕審查的評估；而且每個模型各 1,500 次通話、且僅限單一腳本類型，取樣範圍相當狹窄。再者，Gemini 的數據所描述的是 2026 年初出貨的那一代 Gemini Live，至少整整落後 3.8 Live 一個模型世代。把那些數字套用到 Gemini 3.8 Live 上，只能算是猜測。目前還沒有人發表過涉及 3.8 模型的正面對決比較。

幾乎每篇文章都搞錯的部分

每一篇讚揚 Sesame 語音的報導，其實都是在讚揚那款應用程式，而該應用程式的語音是一個更大、封閉的生產模型，Sesame 從未將它作為 API 發布。你無法購買、授權或呼叫它。如果你讀到 Sesame 的對話節奏是市場上最優秀的，並因此得出結論認為你可以擁有它，這個結論無法從證據推導出來。

Sesame 真正開源的其實是 CSM-1B——Moshi 系列中以 Apache-2.0 授權釋出的 1B 對話語音模型變體。它是合成模組，不是助理：由 Llama 主幹預測第一個 Mimi 碼本，較小的 Llama 解碼器預測其餘部分，再由 Mimi 編解碼器轉成 24 kHz 波形。它僅支援英文，可從一段乾淨的 10 到 15 秒參考音檔複製聲音，而且完全無法生成文字——你必須讓它搭配另一個獨立的語言模型。兩者都用過的人形容，CSM-1B 的語音明顯比 Preview 應用程式來得弱。它能以每百萬字元 7 美元的價格，向單一第三方供應商取得託管服務，約等於每小時音訊 0.35 美元；若自行架設則免費。

模型卡把原本不便明說的部分直接講白了：驅動互動語音示範的是一個微調過的 CSM 變體，而那並不是你可以下載的檢查點。所以，「Sesame 對上 Gemini」最誠實的說法是這樣：Sesame 有一個你無法取用的漂亮封閉語音，以及一個你可以取用的小型開放合成模組，而這兩者不是同一回事。Google 則有一個你可以呼叫的模型，而且就是他們廣告宣傳的那一個。對打造產品的人來說，這種不對稱性比任何自然度評分都更有價值。

規格對比

• 你會得到什麼 —— Gemini 3.8 Live 是今日即可呼叫的 API，對比 Sesame Preview 是免費的消費級應用程式，其正式版語音並無 API

• 正式環境語音可授權 — Gemini 3.8 Live 是，按分鐘計費，相較於 Sesame Preview 否，從未發布

• 開放產物 — Gemini 3.8 Live 無、封閉 vs Sesame Preview CSM-1B、Apache-2.0，一個不同且較弱的模型

• 語言 — Gemini 3.8 Live 97 對 Sesame Preview 僅限英文

• 工具呼叫 — Gemini 3.8 Live 可在對話期間進行背景工具與 API 呼叫，而 Sesame Preview 代理則會記住上下文並搜尋網路，但不會執行任務

• 工作階段限制 — Gemini 3.8 Live 尚未由 Google 發布，對比 Sesame Preview 為 30 分鐘，登出時為 5 分鐘

• 自然度 — Gemini 3.8 Live 在此面向上未經實測，而 Sesame Preview 在聆聽感受方面獲評為同類最佳，但兩者皆無獨立基準測試

• 延遲 — Gemini 3.8 Live 尚未公布，而 Sesame Preview 對 Maya 而言端到端為 250–450 毫秒，串流首個位元組低於 300 毫秒，根據第三方量測

• 企業路徑 — Gemini 3.8 Live 於 Gemini Enterprise 的私人預覽，即將在 Customer Experience 推出，對比 Sesame Preview 無

• 所述方向 — Gemini 3.8 Live 與 Agora、LiveKit、Pipecat、Fishjam 及其他平台的 Live API 整合，對比 Sesame Preview 的研究合作夥伴關係，以及預計於 2027 年推出的眼鏡硬體

自然度那一列正是人們爭論不休的項目，而注意它說了什麼：兩個模型都沒有針對自己聽起來有多像真人這點，擁有獨立基準。真正存在的是 Sesame 的應用程式受到聽眾讚賞，以及 Google 在一場競技場中拿下第二。那些不是同一種衡量方式，而競技場至少有一套方法論。

自然度在操作上的代價是什麼

錯誤在於把自然度當成你可以額外添加的一項功能。它是一種取捨，而這種取捨通常犧牲的是工具的可靠性——因為讓一個聲音聽起來像人的那些行為，猶豫、重疊、願意在句子中途讓步，都是由一個把容量花在韻律與話輪轉換上、而非花在函式呼叫的嚴格文法上的模型所產生的。這遠比任何關於某個實驗室更擅長工程設計的說法，都更能合理解釋 6.7% 對上 3.3% 錯誤率背後的機制。

它還有一項沒有人編列預算的基礎設施成本。一個聽起來像真人的聲音會拉高期待，而相信自己正在與真人交談的來電者，無法忍受連續兩次「我沒聽清楚」。Sesame 自己設下的 30 分鐘上限，是默默承認這類模型持續運作起來所費不貲——Google 並未公布 3.8 Live 的同類上限，但這不等於說這樣的上限不存在。

哪一個屬於你的技術棧？

當語音只是達成目的的手段時——例如排程、分流、支援，或任何來電者想要得到結果的情境——就選擇 Gemini 3.8 Live。你今天就能取得 API、公開的費率、在背景執行的工具迴圈、97 種語言，以及需要時可用的企業級方案。

當你在研究對話品質應該是什麼感覺，或是在打造一個通話本身就是產品的消費者體驗時，選擇 Sesame Preview。它免費，它確實是目前聽起來最棒的東西，而且它是校準你品味的好地方。不要圍繞它規劃正式環境整合，因為根本沒有東西可以整合。

多數認真的團隊最終都會採用混合架構，而混合架構正是路由不再可有可無的地方。在開場與確認回覆的輪次，也就是使用者會感受到延遲與溫度的時候，放上聽起來自然的模型；在交易輪次，也就是出錯就等於流失一筆預訂的時候，放上工具使用可靠的模型。OrcaRouter 正是為這種型態的技術堆疊而生——模型融合讓一組模型在單一模型的判斷不夠好時共同作答，路由 DSL 能把多個模型組合成一次呼叫，而容錯移轉則能在模型開始出狀況時把流量移走，無須重新部署。凡是供應商有公布價格的地方，我們都直接將供應商定價轉嫁給您，不加任何加成，因此降價當天就能反映在您的帳單上。

值得關注的是：Sesame 正式版語音的 API，還是像 arena 衡量品質那樣衡量自然度的基準測試。無論是哪一個，都會讓這件事從取用與體驗之間的抉擇，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，而這比任何分數都更快定案。

大多數認真的團隊最終都會採用混合架構，而混合架構正是路由不再可有可無的地方。把聽起來自然的模型放在開場與確認的輪次，也就是延遲與溫度感受得到的地方；把工具可靠性高的模型放在交易輪次，因為在那裡，一次錯誤就等於丟掉一筆預訂。 OrcaRouter 正是為這種形態的技術堆疊而打造 —— 模型融合讓一組模型能在單一模型的判斷不夠好時共同作答，路由 DSL 能把多個模型組合成一次呼叫，而容錯移轉則能在某個模型開始出錯時把流量移開，無須重新部署。