Grok Voice 3.0 對決 Sesame Preview：在每場聆聽測試中都勝出的聲音，就是那個沒有 API 的

問一屋子的人，這些聲音裡哪個聽起來更像真人，你會得到同一個答案。Sesame Preview是 Sesame 推出的免費語音助理——旗下有四名代理，名為 Maya、Miles、Simone 和 Charlie，自 2026 年 5 月起在 iOS 上線，並自八月初起在 Android 全面推出——它催生了那些瘋傳短片，讓「業界頂尖的語音模式」成為評論者反覆掛在嘴邊的說法。G​rok Voice 3.0由 S​paceXAI 於 2026 年 10 月 14 日發表，以 86.9 分成為公開排行榜上得分最高的語音對語音模型，可透過有文件記載的即時端點呼叫，每分鐘 0.08 美元。這兩件事並不矛盾，而它們之間的落差正是整場對決的核心：其中一個是人們用耳朵評判的嗓音，另一個則是外部第三方能夠衡量的嗓音。

那個差距的另一半是存取權。Sesame Preview 沒有 API、沒有模型識別碼、沒有費率表，也沒有表明有推出 API 的計畫，而應用程式中的正式版語音，是該實驗室從未釋出的更大閉源模型。G​rok Voice 3.0 則是你按分鐘租用的元件。憑耳朵挑，你會選 Sesame；若按能不能實際推出產品來挑，決定就已經替你做好了。

每一項究竟是什麼，正式記錄在案

剝去行銷包裝之後，這兩項產品甚至根本不是同一類東西。

• 它是什麼 — G​rok Voice 3.0 是 S​paceXAI 即時 WebSocket 背後的語音轉語音模型，具備以工作階段為範圍的工具與回傳的逐字稿；Sesame Preview 則是一款消費者應用程式，內建四個對話代理、可在網頁與行動裝置間同步的個別代理記憶、通話期間的即時網頁搜尋，以及通話後傳送的摘要。

• 價格 — G​rok Voice 3.0 為每分鐘音訊 $0.08，外加每筆文字輸入 $0.004，約每小時 $4.80；Sesame Preview 則對使用者免費、無廣告，且未說明有付費方案。

• 開發者存取權 — 提供有文件記載的端點、用於用戶端連線的短效權杖，以及適用於 G​rok Voice 3.0、可從最長 120 秒的參考片段訓練聲音的自訂語音端點；Sesame Preview 則完全沒有。

• 權重 — 兩側皆封閉，只有一個例外：Sesame 已發布 CSM-1B，這是一個 Apache-2.0 檢查點，並非應用程式中的那個聲音。

• 獨立評分 — G​rok Voice 3.0 在 {{1}}Artificial Analysis Speech to Speech Index{{/1}} 上獲得 86.9 分，並有五項可讀的組成指標；Sesame Preview 語音則沒有這些指標，而 Sesame 也未公布任何相關資料。

• 限制 — G​rok Voice 3.0 沒有明訂的工作階段上限，而前一代是以涵蓋 24 種語言的詞錯誤率作為行銷訴求；Sesame Preview 僅支援英文，通話上限為 30 分鐘，登出後會降至 5 分鐘，且不執行任務——這些代理只會交談，不會預訂、購買或提交任何東西。

最後那一點，就是讓大多數評估畫下句點的那一點。一個無法撥打的語音產品不是元件；它是競爭者。

開放檢查點，以及它不是什麼

Sesame 對其展示版與下載版之間的落差異常坦率，而這正是任何權衡這兩者的人最該知道的一件事。

CSM-1B 是一款 1B 對話語音模型，於 2026 年 4 月 23 日以 Apache 2.0 授權發佈：它採用 Llama 架構主幹，饋入獨立的解碼器與 Kyutai 的 Mimi 編解碼器，可從約 4,000 個 token 的上下文生成 24 kHz 單聲道英語語音。它是一個基礎語音生成模型。根據實際運行過這兩者的人的評估，它的聲音明顯比 App 中的那個更弱，而 Sesame 自己的文件明確指出，它不是端對端語音轉語音系統，且無法生成文字。

所以那個下載檔是一條研究脈絡，不是產品本身。有人為了尋找示範裡的那個聲音，找到了同一間實驗室推出的較小模型，而當四個代理中的其中一個接起時，負責應答的是一個從未發布的正式產品模型。它由第三方推論服務供應商代管，價格約為每百萬字元 7 美元——大約等於每小時合成語音 0.35 美元——或者在自己的硬體上免費使用，而且也沒有人發表過它的獨立基準測試。

作為規模參照，每小時 0.35 美元以十三倍的差距，成為這份比較中最便宜的音訊，但它同時也是最不實用的一項，因為一個無法進行雙工對話的 1B 檢查點，在價格上並不是在跟 Grok Voice 3.0 競爭。它競爭的對象，是你原本就在使用的任何旁白工具。

為什麼聽感測試和指標會不一致，以及哪一個才是錯的？

它們並不衝突。它們回答的是不同的問題，而其中只有一個可以在公開場合回答。

Sesame Preview 的聲譽取決於一道聲音在聽者耳中聽起來如何：呼吸、猶豫、打斷的時機，以及電話另一頭有真人存在的感覺。這確實是某種真實證據——這個示範說服了數十萬人，以及沒有理由手下留情的評論者——而且它完全沒有被量化。沒有競技場參賽紀錄，沒有已發表的正式版語音評估，也沒有樣本數量。無論正面或負面，每一項品質主張都只是聆聽印象。

G​rok Voice 3.0 的 86.9 分則屬於另一種相反的證據。它可拆解為接近上限的語音推理能力、Full Duplex Bench 上 97.0%、τ-Voice 上 71.6%、競技場 Elo 1070，以及 94.8% 的任務成功率，每一項都在公開的評測框架下測得，外部團隊可以閱讀、核對其算術，並提出異議。複合指標是一種加權選擇，而競技場部分是在模型取得資格的那一刻就凍結，而非追蹤即時 Elo——但任何人都能取得這些異議，這正是它之所以是一項測量、而非一項宣稱的原因。

董事會沒有衡量到的，是你是否享受與它對話。而這次發布中有個具體數字，正好落在這條軸線上：G​rok Voice 3.0 在 0.81 秒內就開口說話，而它所取代的模型則是從 0.70 秒開始。這款旗艦產品起步比自己的前代慢了 0.11 秒，而這正是聆聽者會比基準測試更早注意到的那種細節。

四代理設計告訴你什麼

Sesame 的四種人格並非行銷細節，而是一項架構決策，且與 S​paceXAI 所做的決策恰恰相反。

Maya、Miles、Simone 和 Charlie 是固定語音，具有固定性情，而記憶範圍依各代理而異。這是一項圍繞著「語音即交付成果、個性即特色」這個假設所打造的產品。產品沒有語音客製化、沒有複製，也沒有從消費者應用程式通往 API 的路徑——免費方案就是產品本身，而公司表明的方向是研究合作與規劃中的硬體裝置，而非開發者平台。

Grok Voice 3.0 則反其道而行。它隨附 SpaceXAI 的內建語音集，另外還有一個獨立的自訂語音端點，可從長達 120 秒的參考片段訓練語音，而產生的 voice_id 可同時用於即時 API 與串流文字轉語音。其工作階段可接受工具，因此代理程式能在對話過程中呼叫你的後端，而不只是談論這件事。

哪一種比較好，取決於你是在銷售一種體驗，還是在打造一種體驗。一款推出四種優秀固定人格的語音產品，用一個決策就解決了品牌塑造與整合的問題。一款具備複製端點的語音產品，則用一個決策交給你一層合規面與一套本地化工作流程。兩者都不是錯誤，而且它們指向不同的客群。

路由問題實際上落在何處

OrcaRouter 並不提供這兩個語音層。Grok Voice 3.0 存在於 SpaceXAI 自家的即時 WebSocket 之後，而對於由單一廠商擁有的雙工音訊工作階段，任何東西都無法从中介入；Sesame Preview 則根本沒有可供路由的端點。若不這麼說，就等於在描述一項並不存在的能力，而這個類別裡充斥著正是這麼做的平台。

可路由的部分，正是這兩個產品都默默依賴的那一層。Sesame 的代理會在對話中途搜尋網路，並在之後送出摘要；Grok Voice 3.0 的 tools 陣列會觸及任何回應它的後端，而任何比內嵌呼叫更重的作業，都會變成對話背後的一次文字模型請求。這項工作按請求計量，每次呼叫成本中相當可觀的一部分正是在此累積，而且它是語音產品中，能在其底層音訊模型更換時保持不變的那一半——考慮到grok-voice-latest/ 已在一個季度內變動兩次，這是一項值得擁有的特性。一把金鑰即可存取來自十多家上游的兩百零七個模型，依供應商定價、零加價，並在供應商服務降級時自動容錯移轉，提供可將多個模型組合成一次呼叫的路由 DSL，以及當單一模型的判斷不足時可用的模型融合。由於沒有任何加價，這些模型中任一廠商的降價，當天就會在此生效。

推薦內容，依你的身分區分

如果你是消費者，想要現今最好聽的對話語音，而且完全無意整合任何東西，那麼 Sesame Preview 是免費的，它同時登上兩大行動平台，它的口碑名副其實，評測者也一再證實這點，而本文沒有任何內容會改變這一點。就用它，好好享受吧。

如果你正在開發產品，決定其實早已做出，而背後的推理值得你內化。你無法呼叫 Sesame Preview、無法固定它的聲音，也無法拿它跟任何東西做基準比較——所以每一場關於它的採購對話最後都會回到同一點：在兩個雙方都無法評分的選項之間做聽測。Grok Voice 3.0 則給你價目表、帶版本號的模型字串、逐字稿、聲音複製端點，以及一個你可以據以爭論的排行榜分數。開始使用它的第一件事，就是鎖定你的版本，因為別名早已在未經詢問的情況下被切換到它上面。

而如果你是一位想要{{1}}那個有趣的失敗案例{{/1}}的研究者：對這組搭配的誠實總結是，這個類別已證明自己能打造出值得聆聽的聲音，卻尚未決定那個聲音是否應該以應用程式以外的任何形式販售。Sesame 打造了更好的體驗，卻將其封閉。S​paceXAI 打造了更好的元件，並公開了數字。留意 Sesame 推出 API 的版本——那才會是讓本頁過時的發佈。

計分板衡量的項目與部署實際遭遇的狀況之間的落差，正是這份紀錄之所以重要的原因：與此類模型相關的已記錄 AI 失效與代理事件，都收錄在 OrcaRouter AI 事件檔案庫，其中每一筆條目都附有自己的來源、嚴重程度、可信度等級與爭議旗標。