Phonic 1 與 Sesame Preview：無聲空檔問題，兩種相反的解決方式

Phonic 1 與 Sesame Preview 兩者都以對話式語音模型販售，而且它們追求的並不是同一項任務。Phonic 1——廠商拼法為 Phonic-1——是每分鐘 0.07 美元的語音轉語音端點，於 2026 年 10 月 29 日正式商用，並直接以 87.1 登上 Artificial Analysis 的 Speech to Speech Index 第一名。Sesame Preview 則是 Maya、Miles、Simone 和 Charlie 這些語音背後的免費陪伴應用程式：沒有公開 API、沒有價目表、在任何獨立排行榜上都未列名，還明言計畫在 2027 年賣你眼鏡。把這兩個名字放進同一句話，首先浮現的事實就是：兩者之中只有一個買得到。

第二件隨之而來的事更有趣。在行銷話術之下，這兩款產品其實都在回應同一個小小的難堪：機器決定該說什麼時，那半秒的沉默。Phonic 的解法是在來電者說完之前就把工作做完。Sesame 的解法則是更擅長判斷來電者何時已經說完。這些是真正不同的工程押注，並由彼此不重疊的工具來衡量；該選哪一個，取決於你的產品依賴哪一種押注，而不是取決於某張基準測試表。

在比較變得含糊不清之前，先弄清楚每一個實際上究竟是什麼

Phonic 1 是端到端語音模型，音訊輸入、音訊輸出，中間沒有先轉錄、再思考、後說話的串接流程。它隨附 TypeScript 與 Python SDK、CLI 與無程式碼代理建置器、51 種有文件記載的語言且支援對話中切換並保持說話者身分，以及一項有文件記載的 intelligence_level 設定，預設為 standard，可提高至 high，還有企業條款，包括 SOC 2 Type II、HIPAA BAA、零資料保留與 99.9% 正常運行時間 SLA。它按分鐘分三種方案販售，而其背後公司約有十人，出自 MIT 與 Stanford，並募得由 First Round 領投的 2,750 萬美元 A 輪。

Sesame Preview 不是你租用的模型。它是一項消費者產品——一個 iOS 與網頁應用程式，免費，自 2026 年 5 月下旬起在 39 個國家推出，搭載四個具名代理，具備持久記憶、能在句子進行中同步運作的平行網路搜尋、筆記功能、文字訊息模式與無痕模式。Sesame 為它公布的目標是首段音訊低於 300 毫秒，而該公司也公開坦承，這個模型在語調與節奏上仍「過於急切且經常不恰當」。它沒有企業方案，也無法授權使用正式版語音。

唯一真正以 Sesame 之名進入可建置版本的，是Sesame CSM-1B，於 2025 年 3 月 13 日以 Apache 2.0 授權發佈。它是一個基礎對話語音模型，以英文為優先，用途是依據先前的對話輪次生成 Mimi 音訊 token。它並不是應用程式裡的那個聲音：Preview 角色來自一份經過精選微調的模型，以及一組從未公開的配音陣容。兩者都實際跑過的評測者形容，這個開源檢查點的聽感明顯弱於應用程式，因此「自己架設 Sesame 模型就好」實際上等於另一個產品，而不是免授權的捷徑。

針對同一半秒的兩次攻擊

Phonic 的發布主張是這個類別中最具體的說法：它宣稱 Phonic-1 是唯一能在來電者還在說話時就行動的模型。在公司發布的示範中，該模型在句子說到一半時就觸發了全部五個工具呼叫，並在來電者停止說話後 1.1 秒回答；在同一份腳本上，它則把 GPT-Live-1 列為 15.7 秒。請把這理解為一種設計的示範，而非基準測試——這是廠商自行挑選的任務，搭配廠商自行選擇的腳本。但重點就在設計本身。如果查詢在輪次結束時就已經完成，模型就永遠不必擅長預測輪次何時結束；它只需要避免擋路。

Sesame 走了另一條路，把預測本身變成了一項研究計畫。2026 年 8 月，它發表了 TurnBench，一個針對輪替動態的開放基準：30 小時錄音室錄製的雙聲道對話、154 段對話、106 位配音員，橫跨六種語域，以 Fleiss' kappa 0.78 進行三重標註，並在設有上限的偽陽性率下以召回率計分，同時以中位數的有號延遲作為評分依據。最值得記住的頭條發現是：人類說話者開始交接發言的中位數為 151 毫秒，早於另一個人停止說話；而該領域沒有任何系統能在偽陽性預算內達到同樣表現。語意偵測器具選擇性且緩慢；聲學偵測器快速但充滿雜訊。沒有哪一種能同時兼具兩者。

那就是岔路口，說得直白些。Sesame 試圖縮小人類 151 毫秒的預期與頂尖偵測器所能做到的 368 毫秒至 1,234 毫秒之間的差距。Phonic 則試圖移除填補這段差距的工作，讓差距變得無關緊要。兩者都站得住腳。但今天只有其中一個能作為端點提供給你，而那並不是發表基準測試的那一個。

為其中一人評分的董事會——以及它讓其坐冷板凳的那一位

Artificial Analysis 的 Speech to Speech Index 是該領域唯一的獨立綜合指標，而截至本文撰寫時，Phonic 1 位居其榜首。真正關鍵的幾列是：

• Phonic 1（High）— 指數 87.1，排名第一；首次音訊時間 0.61 秒；每小時輸入音訊 4.20 美元。

• Grok Voice 3.0 — 86.9；0.81 秒；每小時 $4.80。

• GPT-Live-1（Astra，中等）— 83.2；1.34 秒；每小時 5.83 美元。

• Gemini 3.8 Live Extended Thinking (High) — 82.6；1.35 秒；每小時 $3.50。

• Eleven Realtime v1 Max — 77.3；0.57 秒；每小時 4.80 美元。

請注意最後一行。Eleven Realtime v1 Max更快達到首個音訊，比 Phonic 1 快——0.57 秒對 0.61 秒——且綜合指數低 9.8 點。首個音訊時間並不是 Phonic 贏得的競賽；它贏的是綜合評分，該評分同時權衡語音推理、代理式任務行為、人類偏好與任務成功率。任何只憑單一欄位引用「最快」的人，引用的是錯誤的欄位。

再說這種不對稱。那個排行榜上並沒有 Sesame Preview 這一列，而且也不可能出現：該指數是透過 API 測試框架來跑模型，而 Sesame Preview 根本沒有 API。Sesame 自家的評測工具也補不上這個缺口。TurnBench 由 Sesame 發布，而就本文撰寫當下，榜上並沒有任何 Sesame 的項目——該榜單列出的是語音活動偵測模型、ESPnet、Kyutai 的語意 VAD、Gemini 3.1 Live、OpenAI Realtime 與 Moshi，卻沒有這家公司自己的正式語音產品。這不是什么醜聞；撰寫評測與提交評測是兩回事，而一個附屬應用程式也沒有穩定的端點可供評分器指向。但這確實意味著，這場對比中的兩個頭條數字——一邊是 87.1，另一邊是低於 300 毫秒——并不是同一種主張。其中一個是由第三方在測試框架上測得的。另一個則是廠商針對一項公司外部無人實測過的產品所陳述的目標值。

根據 Phonic 自身的證據，Phonic 1 落敗的那一欄

如果你會來看 Sesame Preview，是因為它聽起來像真人，那麼這項比較有一個令人不安的答案，而這個答案出自 Phonic 自家的新聞宣傳資料，而非評論家。

Phonic 委託第三方聆聽測試服務 Podonos 進行盲測成對聆聽測試，並在其發布文章中公布結果。Phonic-1 以 61.5% 對 32.0% 的偏好度勝過 GPT-Live-1，以 66.5% 對 26.5% 勝過 Grok Voice 3，並以 78.0% 對 14.0% 勝過 Eleven v4 Turbo。公司選擇作為主打標題的，卻是它輸掉的那一項：真人配音員以 57.0% 對 32.0% 的偏好度勝過 Phonic-1，文章將此描述為人類約有 60% 的時候勝出，且仍有相當大的改進空間。這些是由供應商委託、由供應商公布的數字，且沒有任何一項經過獨立重現——但這些是供應商自己的數字，而它們顯示 Phonic 1 是其比較組中最佳的合成語音，而且仍然不是真人。

獨立的偏好資料也指向同一個方向。在構成綜合指標的 Speech Agent Arena 上，Phonic 1 在聽眾偏好方面以 Elo 1,012 在 30 個模型中排名第八，而在任務成功率方面以 92.3% 排名第四。位居該指數榜首的模型，並不是聽眾最想與之交談的模型。這正是我們在 Grok Voice 3.0 身上從相反方向看到的同一種分裂——xAI 拿下了競技場，卻在代理能力欄位落敗——而這正是這兩個模型之間的正面對決無法用單一數字定勝負的結構性原因。

Sesame 的名聲，則正是建立在那一欄之上，而不是任何更嚴謹的東西上。Maya 與 Miles 的示範在 2025 年 2 月因呼吸聲、猶豫、自我修正與笑聲而爆紅，當時流傳的說法是，聽眾無法可靠地在短音檔中分辨這些聲音與真人。那是聽眾形成的印象，不是評分測試，也從未與 Phonic 1 同場比較。沒有任何已發表的實驗，讓聽眾連續聆聽 Sesame Preview 與 Phonic 1。任何人告訴你哪一個聽起來更好，其實是在告訴你他們聽過哪一個。

一分鐘的代價是什麼，以及為什麼「分鐘」是錯誤的單位

價目表簡短且不均衡：

• Phonic 1 — 在 Starter 方案每分鐘 $0.07，且無最低消費，包含 10 通同時通話、10 個代理與 3 個席次；Pro 方案每分鐘 $0.065，但每月最低消費 $200（約 3,100 分鐘），並支援 50 通同時通話；企業方案則為客製化。11 月 30 日前註冊可獲得 $250 抵用金，而從 cascade 遷移的客戶可免費使用三個月。

• Sesame Preview — $0。不是按分鐘計費，不是按席位計費，也不是按代理計費。應用程式內免費。

• Sesame CSM-1B — 權重免費，但帳單是你的 GPU 時數，加上工程時間：要圍繞一個本身無法產生文字的檢查點，組裝出輪流發言、上下文調節與語言模型。

做一次實際的比較，按分鐘計價的框架就會立刻瓦解。在 Phonic 1 Starter 上，每月一萬分鐘是 700 美元，這對客服中心來說只是四捨五入的零頭，對副業專案來說卻是一筆實實在在的預算。Sesame 不收費，因為 Sesame 賣的不是分鐘——它賣的是在 2027 年眼鏡產品上市之前先養成的每日習慣，而習慣是按人、按年、靠硬體來變現的，不是按每分鐘的音訊。拿價目表去跟免費應用程式比，就像拿供應商去跟廣告看板比。

這就留下成本問題最誠實的版本：要付出多少成本才能出貨？對 Phonic 1 來說，答案是一份合約、一個 websocket，以及在 Starter 方案上的十個並行通話，除非你付費使用 Pro。對 Sesame Preview 來說，答案是根本沒有數字，因為根本沒有正式報價。最接近可出貨 Sesame 的東西是 CSM-1B，而 CSM-1B 最接近價目表的東西是一張 GPU 發票。

三位買家，三種不同的答案

你正在把通話量從串接式架構移開，而這些通話必須順利完成。以 Phonic 1 為例，重點在於代理欄位，而不是綜合欄位。在來電者停止說話之前就觸發的工具呼叫，正是代理人能成功預約，與讓來電者不得不重複自己說的話之間的差別。相較於一通失敗的接待來電所付出的代價，$0.07 顯得便宜；而並發上限正是你在正式投入之前必須先評估容量的事項。

你的產品，賣點就是它的聲音。 夥伴、教練、家教、品牌聲音——任何產品，只要使用者留下來的理由就是聲音本身。Sesame Preview 是參考基準，而 Phonic 1 還不是答案：在供應商自家的盲測中，人類以將近二比一的差距勝過它。但參考基準買不到，所以實際的選項是要麼採用有實測偏好分數的授權語音模型，要麼使用 CSM-1B 並投入大量自家工程。

你想要這種拆分——帶有代理式後端的 Sesame 風味語音。這是兩家公司路線圖都指向、卻都沒在販售的組合。可實作的版本是：語音部分用 CSM-1B 或其他開放語音模型，思考部分在它背後用一個傳統文字模型，並由你把它們串接起來。那個文字階段就是一般的聊天推論，而這正是 一個 API 支援 200+ 個模型、0% 加價真正適用的那一層：推理這一段用單一金鑰，供應商定價原樣傳遞，用路由 DSL 把輪流對話的閒聊與政策密集的推理，在同一次呼叫中分派給不同模型，以及自動故障轉移，讓供應商的小故障不至於中斷對話。Phonic 1 和 Sesame Preview 都不在那個目錄裡——Phonic 1 是因為它是單一廠商的端點，Sesame Preview 則是因為沒有端點可供路由——所以這是關於你自己組裝的那一半堆疊的陳述，並非對上述任一模型的主張。

什麼會改變這個答案

三件事，按可能性由低到高排列。

Phonic 公布了標準智慧設定下的聽測數據。本文中的每一項分數，包括 87.1 與 0.61 秒，都是在高設定下產生的。API 預設為標準，文件記載其為低延遲模式，但目前還沒有人公布該配置對品質或首段音訊時間的影響。一個從未調整過此設定的整合，等於在執行一個未經測量的變體。

Sesame 若開放一個端點，或把自家正式上線的語音放上自家的輪流發話測試板，任一種做法都會讓這件事從「產品對上名聲」的比較，變成「兩項可量測事物」的比較。而這兩者都不在 Sesame 所描述的發展藍圖上——那份藍圖的路徑是先經過 Android，接著是 2027 年的智慧眼鏡。

有人在同一個房間裡同時運行這兩套系統。用 Sesame Preview 的正式上線語音與 Phonic 1 在相同提示詞上做一次單次盲測，就能在一個下午內為自然度問題定論；而任何不在 Sesame 工作的人都無法執行這項測試，因為這兩個系統中有一個是外部人士無法存取的。

除非上述情況之一發生，否則站得住腳的解讀是這樣：Phonic 1 是兩者中唯一你能部署的，它在唯一一個對它們任一進行評分的獨立綜合評測中領先，它在「回合結束前完成工作」這個賭注上勝出，而且從可測量的角度來看，它仍不是人類的聲音。Sesame Preview 是聲音更好、但你拿不到的東西，而且來自一家目前並不以販售它為業務的公司。它們不是同一份選單上的兩個選項。它們是一個供應商和一個演示，而你越快停止比較它們的規格表，就越快能決定你的產品真正需要哪一個。