「Sesame 預覽版登陸 Android」的標題卡:大標題,副標題「評論者稱其為市面上最佳語音模式之一的語音代理 —— 免費,尚無 API」,以及兩張扁平圖示卡 ——「語音優先代理」(帶有波形與人物線條圖示,標籤為「Maya · Miles · Simone · Charlie」)和「適用於 iOS 和 Android」(帶有電話線條圖示,標籤為「免費 —— 尚無 API」)。頁尾:「為好奇的人們打造的個人代理 —— Sesame,2026 年 8 月。」OrcaRouter 標誌合成於右下角。
Guides & Insights

Sesame 預覽版現已推出方案:免費版、20 美元的 Plus、100 美元的 Pro——但依然沒有 Voice API

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

在十月更新讓其代理獲得電腦後將近六週,Sesame Preview——這款自 2026 年 5 月起公開預覽的應用程式——有了價目表。Sesame 自家的方案頁面現在販售三個層級——免費方案為 $0,每天 30 分鐘通話時間;Plus 為每月 $20,通話額度是四倍;Pro 為每月 $100,是二十倍——透過 App Store 與 Google Play 計費,而非在網頁上。那些是廠商在自己的頁面上標示的價格:不是實測數字,也不是獨立評測。這些價格背後的一切都沒有改變。正式版語音仍然沒有 API、沒有模型 ID,也沒有獨立評分,而應用程式之外任何人能載入的唯一 Sesame 模型,仍是開放權重的 CSM-1B。

三個層級,如已公布所示:

免費 — $0。每天 30 分鐘通話時間,外加每週有限的點數額度,可用於簡訊與任務。

• Plus — 每月 $20。每天兩小時通話時間,是 Free 每週額度的四倍,還有任何人都能使用一次的為期一週免費試用。

• Pro — 每月 100 美元。每天十小時通話時間,以及 Free 每週額度的二十倍。

Sesame 自己劃出真正重要的界線:通話會消耗通話時間,而「代理去做的任何事」則消耗點數,不論你是用語音還是文字提出要求。因此這兩個計量器耗盡的方式不同。通話時間每天重置,點數每週重置。點數用完不會中斷通話——它會把你從 Max 智慧降為 Standard,已排定的技能會暫停到每週重置,然後從中斷處繼續。通話時間用完是更嚴重的限制:你仍可傳文字,但模型智慧會下降,部分能力會受限。在等級清單中,「四倍通話時間」和「四倍點數」是兩項各自獨立的承諾,可能在不同日子用完。

真正決定方案等級的數字不是標價,而是加購費率。Sesame 以 5 美元販售額外一小時通話時間、20 美元販售五小時,並以每千點 5 美元、每五千點 20 美元販售點數。加購包永不過期,且只會在方案額度用完後才扣用。按此費率,Plus 每天兩小時——30 天一個月約 60 小時——要價 20 美元,而 20 美元的單點通話時間只能買到五小時。如果你每週使用助理超過幾次,訂閱的價值約是加購包的十二倍,這想必就是其用意:Sesame 自家的 FAQ 稱每個方案「比購買等量的額外時間或點數划算得多。」

有兩個結構性細節比表面上看起來更重要。第一,網路上不販售任何東西:購買都透過 App Store 或 G​oogle Play 進行,因此瀏覽器版的 Research Preview 完全無法升級。第二,而這正是「預覽即將結束」這種說法稍微解讀錯誤的地方:網頁預覽並不會消失。Sesame 的 FAQ 指出,App 支援國家以外的使用者「可以免費繼續使用 Research Preview,每日通話時間上限與 Free Plan 相同:每天 30 分鐘」,而且通話時間與點數都綁定帳號,因此同樣的每日上限也適用於網頁通話。結束的是無上限的額度。預覽本身則以免費方案的形式留存。

應用程式本身仍持續隨著新的計費方案一同推出。App Store 上列出的是 48.0 版,日期為 11 月 13 日,更新說明寫著「更出色的標準與 Max Intelligence」;G​oogle Play 則顯示應用程式於 11 月 9 日更新,下載量超過 50,000 次,約 2,000 則評論平均 4.9 顆星。下方的截圖並不是那個版本——它是本文最初刊出時、於八月擷取的畫面,當時頁面上寫著「搶先預覽,現已在 iOS 與 Android 推出」,完全沒有標示任何價格。之所以保留它,是因為那是分級方案問世之前,產品的最後狀態。

Screenshot of Sesame's official Mobile Preview page (sesame.com/mobile-preview), showing 'Personal agents for curious people', 'Preview available now on iOS and Android', and store links for App Store and Google Play. Captured August 6, 2026.

芝麻究竟是什麼

Sesame 不是一家剛好有應用程式的模型公司;它是一家以應用程式為核心的模型公司。這家實驗室由 Brendan Iribe、Ankit Kumar 與 Ryan Brown 於 2023 年創立,並獲得 a16z、Sequoia、Spark 與 Matrix 支持;它打造了「Maya」示範背後的對話式語音模型(CSM)——那是一個帶有呼吸、猶豫與插話時機的聲音,逼真到初次聆聽者以為電話那頭是真人。它現在販售的產品是「為好奇的人打造的個人代理」。十月又添了一個目的地:10 月 6 日,該公司產品長 Nate Mitchell 將這個助理定位為一副可全天配戴的眼鏡的作業系統——以該公司的說法,是「鏡框上的語音作業系統」——而前一天,Sesame 宣布鏡框將在日本製造,並於 2027 年推出。助理才是產品;眼鏡是它存在的理由。方案頁面補上了讓它成為一門生意的那一塊。

四個代理,以及這個應用程式實際上在做什麼

這四種人格設定維持不變,仍是這項產品最鮮明的特色:Maya(機智的合作夥伴)、Miles(隨性、有話直說的對話夥伴)、Simone(擅長深入探究、充滿動能的思考夥伴),以及 Charlie(輕鬆的傾訴對象)。每個人都保留各自的記憶,且自十月起擁有各自的應用程式存取權——你可以讓 Maya 存取你的電子郵件,同時把 Charlie 排除在外。在此基礎上,這些助理會搜尋網路、進行深入探究、做筆記與設定提醒、在通話後傳送摘要,並在你無法出聲說話時以文字回覆;無痕模式會讀取過往記憶,但不會寫入新記憶。這些方案改變的不是應用程式能做什麼,而是你能用到多少:每項功能都列為所有方案層級皆可使用,而 $0、$20 與 $100 之間的差別在於額度,不在於功能。

十月發佈版實際新增了什麼

先從聲音談起,因為其他一切都建立在它之上。Sesame 表示它「更新了我們的 Conversational Speech Model,以提升表現力與發音」,並稱這項改變「帶來巨大差異,尤其是在較長的對話中」。同一篇文章還說,這些角色的個性如今「更清晰地展現出來」,諂媚更少,重複的片語也更少。那是廠商的一面之詞,沒有附上任何數字:未公布模型 ID、沒有延遲數據、沒有基準測試,而且這款應用程式的語音仍不是任何人能夠量測的端點。就把它當成是來自唯一聽過兩個版本的一方所做的方向性陳述。

更大的變化在於,這些代理如今有了身體。Sesame 寫道:「隨著十月版本發布,每個代理現在都更聰明,能取用自己的電腦」——意思是助理可以瀏覽網頁並採取行動,而不只是說話。該公司提供的示範頗有針對性:自家團隊表示,他們一直用 Maya、Miles、Simone 和 Charlie 來「調度 Devin、Claude Code 和 Codex 等其他代理」,而且是透過語音,在散步和通勤時進行。如果這真如描述般可行,Sesame 就不再只是與語音助理競爭,而是開始爭奪程式碼代理之上的控制層。這也是本次發布中,讀者最容易親自驗證的一項說法——同時,在本文寫成之時,也是沒有任何外部評測者發表過實測數據的一項。

讓它變得有用的底層機制也是新的。Sesame 的入門指南於 10 月 5 日更新,將 Google 應用程式——Gmail、Google Calendar、Google Drive——列為連接器,其中有些標示為 Beta,並支援透過 OAuth 連接外部 MCP 伺服器,同時坦率警告:連接前要先信任開發者。連接器之上則是「技能」:一套以淺白語言寫成的操作手冊,你在對話中建立它,之後可視需要或依排程執行,無論是否有連接應用程式。圖像生成也成為代理程式自身的工具之一:應用程式將「Image by Sesame」列在其中,描述為可生成、編輯與分析圖像,而助理會主動提出可依描述生成圖像,或告訴你你所傳照片裡有什麼。請注意其出處——那是應用程式內的工具清單,並非 Sesame 自家公告所述;而且應用程式與公司都未指明其背後的圖像模型。

方案頁面補上了十月說明未明確指出的一項細節:應用程式現在有兩個智慧等級,Standard 和 Max,而 Max 是會同時消耗點數與通話時間的那一個。這使得點數額度成為品質上限,而非任務配額——商店刊登內容也支持這項區別,App Store 版本 48.0 的發行說明承諾「更出色的標準與 Max Intelligence」。

沒有改變的限制

這個語音仍然沒有 API,也沒有 model ID,所以這些都不是開發者能呼叫的東西——而方案頁面並不能改變這一點。頁面上的每個數字都是消費者訂閱;其中沒有任何一項是該模型按 token、按分鐘或按字元計費的費率。圖像工具不會告訴你它由哪個模型驅動。代理在無人值守時能多可靠地編排 Devin 或 Claude Code,仍是個未解的問題,廠商只用自家軼事來回答。英文仍是唯一官方支援的語言——指南指出這些助理也能「早期」處理法文、義大利文、德文、西班牙文、中文、日文和韓文,這與其說是功能清單,不如說是警告。你必須年滿 18 歲。而且應用程式存取權是按助理分別授予的,這對隱私是好事,實際操作上卻很彆扭:你為 Maya 連接的東西,Charlie 看不到。Sesame 仍表示自己不投放廣告、也不販售資料;而付費方案現在讓這項說法更容易維持。

語音就是產品——而迄今仍無法衡量

Sesame 之所以值得一寫,依然不是因為某個基準測試分數,因為這個應用程式至今仍沒有這類分數。正式版模型尚未發布:沒有模型 ID、沒有 API、沒有延遲目標,也未像可呼叫的語音模型那樣列在 Artificial Analysis 的語音對語音排行榜上。你能驗證的是其架構系列。Sesame 的 CSM 採用雙解碼器設計:以 Llama 為骨幹預測第一個音訊碼本,再由小型「depth」解碼器預測其餘部分;它建構於 Kyutai 的 Mimi 編解碼器之上,產生 24 kHz 單聲道語音。而開放權重的 CSM-1B(Apache-2.0)是其中唯一任何人都能下載的部分。十月的筆記是數月來首次確認正式版 CSM 本身已有進展,而該公司仍舊沒有發布任何可供基準測試檢視的內容。但確實有一個工具存在,衡量的卻是相鄰的領域:2026 年 8 月 28 日,Sesame 發布了 TurnBench,這是一款針對口語對話中輪替發言的開放基準測試——包含 30 小時經三重標註的雙人語音、一套取自對話分析的評分協議、公開排行榜,以及 14 個系統的結果;它由 Sesame 與 Carnegie Mellon、Mundo AI 和 Oto 共同打造。它確實是開放的,也是 Sesame 自家的,而且評分對象是輪替發言,而非這個應用程式的語音。

下方的計分板是較早的八月快照。它現在在兩個方面都已不足。它對電腦使用、連接器和影像生成隻字未提,因為它被繪製時這些功能都還不存在;而它的價格列仍寫著「免費(預覽版,無付費方案)」,這句話在方案頁面上線的那一週就不再成立。本頁頂端的標題卡出自同一批八月資料,也帶著同樣過時的「免費——尚無 API」徽章。請把兩者都當作這款應用程式當時樣貌的紀錄,而不是它現在費用的紀錄。

Single-column scoreboard for 'Sesame Preview — the scoreboard': six rows reading 'Platforms: iOS + Android + Web', 'Price: free (preview, no paid tier)', 'Agents: Maya · Miles · Simone · Charlie', 'Independent score: none yet', 'Open model: CSM-1B, $7/M chars', 'Languages: English only'. Footer: 'Sesame app model unreleased; CSM-1B per OpenRouter; no independent voice benchmark exists.' OrcaRouter logo composited bottom-right.

一小時的 Sesame 究竟要花多少錢

若按每小時通話計價,Plus 大約是 33 美分。這值得拿來和 API 市場並列比較,因為這是 Sesame 目前公布、唯一能與任何東西相比的數字。G​rok Voice Think Fast 2.0 每音訊分鐘收費 0.08 美元,也就是每小時 4.80 美元。GPT-Realtime-2.1 按音訊 token 計費,每百萬輸入 token 32 美元、每百萬輸出 token 64 美元;除非知道你會說多少話,否則這個單位無法換算成小時。

那樣的比較並不是同類相比,也不應被當成同類比較。G​rok Voice 是你用來打造產品的 API;Sesame 則是你對它說話的應用程式。Sesame 的點數會在通話時間之外,另外計量代理人所執行的動作,因此一週任務繁重時,可能消耗掉按小時計算的數字永遠看不到的額度。而且沒有任何獨立評測衡量過這兩個語音是否屬於同一等級——能一錘定音的那個數字,在這款應用程式上並不存在。33 美分真正說明的是:Sesame 把固定月費的消費者訂閱,放到了按分鐘計費的市場上來定價;而且每月 $20 的價格,等於把數小時的用量賣得遠低於計量語音 API 對這些時數的收費。這究竟是慷慨,還是上市促銷折扣,下一個定價頁面會給出答案。

Sesame Preview 在語音領域中的定位

2026 年,即時語音領域分成應用程式與 API 兩條路線,而十月又加入第三條軸線:誰掌控代理程式。在應用程式這邊,Sesame Preview 與 ChatGPT 和 Gemini Live 內的語音模式爭奪同一批注意力——但有一個新差異:那些語音模式綁在訂閱裡,而訂閱同時也買到文字模型,Sesame 的 20 美元卻只買到助理。這使得免費方案成為真正的戰場:每天 30 分鐘只是示範長度,讀者一超過這個門檻,決定就變成:這個語音值不值得單獨付 20 美元。在 API 這邊,可呼叫的選項是你能讓 WebSocket 指向的模型:Grok Voice Think Fast 2.0,每音訊分鐘 0.08 美元,首次音訊延遲 0.70 秒,在 τ-Voice 代理基準測試排名第一,在 Artificial Analysis 的語音對語音品質指數以 82.9% 排名第二(這些數字是 Artificial Analysis 的,不是 xAI 的);或者 GPT-Realtime-2.1,每百萬音訊輸入 token 32 美元、每百萬音訊輸出 token 64 美元。第三條軸線正是 Sesame 在十月跨入的:不是「呼叫我們的語音模型」,而是「和我們的代理程式對話,它們會驅動你的其他代理程式」。這是有關編排的宣稱,而沒有人測量它——到目前為止,供應商的描述就是全部證據。

下圖是 2026 年 8 月 6 日當時 API 端的榜單:提醒我們 Sesame 是在和哪些對象爭奪注意力,也提醒我們這個應用程式的聲音至今仍缺少哪一種人物。

Screenshot of the Artificial Analysis speech-to-speech leaderboard (artificialanalysis.ai/speech-to-speech, captured August 6, 2026), where callable voice models such as Grok Voice Think Fast 2.0 carry index scores and time-to-first-audio figures — the API-side voice market that Sesame Preview, an app with no API, currently has no equivalent for.

這對建造者意味著什麼

消費端現在有了價格;開發者端仍然沒有。如果你想在今天以 Sesame 的正式版語音打造產品,你辦不到——它沒有 API,定價頁面上也沒有任何方案是開發者方案。開發者唯一能呼叫的 Sesame 模型,是開源的 CSM-1B 基礎模型;你得自行託管,或透過有列出它的供應商來取用:10 億參數、4K 上下文,這是個具備零樣本語音複製、但本身沒有工具呼叫能力的文字轉語音模型。十月改變的是發展方向:助理會連上 MCP 伺服器,而 Sesame 表示它「正在加入開發者工具,讓你能在今年稍晚打造自己的 Sesame 應用程式」。這些方案所增添的,是那套工具將建立在什麼商業模式之上的蛛絲馬跡——計量通話時間加上計量代理工作量,以分級方案販售。一個你能擴充、而且現在還能按小時付費的助理,距離一個你能按 token 呼叫的助理只差一步。

2026 年更常見的自訂語音代理組裝方式,仍是把語音層與負責決定要說什麼的文字大腦配在一起——而路由器所前置的正是這個大腦。OrcaRouter 讓 200+ 個模型位於一個與 OpenAI 相容的端點之後,以供應商定價提供、零加成原樣直通,因此當供應商降價時,這裡當天就會同步生效;自動容錯移轉是把剛發布、尚未驗證的模型放在真實路徑上、與已驗證模型並列的安全做法。坦白說明我們自身的涵蓋範圍:目前這裡沒有任何 Sesame 模型是路由,包括 CSM-1B——所以上述內容都不是你在租用 Sesame 的聲音。這是語音端仍封閉時文字端的模式,也是當語音端不再封閉那天你會想要採用的模式。

「drive mode」測試

TestingCatalog 八月的那句話——「我的駕駛模式預設」——依然是對 Sesame Preview 用途最精闢的總結,而十月讓它更字面、也更具影響力。駕駛模式是語音助理最棘手的場景:雙手忙著、目光在路上、沒有螢幕可退而求其次、在高速行駛時也沒耐心忍受輪流發話的失誤。再加上電腦操作,風險就變了——你現在是把無法從駕駛座驗證的任務,委派給一個會前往執行、再回來回報進度的代理。能無需螢幕傳達意義的富有表現力語調,以及讓你能在句子中途插話的中斷處理,依然是這套語音值得上路的原因。

這些方案為那項測試增添了一種較不浪漫的失敗模式。由於任務工作消耗的是點數而非通話時間,在車上耗盡的不是對話,而是實際執行:一旦觸及每週點數上限,通話會以 Standard 智慧繼續進行,而任何已排程的技能則會暫停至重置為止。剩下十五分鐘通話時間卻沒有點數,比只剩十分鐘但額度全滿還糟,而且應用程式會在你到達那一步之前警告你,而不是之後。

接下來要看什麼

有五件事會改變這個故事。第一,為正式版語音提供 API 或模型 ID——這個事件會讓 Sesame 從消費級應用程式變成開發者可以接入的東西,也是它能夠按 token 而非按月計價的時刻。第二,方案結構是否維持原樣:目前每個功能都在每個層級上宣傳,因此各層級只在額度上有所不同。只要有一個功能被移到 Plus 後面,就能說明這種計量方式是一項測試,而非設計。第三,Sesame 承諾「今年稍晚」推出的開發者工具:如果你能打造 Sesame 應用程式,那麼即使沒有傳統意義上的 API,該應用程式的語音在程式化層面也會變得有趣。第四,開放權重——自 2025 年 3 月以來,CSM-1B 在 Hugging Face 上一直孤軍奮戰;更新或更大的開放 CSM 將讓任何人都能自行運行這個語音,而不必租用時數。第五,智慧眼鏡,這已不再是傳聞:公司在 10 月 5 日和 6 日將眼鏡的推出時間定在 2027 年,表示它們將在日本製造,並將該助理描述為它們所運行的作業系統。

常見問題

Sesame 還是免費的嗎?

部分正確。應用程式可免費下載,Free 方案仍可完整使用所有功能,但每天通話時間上限為 30 分鐘,且每週點數額度有限;瀏覽器版 Research Preview 也同樣有每天 30 分鐘的上限。Plus 為每月 $20,每天兩小時、點數為四倍;Pro 為每月 $100,每天十小時、點數為二十倍;單點加購方案(每小時通話時間 $5、每千個點數 $5)可讓你無需訂閱即可加購。所有費用皆透過 App Store 或 G​oogle Play 計費。

Sesame 是否有適用於其應用程式語音的 API?

不行。應用程式背後的正式環境模型尚未發布,沒有模型 ID、端點或按 token 計價,儘管十月的發布說明表示底層的 Conversational Speech Model 已更新。付費方案是消費者訂閱,不是開發者費率。目前開發者唯一能呼叫的 Sesame 模型,是開放權重的 CSM-1B 基礎模型,你得自行託管,或透過有提供該模型的供應商來存取。這些助理可以連線到外部 MCP 伺服器,但那是讓它們使用你的工具;不是讓你的程式碼使用這些工具。

聲音到底有多好?

沒有獨立的評分。這款應用程式模型並未列在 Artificial Analysis 的語音對語音排行榜上,而 Sesame 也沒有發布任何針對它的第三方基準測試。目前存在的,是廠商自己對十月變更的說法——表現力更高、發音更好、較不諂媚——再加上 Sesame 開放的 TurnBench(衡量的是輪流發言,而非這款應用程式),以及開放的 CSM-1B,其自然度是 Sesame 語音工作中任何人都能獨立測試的唯一部分。

Sesame Preview 在十月成為一款產品,之後又發展成一門生意,而這兩件事值得分開來看。作為使用者,問題已不再是這個聲音是否令人驚豔——而是每天 30 分鐘是否足以涵蓋你實際的說話方式、20 美元是否買到足夠的空間,以及每週的額度上限是否會正好卡在你已排定的事情進行到一半時。作為開發者,一切完全沒變:沒有 API、沒有模型 ID、沒有每分鐘費率、沒有評分。先以免費方案試用這個聲音,再決定是否訂閱;觀察額度斷崖對真實的一週(而非示範用的一週)造成什麼影響,並持續留意模型 ID——因為一旦 Sesame 推出模型 ID,這件事就會在一夜之間從消費者故事變成開發者故事。

本文中的比較1

根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新