Sesame

O coração do Sesame é o seu Conversational Speech Model, um sistema de estágio único que lê o histórico de uma conversa e ajusta tom, tempo e ênfase enquanto fala. Ele foi treinado com cerca de um milhão de horas de áudio majoritariamente em inglês, e a empresa relata que os ouvintes não distinguiam a saída da voz humana quando faltava contexto. Essa distância reaparece assim que se ouve a conversa em volta, e por isso o time segue trabalhando a prosódia.

O Sesame traz um pequeno elenco de agentes em vez de uma voz neutra. A primeira prévia girou em torno de Sesame Maya e Sesame Miles, com Maya mais calorosa e Miles mais seco, e as versões seguintes somam Simone e Charlie para você escolher o tom que encaixa. Cada voz age como um agente de voz com IA com personalidade própria, não como um ajuste de estilo.

Os agentes do Sesame não só respondem. Faça uma pergunta e o agente pode pesquisar na web, e as versões novas criam notas, marcam lembretes e resumem conclusões conforme a conversa avança. A ideia é você continuar falando em vez de pular para outro app, então o agente cuida das tarefas pequenas que interromperiam você.

As versões recentes trazem uma aba de atividade onde você entrega um trabalho e o agente faz em segundo plano. Tarefas e Agendamentos cobrem serviços pontuais, como planejar uma viagem, e recorrentes, como um resumo matinal, e os conectores instalados para Gmail, Google Calendar e Google Drive deixam o agente ler um calendário ou escrever a partir da sua caixa de entrada. Esse lado do produto ainda está se formando, então espere mudanças.

O Sesame está montando um sistema de Skills em que você escreve uma rotina curta e a dispara com uma frase. Uma skill leva um nome, uma nota sobre quando usá-la e os passos a seguir, e segue o mesmo formato aberto que o Claude popularizou. Na prática, você diz uma frase e o agente checa seu calendário, olha a caixa de entrada e lê em voz alta o que é urgente sem você tocar na tela.

O Sesame lançou o CSM-1B, seu modelo base de fala, com licença Apache 2.0, então qualquer pessoa pode rodá-lo, estudá-lo ou construir sobre ele. O modelo tem um bilhão de parâmetros e aceita texto e áudio como entrada. É um modelo base, não a versão ajustada por trás dos agentes com nome, então os resultados variam, mas dá aos desenvolvedores um ponto de partida que eles mesmos podem hospedar.