Grok Voice 3.0 مقابل Realtime-Venus: مَن لديه بطاقة الأسعار لا يستطيع الرؤية، ومَن يستطيع الرؤية لا يملك بطاقة الأسعار.

هناك خط فاصل واضح يشق الصوت ثنائي الاتجاه الكامل في أواخر عام 2026، وهو ليس مسألة جودة. Grok Voice 3.0، الذي أعلنته SpaceXAI في 14 أكتوبر 2026، يحتل الصف الأول في مؤشر Artificial Analysis Speech to Speech Index عند 86.9 وبسعر 0.08 دولار لكل دقيقة من الصوت، وهو لا يدرك شيئًا سوى الصوت. Realtime-Venus، النظام 9B ذو نقطتي التفتيش من فريق Venus التابع لـ Ant Group بالتعاون مع جامعة تسينغهوا، والذي نُشر تقريره التقني على arXiv في 12 سبتمبر 2026، يبث إطارات الكاميرا عبر مُرمِّز SigLIP2 ويتحدث عما يراه — وليس لديه API، ولا سعر، ولا نقطة نهاية مستضافة، ولا تقييم مستقل من أي نوع. كل ما يمكنك شراؤه يسمع. وكل ما يرى، عليك تشغيله بنفسك.

فجوة الإدراك هي المقارنة بأكملها.

هذان الاثنان لا يختلفان ببضع نقاط على مقياس أداء مشترك. بل يختلفان في ما هما قادران فعليًا على استيعابه، وتمتد التبعات وصولًا إلى ما يمكنك بناؤه.

• المدخلات — يستقبل Grok Voice 3.0 الصوت والنص مع مصفوفة أدوات؛ يستقبل Realtime-Venus-Omni الفيديو أو الصور، والصوت والنص، مع دمج الرؤية في نفس الشبكة بدلاً من إضافتها بشكل منفصل.

• تناوب الحديث — يستخدم Grok Voice 3.0 كشف النشاط الصوتي من جانب الخادم، ويُضبط لكل جلسة؛ أما Realtime-Venus فينقل القرار إلى داخل النموذج، دون أي كاشف خارجي على الإطلاق.

• المخرجات — يُرجع Grok Voice 3.0 الكلام والنصوص المكتوبة؛ ويُرجع Realtime-Venus نصًا، واختياريًا، موجة صوتية كلامية يُفكّ ترميزها من رموز S3 المنفصلة بواسطة مفكك ترميز متدفق لمطابقة التدفق بدلًا من مرحلة منفصلة لتحويل النص إلى كلام.

• إمكانية الوصول — Grok Voice 3.0 متاح الآن عبر WebSocket الزمني الحقيقي الخاص بـ SpaceXAI، مع code>grok-voice-latest/code> الذي يُوجّه إليه الآن، وقد أصبح سابقه مهجورًا؛ Realtime-Venus عبارة عن نقطتَي تحقق بصيغة BF16 تحت Apache-2.0 على code>inclusionAI/Realtime-Venus/code> على Hugging Face، وتذكر البطاقة بوضوح أن النموذج غير منشور من قِبَل أي مزوّد استدلال.

• القابلية للقياس — يمتلك Grok Voice 3.0 مؤشرًا مركّبًا قدره 86.9 مع خمسة مكوّنات قابلة للقراءة، وتصنيف إيلو في الساحة قدره 1070؛ أما Realtime-Venus فلديها أرقام يُبلغ عنها مؤلفوها من تقريرها التقني الخاص، ولا يوجد لها إدخال في لوحة المتصدرين، لأنه لا توجد نقطة نهاية يمكن لطرف ثالث أن يوجّه إليها أداة اختبار.

• السعر — 0.08 دولار لكل دقيقة من الصوت، بالإضافة إلى 0.004 دولار لكل إدخال نصي، مقابل عدم وجود أي سعر على الإطلاق.

اقرأ السطرين الأخيرين معًا، فيتبدّى شكل القرار: النظام الذي يملك الأرقام المدقّقة هو الذي لا يستطيع الرؤية، أما الذي يستطيع الرؤية فلم يقِسه قط أحدٌ لم يبنِه.

ما الذي يدّعيه التقرير فعليًا، وما تكلفة التحقق منه

أرقام Realtime-Venus تأتي من تقريره الخاص وبطاقة نموذجه؛ لم يُعِد إنتاجها أحد خارج المؤلفين، ولا يوجد تصنيف في الساحة للمقارنة به. اقرأها باعتبارها قياسات المؤلفين.

• اختبارات الفيديو، Realtime-Venus-Omni — أفضل نتيجة في ستة من الاختبارات الثمانية التي يستخدمها التقرير، بما في ذلك StreamingBench 70.2 وOVO-Bench 64.7 وDaily-Omni 81.3.

• معايير الأداء الصوتية، Realtime-Venus-Audio — MMAU 78.0، MMAU-Pro 63.2، Llama Questions 83.8، Speech CMMLU 67.8، ودرجة VoiceBench AlpacaEval البالغة 4.81 التي يصفها التقرير بأنها تطابق أفضل رقم للمقارنة.

• Full-Duplex-Bench v1.5 — استجابة لـ75% من مقاطعات المستخدم، مع معدلات استمرار تبلغ 97% تحت الإشارات الخلفية، و88% تحت الكلام الموجّه للآخرين، و86% تحت الكلام الخلفي، ويُذكر أنها تتجاوز Gemini 3.1 Live وGPT-4o في جميع مقاييس الاستمرار الثلاثة.

• السياق والتنسيق — 40,960 رمزًا على كلا نقطتي التحقق، أوزان BF16، الإنجليزية والصينية.

رقم Daily-Omni هو الجدير بالتوقف عنده، لأنه الموضع الذي تؤدي فيه أرقام التقرير نفسها دورًا مفيدًا. يذكر MiniCPM-o 4.5، النموذج متعدد الوسائط الشامل بحجم 9B الذي أتاحته OpenBMB كمصدر مفتوح في وقت سابق من عام 2026، نتيجة 80.2 على المعيار نفسه — وتنص بطاقة Realtime-Venus على أن نقطة تفتيش Omni مقتبسة منه. ويذكر Realtime-Venus-Omni نتيجة 81.3. وإذا صحّ الأمران معًا، فإن التحسن الناتج عن جهد كبير في التدريب اللاحق والتشغيل والتفويض يبلغ نحو نقطة واحدة على معيار كان النموذج الأساسي يتعامل معه جيدًا بالفعل. وهذه نتيجة واقعية لهذا النوع من العمل، ورواية أقل إثارة بكثير من "الأفضل في ستة من ثمانية".

على خلفية لوحة النتائج التي يجلس عليها Grok Voice 3.0

ضع الاثنين جنبًا إلى جنب بصدق، فتكون المقارنة غير متماثلة على نحو لا يُجمّل أيًّا منهما.

في ما يتعلق بديناميكيات المحادثة، وهي المحور الوحيد الذي يُبلّغ فيه كلا النظامين عن شيء ما، فإن نسبة الاستمرار البالغة 97% لدى Realtime-Venus في ظل الإشارات الخلفية أعلى من نسبة 97.0% التي تنشرها Grok Voice 3.0 على Full Duplex Bench. أدوات اختبار مختلفة، وإصدارات مختلفة، وأحد النظامين لم تشغّله جهة خارجية قط — لذا فالقراءة الأمينة هي أن Realtime-Venus تدّعي التكافؤ أو أفضلية طفيفة في المقياس الوحيد الذي يمكن حتى ذكر الأرقام فيه ضمن الجملة نفسها، وهذا الادعاء له قارئ واحد.

في ما عدا ذلك، لا يمكن المقارنة بين الاثنين، لأن واحدًا منهما فقط على لوحة. تتفكّك النتيجة المركّبة البالغة 86.9 لـ Grok Voice 3.0 إلى رقم استدلال قريب من السقف، ودرجة الاتصال المزدوج 97.0%، و71.6% في τ-Voice، و Elo 1070 في تفضيل الساحة، ونجاح المهام 94.8%، وقد قيست كل واحدة منها ضمن إطار اختبار منشور يمكن لأي شخص قراءته والجدال حوله. النتيجة المركّبة هي خيار ترجيح، ومكوّن الساحة مجمّد عند النقطة التي يصبح فيها النموذج مؤهلًا بدلًا من تتبّع Elo المباشر — لكن يستطيع فريق خارجي أن يتحقق من الحساب ويخالف الاستنتاج بدلًا من أن يكون عاجزًا عن تكوين استنتاج.

هذا هو الفرق الحقيقي في جودة الأدلة، ويستحق أن يُقال دون صفات أي من الطرفين. كلا النموذجين يحمل ادعاءات موردين حول عمليات النشر الإنتاجية الخاصة بهما. تذكر SpaceXAI أن مراكز اتصال Starlink تتعامل مع 20,000 مكالمة عملاء يوميًا بلغات متعددة، مع حل نحو 70% منها دون تدخل بشري، إضافة إلى ملايين المحادثات اليومية عبر Tesla وSpaceX. أما Ant Group فلا تذكر شيئًا عن النشر على الإطلاق، لأنه لا يوجد نشر — فقط ورقة بحثية، ومستودع، وأداة اختبار. ولا يمكن تدقيق أي من المجموعتين من الخارج، وواحدة فقط منهما تحاول حتى أن تكون قابلة للتدقيق.

ما الذي يعنيه تشغيل Realtime-Venus فعليًا

التنزيل حقيقي. مجلّدا نقاط تفتيش مع safetensors مجزّأة، وشيفرة Transformers مخصّصة تُحمَّل باستخدام code>trust_remote_code=True/code>، وملف متطلبات، وأصول token-to-waveform، وصوت مرجعي، ورخصة Apache-2.0. يُدخَل إلى البث الكامل ثنائي الاتجاه بتبديل طريقة واحدة، والحلقة الموثّقة هي ثانية واحدة من التعبئة المسبقة للبث تتبعها توليد بثّي، وتتكرر. تُفعَّل ذاكرة الفيديو الطويل بمعامل memory-minutes وتوصف بأنها بدون تدريب، وهو أمر غير معتاد لقدرة تتطلب عادةً الضبط الدقيق.

هناك أمران يتعلقان به يهمان أكثر من المواصفات.

الأول هو الحد الأدنى من العتاد. نموذج بحجم 9 مليارات معلمة بصيغة BF16 يزن نحو ثمانية عشر غيغابايت من الأوزان قبل ذاكرة التنشيط، ويضيف الاستدلال ثنائي الاتجاه السمعي البصري مشفّرًا بصريًا وحلقة بثّ مستمرة بمدى ثانية واحدة فوق ذلك. هذا نشر بمستوى الخوادم، لا بمستوى حاسوب محمول — وهو أمر مختلف تمامًا عن مكالمة هاتفية تكلّف $0.08 في الدقيقة وتبدأ العمل بعد ظهر اليوم الذي تسجّل فيه.

الأمر الثاني هو أن المكوّن الأكثر إثارة للاهتمام ليس في الأوزان. زمن التشغيل ثنائي الحلقة — حلقة تفاعل مدتها ثانية واحدة بالإضافة إلى مجدول خلفي تسميه الورقة Realtime-Venus-Harness، والذي ينفّذ مهامًا مفوّضة استنادًا إلى لقطة معزولة من حالة المحادثة بحيث لا يمكن أن تفسد مهمة طويلة الأمد بفعل استمرار المحادثة — يقع في مستودع GitHub منفصل. التقاط المهام السببي هو الفكرة الجديدة فعلًا في التقرير، وهو الجزء الذي تجمعه وتثق به بنفسك.

تلك النقطة الأخيرة هي حيث تتلاقى بنية النظامين، وهي الشيء العملي الذي ينبغي أخذه من هذه المزاوجة. كلاهما واجهتان أماميتان. يستدعي Grok Voice 3.0 الأدوات من مصفوفة أدوات في تحديث جلسته، ويُفوّض أي شيء أثقل إلى نظام خلفي يجيب بشكل متزامن. أما Realtime-Venus فيُصدر علامة تفويض غير متزامنة إلى تسلسله المخفي الخاص، ويسلّم العمل إلى إطار تشغيل. في كلا التصميمين يحدث التفكير والاسترجاع ومنطق الأعمال في نموذج نصي عادي خلف طبقة محادثة — وتلك الطبقة هي الجزء الوحيد من أي من المنظومتين يتاح لك اختياره بحرية.

لا يحتوي OrcaRouter على Grok Voice 3.0 ولا على Realtime-Venus. جلسة Grok Voice تنتمي إلى WebSocket الخاص بـ SpaceXAI، و Realtime-Venus هو تنزيل لا نقدمه؛ ووصف راوتر بأنه موجود داخل جلسة صوت مزدوجة الاتجاه سيكون وصفًا لشيء غير موجود. الجزء المفوّض مختلف: 207 نموذجًا من أكثر من اثني عشر مزودًا upstream خلف مفتاح واحد بسعر قائمة المزود بدون أي هامش ربح، مع تجاوز فشل تلقائي عندما يتدهور مزود، ولغة DSL للتوجيه تجمع عدة نماذج في استدعاء واحد. بالنسبة لبنية مثل بنية Realtime-Venus، حيث يقوم مكوّن مستضاف ذاتيًا غير مُثبت بتسليم العمل إلى نموذج نصي لم تخضعه للاختبار أيضًا، فإن تجاوز الفشل هو الفرق بين ظهيرة سيئة لمزود واحد ومكالمة منقطعة.

أيّ واحد تختار، ومتى تتغيّر الإجابة

إذا كنت ستطلق شيئًا هذا الربع، فإن Grok Voice 3.0 هو الوحيد من بين الاثنين الذي يُعد قرارًا لا مشروعًا. إنه يتصدر لوحة الصدارة العامة، ويبدأ التحدث في 0.81 ثانية، ويكلف مثل النموذج الذي يستبدله، ويمكن استدعاؤه اليوم عبر نقطة نهاية لم تتغير معلمات جلستها. ثبّت إصدارك أولًا — فقد تحرك الاسم المستعار مرتين بالفعل هذا الربع — ثم أطلق.

Realtime-Venus هو الجواب الصحيح لسؤال أضيق بكثير: هل تحتاج إلى نموذج يراقب غرفة ويتحدث عما بداخلها، على عتاد تملكه، بموجب ترخيص يسمح لك بضبطه الدقيق؟ هذه القدرة ليس لها نظير مستضاف في هذه الثنائية. Grok Voice 3.0 ليس لديه أي إدخال مرئي على الإطلاق، وكذلك نماذج الصوت الرائدة الأخرى على اللوحة. إذا كان هذا هو متطلبك، فإن التنزيل هو الباب الوحيد.

ما سيغيّر هذه الصفحة هو الشيء نفسه الذي سيغيّر معظم هذه الفئة. مزوّد استدلال يقدّم Realtime-Venus بسعر معلن سيحوّل نتاجًا بحثيًا إلى منتج ويجعل المقارنة حقيقية؛ وإعادة إنتاج ثانية مستقلة لرقم استمرار الإشارات الخلفية البالغ 97% ستحسم الرقم الوحيد الذي يمكن للنظامين أن يتشاركاه حاليًا. وإلى أن يتحقق أيٌّ منهما، فإن الملخص الدقيق صريح بلا مواربة: أحدهما يمكنك شراؤه، والآخر يمكنك قراءته. والذي يمكنك قراءته هو الوثيقة الأكثر إثارة للاهتمام، والذي يمكنك شراؤه هو الذي يرد على الهاتف.