Grok Voice 3.0 مقابل SeedRealtime: أحدهما أفضل نموذج صوتي على اللوحة، والآخر ليس على اللوحة

هذه المقارنة ذات شكل غير معتاد. Grok Voice 3.0 هو النموذج الأعلى تقييمًا من حيث تحويل الكلام إلى كلام الذي تقيسه Artificial Analysis، بتقييم 86.9 على Speech to Speech Index حتى 13 أكتوبر 2026، بسعر 0.08 دولار في الدقيقة، ويمكن الوصول إليه اليوم عبر واجهة برمجة التطبيقات الفورية لـ SpaceXAI. SeedRealtime — رسميًا "SeedRealtime: نموذج لغوي كبير سمعي-بصري مزدوج الاتجاه بالكامل"، أصدره فريق Seed التابع لـ ByteDance في 5 أغسطس 2026 — لا يظهر على تلك اللوحة بأي شكل. لا درجة مؤشر، ولا مكون استدلال، ولا رقم ديناميكيات المحادثة، ولا إيلو الساحة، ولا معدل نجاح المهام، ولا زمن الوصول إلى الصوت الأول. ليس تقييمًا منخفضًا. صف فارغ، لأن النموذج لم يتم إدخاله مطلقًا.

ذلك الفراغ هو نقطة البداية الصادقة، لأنه ليس سهوًا من مجلس الإدارة. فـ SeedRealtime لا يملك واجهة برمجة تطبيقات عامة، ولا مُعرّف نموذج، ولا أوزانًا مفتوحة، ولا تقريرًا تقنيًا، ولا عددًا للمعاملات، ولا سعرًا منشورًا. إنه يعمل داخل تطبيق Doubao للمستهلكين التابع لـ ByteDance، مجانًا، بالصوت والفيديو، وقد ظل كذلك منذ إطلاقه. لا يوجد شيء يمكن قياسه لأنه لا توجد نقطة نهاية يمكن قياسها، ولا توجد طريقة لاستدعائه لأنه لا يوجد شيء يمكن استدعاؤه.

حيث تختلف حقًا، وهو ليس مسألة جودة

اترك لوحات النتائج جانبًا؛ فالنموذجان يؤديان مهمتين مختلفتين في غرفتين مختلفتين.

Grok Voice 3.0 هو نموذج صوتي. يسمع ويتحدث عبر WebSocket ثنائي الاتجاه، ويقرر عدة مرات في الثانية ما إذا كان يواصل الاستماع أو يتوقف مؤقتًا أو يقاطع أو يستدعي أداة من مصفوفة tools في تحديث جلسته، كما يحتفظ بخمس درجات مكوّنة مقيسة بالإضافة إلى المركز الأول في الساحة. وقد سُوّق جيله السابق على أساس معدل خطأ الكلمات عبر 24 لغة، وبخطأ أقل بمقدار 1.5 إلى 2.0 مرة من نماذج النسخ المخصصة — وهو ما أبلغ عنه المورّد، ولم يُعَد إنتاجه بشكل مستقل، ولم يُعَد ذكره في مواد الإطلاق الأحدث.

SeedRealtime يسمع ويرى في شبكة واحدة. يصف ByteDance إطارًا موحّدًا تحدث فيه الإدراك والفهم واتخاذ القرار وتوليد الاستجابة داخل نموذج واحد بدلًا من سلسلة متتالية، مع تحديد تناوب الأدوار داخليًا ودون أي كاشف نشاط صوتي خارجي على الإطلاق. تشمل عروضه المنشورة عشاءً جماعيًا صاخبًا يضطر فيه النموذج إلى ربط الأصوات بالهويات، وزيارة متحف يقدّم فيها المعلومات من تلقاء نفسه عندما يدخل معرض مستهدف مجال الرؤية، وسير عمل لإعداد الإسبريسو يصحّحه في الوقت الفعلي، وسيناريو مطار يتجاهل فيه الثرثرة غير المتصلة، ويستدعي لوحة مغادرة من وقت سابق في الجلسة، ويتصل بالإنترنت للحصول على رقم حزام استلام الأمتعة.

• المدخلات — Grok Voice 3.0 صوت ونص، مع أدوات؛ SeedRealtime صوت وفيديو ونص مدمجة في نموذج واحد.

• تبادل الأدوار — يستخدم Grok Voice 3.0 اكتشاف نشاط الصوت من جانب الخادم المُهيَّأ لكل جلسة؛ بينما يُزيل SeedRealtime أداة VAD الخارجية وينقل القرار إلى داخل النموذج.

• السلوك الاستباقي — يستجيب Grok Voice 3.0 ويستدعي الأدوات؛ ويوصف SeedRealtime بأنه يتحدث تلقائيًا دون تحفيز عندما يظهر جسم ذو صلة في مجال الرؤية.

• زمن الاستجابة — تنشر Grok Voice 3.0 ‏0.81 ثانية للوصول إلى أول صوت؛ أما SeedRealtime فلا تنشر أي رقم لزمن الاستجابة على الإطلاق، بل فقط هدفًا في خارطة الطريق لتقليص زمن الاستجابة من طرف إلى طرف.

• السعر — Grok Voice 3.0: 0.08 دولار لكل دقيقة بالإضافة إلى 0.004 دولار لكل إدخال نصي؛ ليس لـ SeedRealtime سعر ولا عرض تجاري، وهو مجاني داخل تطبيق موجَّه للمستهلكين.

• إمكانية الوصول — Grok Voice 3.0 متاح للمطورين مع نقطة نهاية موثّقة ومسار رمز مؤقت لاتصالات جانب العميل؛ أما SeedRealtime فهو موجّه للبر الرئيسي الصيني أولاً عبر Doubao، الذي يتطلب عادةً رقم هاتف محمول من البر الرئيسي للتسجيل، مع عدم الإعلان عن أي منتج إنجليزي مُحلّي.

• دليل — يمتلك Grok Voice 3.0 خمسة قياسات مستقلة للمكوّنات إضافة إلى مقياس مركّب؛ بينما يمتلك SeedRealtime تقييمًا بشريًا داخليًا واحدًا.

مشكلة الدليل، بصياغة دقيقة

الادعاء الكمي الوحيد الذي تقدّمه ByteDance بشأن SeedRealtime هو أن تقييمات البشر من الطرف إلى الطرف تُظهر أنه يقلّل مشكلات إيقاع المحادثة إلى النصف مقارنةً بالأنظمة المتتالية التي تجمع ASR والرؤية وTTS — فعدد أقل من الانقطاعات في منتصف الجملة، وعدد أقل من الردود البطيئة بعد التوقف، وعدد أقل من التحفيزات الخاطئة الناتجة عن الضجيج في الخلفية. لا يوجد حجم عيّنة، ولا عدد للمُقيّمين، ولا اسم لمعيار قياس، ولا منهجية، ولا رقم دقيق. الادعاء هو أن المشكلة أصبحت أسوأ بمقدار النصف تقريبًا، وهو يأتي من الفريق الذي بنى النموذج.

قارن ذلك بما يمكن معرفته عن Grok Voice 3.0. يتفكّك مركّبه البالغ 86.9 إلى رقم استدلال، ورقم ديناميات محادثة، ودرجة وكيلية، وElo تفضيل الساحة، ومعدل نجاح المهام، كل منها مقيس ضمن إطار اختبار منشور، مع لوحة أساسية يمكن لأي شخص قراءتها. هذا لا يجعل الأرقام محصّنة من النزاع — فالمؤشر المركّب هو خيار ترجيح، ومكوّن الساحة مُجمّد عند النقطة التي يصبح فيها النموذج مؤهلاً للنشر بدلاً من تتبّع Elo الحي — لكنه يعني أن فريقاً خارجياً يمكنه التحقق من الحساب والاختلاف مع الاستنتاج بدلاً من العجز عن تكوين استنتاج.

كلا النموذجين يحملان أيضًا ادعاءات من البائعين حول عمليات النشر الإنتاجية الخاصة بهم، وكلا المجموعتين غير قابلتين للتحقق بنفس الطريقة. يذكر SpaceXAI أن مراكز اتصال Starlink تتعامل مع 20,000 مكالمة عملاء يوميًا بعدة لغات مع حل ما يقرب من 70% دون تدخل بشري، وملايين المحادثات اليومية عبر Tesla و SpaceX. تذكر ByteDance نشرًا كاملاً في Doubao عبر الصوت والفيديو. هذه هي أقوى الإشارات المتاحة على أن الأنظمة تعمل في العالم الحقيقي، وفي الوقت نفسه أضعف الأدلة المتاحة للقارئ، حيث لا يمكن تدقيق أي منهما من الخارج وكلاهما يصف خدمات بدلاً من نماذج.

ما يمكنك البناء عليه، وما لا يمكنك

هذا هو الجزء الذي يحسم المقارنة بغض النظر عن القدرة. واحد فقط من هذين الاثنين هو مكوّن. والآخر هو عرض توضيحي لما تبدو عليه البنية المتقاربة.

يندرج Grok Voice 3.0 في حزمة تقنية عبر سلسلة طراز، أو بلا أي شيء على الإطلاق إذا كنت قد نشرت مقابل grok-voice-latest، الذي نُقل إليه تلقائيًا في 14 أكتوبر. نفس نقطة نهاية realtime، ونفس معلمات الجلسة، ونفس أسماء الأحداث، ونفس مجموعة الأصوات المدمجة ونقطة نهاية الصوت المخصص كما في الإصدار الذي يستبدله. تتيح الأدوات المقيّدة بنطاق الجلسة للوكيل الاتصال بواجهتك الخلفية أثناء المحادثة. هناك تكلفة دمج، وتُقاس بالدقائق.

لا يمكن تفكيك SeedRealtime، وهذا سبب معماري لا تجاري. لا يوجد نصف خاص بالاستدلال يمكن استبداله، لأن التفكير داخل الشبكة نفسها التي تستمع وترى؛ فلا يوجد سطح مستضاف يمكن التوجيه إليه، ولا حصة يمكن شراؤها، ولا مفتاح يمكن الحصول عليه. قدرته حقيقية، وعروضه التوضيحية هي الأكثر إبهارًا في فئته. وهو أيضًا، بالنسبة لأي شخص خارج سوق ByteDance الاستهلاكي، ليس منتجًا يمكنك تقديمه أمام عميل في هذا الربع.

تحذير واحد يستحق أن يُقال بوضوح، لأنه نمط فشل قائم بالفعل: ثمة مدونة طرف ثالث واحدة على الأقل تصف حالياً SeedRealtime بأنه متاح عبر موجّه نماذج. لا توجد نقطة نهاية لتوجيه الطلبات إليها، لذا أي شيء يعلن عن إمكانية الوصول إلى SeedRealtime إنما يعلن عن شيء آخر. وبصلة بذلك، فإن البحث عن واجهة برمجة التطبيقات الصوتية بالزمن الحقيقي الخاصة بـ ByteDance يكشف عن نموذج Volcano Engine للكلام بالزمن الحقيقي من طرف إلى طرف، وهو نظام مختلف يعمل على الصوت فقط — إذا كنت تقارن الحصة والأسعار المنشورة لذلك النموذج بـ Grok Voice 3.0، فأنت تقارن المنتج الخطأ.

أين يتناسب جهاز التوجيه فعليًا

لا يتم تقديم أي من النموذجين عبر OrcaRouter، ويجدر بنا أن نكون صريحين بشأن السبب وراء اعتياد هذا التأطير على الخطأ في ذلك. إن Grok Voice 3.0 أحادي المصدر من xAI، ولا يبيع SeedRealtime أي أحد. ولا تغيّر أي طبقة توجيه أياً من هاتين الحقيقتين، وأي منصة تدّعي خلاف ذلك فإنها تصف قدرة لا تملكها.

ما تغيّره طبقة التوجيه هو الطبقة النصية الواقعة أسفل الصوت. كل واحد من عمليات النشر هذه هو نموذج صوتي مع مجموعة نماذج لغوية: الواجهة الخلفية للأدوات التي يستدعيها النموذج الصوتي، والمصنّف الذي يقرأ النص المفرّغ بعد ذلك، والملخّص الذي يكتب السجل، والاسترجاع الذي يجيب عمّا اضطرت طبقة الصوت إلى إحالته. هذا العمل يُقاس بعدد الطلبات، وهو الموضع الذي يتراكم فيه جزء معتبر من تكلفة كل استدعاء. وهو ما نشغّله — أكثر من 200 نموذج خلف مفتاح واحد بسعر القائمة لدى المزوّد ودون أي هامش، وتحويل تلقائي عند الفشل عبر المزوّدين، ولغة خاصة بالنطاق (DSL) للتوجيه لتأليف عدة نماذج في استدعاء واحد — وهو النصف من منتج صوتي الذي يمكنك إبقاؤه ثابتًا بينما يتغير النموذج الصوتي تحته، وهو — بالنظر إلى مدى عفوية استبدال طبقة الصوت — خاصية تستحق الاقتناء.

الحكم

إذا كنت تبني وكيلاً صوتياً الآن، فإن Grok Voice 3.0 هو الخيار، والسبب ليس المؤشر. بل لأنه يحقق أعلى نتيجة مركّبة وأعلى مركز في الساحة، وينشر أسرع زمن من البدء إلى التحدث ضمن مجموعة الحدود عند 0.81 ثانية، ويكلف نفس التكلفة لكل دقيقة مثل النموذج الذي يحل محله، وهو متاح اليوم بنقطة نهاية موثّقة. هذه أربعة أسباب منفصلة، ولا يتطلب أي منها الثقة برقم لا يمكن لأحد التحقق منه.

اختر SeedRealtime — أو بالأحرى، انتظر قدومه — فقط إذا كان منتجك يعتمد على الشيء المحدد الذي يفعله ولا يفعله أي شيء آخر: قراءة الغرفة. القدرة على التواصل الصوتي البصري ثنائي الاتجاه الكامل مع رؤية المشهد هي قدرة لا يقدمها أي نموذج صوتي غربي مستضاف حالياً، وعروض ByteDance التوضيحية له مقنعة. المؤشر الذي يستحق المتابعة هو واجهة برمجة تطبيقات مطوري ByteDance على Volcano Engine أو BytePlus بسعر معلن، مما سيحوّل دراسة حالة إلى منتج بلا منافس مستضاف. حتى يظهر ذلك، يبقى النموذج في قائمة المراقبة بدلاً من أن يكون في البنية المعمارية، وأي مقال يدّعي مقارنته بنموذج لوحة صدارة إنما يقارن لوحة نتائج بفيديو.

المقارنات مثل هذه هي أيضًا حيث تظهر أنماط الفشل: الحوادث الموثّقة للذكاء الاصطناعي وإخفاقات الوكلاء الكامنة وراء النماذج في هذه الفئة تُجمع في OrcaRouter AI Incident Archive، حيث يحمل كل مُدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل خلاف.