Grok Voice 3.0 vs. Realtime-Venus: Der mit der Preisliste kann nicht sehen, und der, der sehen kann, hat keine Preisliste.

Im späten Jahr 2026 zieht sich eine klare Trennlinie durch die Vollduplex-Sprache, und sie ist nicht die Qualität. Grok Voice 3.0, am 14. Oktober 2026 von SpaceXAI angekündigt, belegt mit 86,9 den Spitzenplatz im Artificial Analysis Speech to Speech Index bei 0,08 US-Dollar pro Minute Audio, und es nimmt nichts außer Schall wahr. Realtime-Venus, das 9B-System mit zwei Checkpoints vom Venus-Team der Ant Group zusammen mit der Tsinghua-Universität, dessen technischer Bericht am 12. September 2026 auf arXiv erschien, streamt Kamerabilder durch einen SigLIP2-Encoder und spricht darüber, was es sieht — und es hat keine API, keinen Preis, keinen gehosteten Endpunkt und keinerlei unabhängige Evaluierung. Alles, was man kaufen kann, hört. Alles, was sieht, muss man selbst betreiben.

Die Wahrnehmungslücke ist der gesamte Vergleich

Diese beiden unterscheiden sich nicht um ein paar Punkte in einem gemeinsamen Benchmark. Sie unterscheiden sich darin, was sie physisch aufnehmen können, und die Konsequenzen reichen bis hinunter zu dem, was man bauen kann.

• Eingabe — Grok Voice 3.0 nimmt Audio und Text mit einem Tools-Array entgegen; Realtime-Venus-Omni nimmt Video oder Bilder, Audio und Text entgegen, wobei die Vision in dasselbe Netzwerk integriert und nicht nachträglich angeflanscht wird.

• Sprecherwechsel — Grok Voice 3.0 verwendet serverseitige Sprachaktivitätserkennung, die pro Sitzung konfiguriert wird; Realtime-Venus verlagert die Entscheidung in das Modell, ganz ohne externen Detektor.

• Ausgabe — Grok Voice 3.0 liefert Sprache und Transkripte; Realtime-Venus liefert Text und optional eine Sprachwellenform, die aus diskreten S3-Tokens durch einen Streaming-Flow-Matching-Decoder statt durch eine separate Text-to-Speech-Stufe dekodiert wird.

• Erreichbarkeit — Grok Voice 3.0 ist live über SpaceXAIs Echtzeit-WebSocket, wobei code>grok-voice-latest/code> jetzt darauf verweist und sein Vorgänger veraltet ist; Realtime-Venus besteht aus zwei BF16-Checkpoints unter Apache-2.0 bei code>inclusionAI/Realtime-Venus/code> auf Hugging Face, und die Modellkarte gibt unmissverständlich an, dass das Modell von keinem Inferenzanbieter bereitgestellt wird.

• Messbarkeit — Grok Voice 3.0 verfügt über einen zusammengesetzten Index von 86,9 mit fünf lesbaren Komponenten und ein Arena-Elo von 1070; Realtime-Venus hat von den Autoren berichtete Zahlen aus seinem eigenen technischen Bericht und keinen Eintrag in einer Rangliste, weil es keinen Endpunkt gibt, auf den ein Dritter eine Testumgebung richten könnte.

• Preis — 0,08 $ pro Minute Audio plus 0,004 $ pro Texteingabe, gegenüber gar keinem Preis.

Lies die letzten beiden Zeilen zusammen, und die Gestalt der Entscheidung erscheint: Das System mit den auditierten Zahlen ist dasjenige, das nicht sehen kann, und dasjenige, das sehen kann, wurde noch nie von jemandem gemessen, der es nicht gebaut hat.

Was der Bericht tatsächlich behauptet – und was es kostet, das zu überprüfen

Die Zahlen von Realtime-Venus stammen aus seinem eigenen Bericht und seiner Modellkarte, niemand außerhalb der Autoren hat sie reproduziert, und es gibt keine Arena-Platzierung, mit der man sie vergleichen könnte. Lies sie als die Messungen der Autoren.

• Video-Benchmarks, Realtime-Venus-Omni — beste Punktzahl bei sechs der acht Benchmarks, die der Bericht verwendet, darunter StreamingBench 70,2, OVO-Bench 64,7 und Daily-Omni 81,3.

• Audio-Benchmarks, Realtime-Venus-Audio — MMAU 78,0, MMAU-Pro 63,2, Llama Questions 83,8, Speech CMMLU 67,8 und einen VoiceBench-AlpacaEval-Wert von 4,81, der laut Bericht dem besten Vergleichswert entspricht.

• Full-Duplex-Bench v1.5 — Reaktion auf 75 % der Nutzerunterbrechungen, mit Fortsetzungsraten von 97 % bei Backchannels, 88 % bei fremdgerichteter Sprache und 86 % bei Hintergrundsprache; laut Angabe übertrifft es Gemini 3.1 Live und GPT-4o bei allen drei Fortsetzungsmetriken.

• Kontext und Format — 40.960 Tokens bei beiden Checkpoints, BF16-Gewichte, Englisch und Chinesisch.

Der Daily-Omni-Wert ist derjenige, bei dem es sich lohnt, kurz innezuhalten, denn hier leisten die eigenen Zahlen des Berichts etwas Nützliches. MiniCPM-o 4.5, das 9B-omnimodale Modell, das OpenBMB Anfang 2026 als Open Source veröffentlichte, meldet 80,2 für denselben Benchmark – und auf der Realtime-Venus-Karte steht, dass der Omni-Checkpoint daraus adaptiert wurde. Realtime-Venus-Omni meldet 81,3. Wenn beides Bestand hat, beträgt die Verbesserung durch einen erheblichen Aufwand für Post-Training, Runtime und Delegation ungefähr einen Punkt in einem Benchmark, mit dem das Basismodell bereits gut zurechtkam. Das ist ein realistisches Ergebnis für diese Art von Arbeit und eine weit weniger dramatische Geschichte als „Bestwert bei sechs von acht“.

Gegen die Anzeigetafel, auf der Grok Voice 3.0 sitzt

Stellt man die beiden ehrlich nebeneinander, ist der Vergleich in einer Weise asymmetrisch, die keinem von beiden schmeichelt.

Zur Gesprächsdynamik, der einzigen Achse, für die beide Systeme etwas berichten, liegt Realtime-Venus' 97 % Fortsetzung unter Backchannels höher als die 97,0 %, die Grok Voice 3.0 auf Full Duplex Bench angibt. Unterschiedliche Testumgebungen, unterschiedliche Versionen, und eines der beiden wurde noch nie von einer externen Partei getestet – die ehrliche Lesart ist also, dass Realtime-Venus Parität oder leicht Besseres bei der einen Kennzahl beansprucht, bei der die Zahlen überhaupt im selben Satz genannt werden können, und dieser Anspruch hat einen Leser.

In allem anderen lassen sich die beiden nicht vergleichen, weil nur einer von ihnen auf einer Bestenliste ist. Der 86,9-Composite von Grok Voice 3.0 zerlegt sich in einen Reasoning-Wert nahe der Obergrenze, den Duplex-Score von 97,0 %, 71,6 % bei τ-Voice, Elo 1070 bei der Arena-Präferenz und 94,8 % Task-Erfolg, jeweils gemessen unter einem veröffentlichten Harness, den jeder lesen und mit dem jeder argumentieren kann. Ein Composite ist eine Gewichtungsentscheidung, und die Arena-Komponente wird zu dem Zeitpunkt eingefroren, an dem ein Modell teilnahmeberechtigt wird, anstatt das Live-Elo zu verfolgen — aber ein externes Team kann die Arithmetik überprüfen und der Schlussfolgerung widersprechen, anstatt keine Schlussfolgerung bilden zu können.

Das ist der eigentliche Unterschied in der Evidenzqualität, und es lohnt sich, ihn ohne die Adjektive beider Seiten zu benennen. Beide Modelle bringen Herstellerbehauptungen über ihre eigenen Produktivbereitstellungen mit. SpaceXAI berichtet, dass Starlink-Callcenter 20.000 Kundenanrufe pro Tag in mehreren Sprachen bearbeiten, von denen etwa 70 % ohne einen Menschen gelöst werden, plus Millionen täglicher Konversationen bei Tesla und SpaceX. Ant Group berichtet überhaupt nichts über eine Bereitstellung, denn es gibt keine Bereitstellung – nur ein Paper, ein Repository und ein Harness. Keine der beiden Sammlungen ist von außen auditierbar, und nur eine von ihnen versucht es überhaupt.

Was es tatsächlich mit sich bringt, Realtime-Venus zu betreiben

Der Download ist echt. Zwei Checkpoint-Verzeichnisse mit geshardeten Safetensors, benutzerdefinierter Transformers-Code, geladen mit code>trust_remote_code=True/code>, eine Requirements-Datei, die Token-zu-Wellenform-Assets, eine Referenzstimme und eine Apache-2.0-Lizenz. Vollduplex-Streaming wird mit einem einzigen Methodenwechsel betreten, und die dokumentierte Schleife besteht aus einer Sekunde Streaming-Prefill, gefolgt von Streaming-Generierung, wiederholt. Das Langvideo-Gedächtnis wird mit einem Memory-Minutes-Parameter aktiviert und als training-free beschrieben, was für eine Fähigkeit, die normalerweise Fine-Tuning erfordert, ungewöhnlich ist.

Zwei Dinge daran sind wichtiger als die technischen Daten.

Das Erste ist die Hardware-Mindestvoraussetzung. Ein 9B-Modell in BF16 umfasst grob achtzehn Gigabyte an Gewichten, bevor Aktivierungsspeicher überhaupt dazukommt, und audio-visuelle Duplex-Inferenz fügt obendrein den visuellen Encoder und eine kontinuierliche Ein-Sekunden-Streaming-Schleife hinzu. Das ist ein Deployment der Server-Klasse, nicht der Laptop-Klasse – und es ist etwas ganz anderes als ein Telefonanruf, der $0.08 pro Minute kostet und am Nachmittag Ihrer Anmeldung bereits funktioniert.

Das Zweite ist, dass die interessanteste Komponente nicht in den Gewichten steckt. Die Dual-Loop-Laufzeitumgebung – eine Ein-Sekunden-Interaktionsschleife plus ein Hintergrund-Scheduler, den das Paper Realtime-Venus-Harness nennt und der delegierte Aufgaben gegen einen isolierten Schnappschuss des Gesprächszustands ausführt, damit ein lang laufender Job nicht dadurch beeinträchtigt wird, dass das Gespräch weitergeht – befindet sich in einem separaten GitHub-Repository. Kausale Aufgabenerfassung ist die wirklich neue Idee in dem Bericht, und sie ist der Teil, den man selbst zusammensetzt und dem man selbst vertraut.

Der letzte Punkt ist der, an dem die Architektur der beiden Systeme zusammenläuft, und er ist die praktische Erkenntnis aus dieser Paarung. Beide sind Frontends. Grok Voice 3.0 ruft in seinem Session-Update Tools aus einem Tools-Array auf und delegiert alles Schwerere an ein Backend, das synchron antwortet. Realtime-Venus gibt einen asynchronen Delegationsmarker in seine eigene verborgene Sequenz aus und übergibt die Arbeit an einen Harness. In beiden Designs finden das Denken, der Abruf und die Geschäftslogik in einem gewöhnlichen Textmodell hinter einer Konversationsschicht statt — und diese Schicht ist der eine Teil beider Stacks, den man frei wählen kann.

OrcaRouter bietet weder Grok Voice 3.0 noch Realtime-Venus. Die Grok-Voice-Session gehört zu SpaceXAIs eigenem WebSocket, und Realtime-Venus ist ein Download, den wir nicht anbieten; einen Router als innerhalb einer Duplex-Audiosession sitzend zu beschreiben, hieße, etwas zu beschreiben, das nicht existiert. Der delegierte Teil ist anders: 207 Modelle von mehr als einem Dutzend Upstreams hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, mit automatischem Failover, wenn ein Anbieter schlechter wird, und einer Routing-DSL, die mehrere Modelle zu einem Aufruf zusammenstellt. Für eine Architektur wie die von Realtime-Venus, bei der eine nicht erprobte selbst gehostete Komponente Arbeit an ein Textmodell weitergibt, das Sie ebenfalls nicht benchmarkiert haben, ist Failover der Unterschied zwischen einem schlechten Nachmittag für einen Anbieter und einem abgebrochenen Anruf.

Welche man wählen sollte und wann sich die Antwort ändert

Wenn Sie in diesem Quartal etwas ausliefern, ist Grok Voice 3.0 von den beiden das Einzige, das eine Entscheidung statt eines Projekts ist. Es steht an der Spitze des öffentlichen Leaderboards, es beginnt in 0,81 Sekunden zu sprechen, es kostet so viel wie das Modell, das es ersetzt, und es ist heute über einen Endpunkt aufrufbar, dessen Sitzungsparameter sich nicht geändert haben. Pinnen Sie zuerst Ihre Version — der Alias hat sich in diesem Quartal bereits zweimal verschoben — und liefern Sie dann aus.

Realtime-Venus ist die richtige Antwort auf eine viel engere Frage: Brauchen Sie ein Modell, das einen Raum überwacht und darüber spricht, was sich darin befindet, auf Hardware, die Ihnen gehört, unter einer Lizenz, die es Ihnen erlaubt, es feinabzustimmen? Für diese Fähigkeit gibt es in dieser Paarung kein gehostetes Äquivalent. Grok Voice 3.0 hat überhaupt keinen visuellen Input, und die anderen führenden Sprachmodelle auf dem Spielfeld ebenso wenig. Wenn das Ihre Anforderung ist, ist der Download die einzige Tür.

Was diese Seite verändern würde, ist dasselbe, was den Großteil dieser Kategorie verändern würde. Ein Inferenzanbieter, der Realtime-Venus zu einem veröffentlichten Tarif anbietet, würde ein Forschungsartefakt in ein Produkt verwandeln und den Vergleich real werden lassen; eine zweite, unabhängige Reproduktion des 97-%-Werts für die Backchannel-Fortsetzung würde die eine Zahl klären, die die beiden Systeme derzeit teilen können. Bis eines von beidem eintritt, ist die zutreffende Zusammenfassung unverblümt: Eines davon kann man kaufen, und eines davon kann man lesen. Das, was man lesen kann, ist das interessantere Dokument, und das, was man kaufen kann, ist das, das ans Telefon geht.