Grok Voice 3.0 vs. SeedRealtime: Das eine ist das beste Voice-Modell auf der Bestenliste, das andere steht nicht auf der Bestenliste.

Dieser Vergleich hat eine ungewöhnliche Form. Grok Voice 3.0 ist das am höchsten bewertete Speech-to-Speech-Modell, das Artificial Analysis misst, mit 86,9 auf dem Speech to Speech Index Stand 13. Oktober 2026, zum Preis von 0,08 $ pro Minute und heute über die Realtime-API von SpaceXAI erreichbar. SeedRealtime — offiziell „SeedRealtime: An Audio-Visual Full-Duplex LLM“, veröffentlicht vom Seed-Team von ByteDance am 5. August 2026 — erscheint in keiner Form auf dieser Rangliste. Kein Indexwert, keine Reasoning-Komponente, keine Kennzahl zur Gesprächsdynamik, kein Arena-Elo, keine Task-Erfolgsrate, keine Zeit bis zum ersten Audio. Kein niedriger Wert. Eine leere Zeile, weil das Modell nie eingetragen wurde.

Diese Leerstelle ist der ehrliche Ausgangspunkt, denn sie ist kein Versehen des Vorstands. SeedRealtime hat keine öffentliche API, keine Modell-ID, keine offenen Gewichte, keinen technischen Bericht, keine Parameteranzahl und keinen veröffentlichten Preis. Es läuft kostenlos in der Doubao-Consumer-App von ByteDance, in Sprache und Video, und das seit der Veröffentlichung. Es gibt nichts zu messen, weil es keinen Endpunkt zum Messen gibt, und es gibt keine Möglichkeit, es aufzurufen, weil es nichts aufzurufen gibt.

Wo sie sich tatsächlich unterscheiden, und es ist nicht die Qualität

Lässt man die Anzeigetafeln außer Acht, erledigen die beiden Modelle unterschiedliche Aufgaben in unterschiedlichen Räumen.

Grok Voice 3.0 ist ein Audiomodell. Es hört und spricht über einen Duplex-WebSocket, entscheidet viele Male pro Sekunde, ob es weiter zuhören, pausieren, unterbrechen oder ein Tool aus dem Tools-Array in seinem Session-Update aufrufen soll, und es hält fünf gemessene Komponentenwerte plus die Spitzenposition in der Arena. Seine Vorgängergeneration wurde mit der Wortfehlerrate über 24 Sprachen und 1,5- bis 2,0-mal niedrigeren Fehlern als dedizierte Transkriptionsmodelle beworben – vom Anbieter berichtet, nie unabhängig reproduziert und im neueren Launch-Material nicht erneut genannt.

SeedRealtime hört und sieht in einem Netzwerk. ByteDance beschreibt ein einheitliches Framework, in dem Wahrnehmung, Verstehen, Entscheidungsfindung und Antwortgenerierung in einem einzigen Modell stattfinden und nicht in einer Kaskade, wobei der Sprecherwechsel intern entschieden wird und es überhaupt keinen externen Voice-Activity-Detector gibt. Zu den veröffentlichten Demonstrationen gehören ein geräuschvolles Gruppenessen, bei dem das Modell Stimmen an Identitäten binden muss, ein Museumsbesuch, bei dem es von sich aus Informationen anbietet, wenn ein Zielausstellungsstück ins Blickfeld kommt, ein Espresso-Workflow, den es in Echtzeit korrigiert, und ein Flughafenszenario, in dem es irrelevantes Geplauder ignoriert, sich an eine Abflugtafel von früher in der Sitzung erinnert und online geht, um eine Gepäckbandnummer zu ermitteln.

• Eingaben — Grok Voice 3.0 Audio und Text, mit Tools; SeedRealtime Audio, Video und Text in einem Modell fusioniert.

• Sprecherwechsel — Grok Voice 3.0 verwendet serverseitige Sprachaktivitätserkennung, die pro Sitzung konfiguriert wird; SeedRealtime entfernt den externen VAD und verlagert die Entscheidung ins Modell.

• Proaktives Verhalten — Grok Voice 3.0 reagiert und ruft Tools auf; SeedRealtime wird so beschrieben, dass es sich unaufgefordert zu Wort meldet, wenn ein relevantes Objekt im Sichtfeld erscheint.

• Latenz — Grok Voice 3.0 veröffentlicht 0,81 Sekunden bis zum ersten Ton; SeedRealtime veröffentlicht überhaupt keinen Latenzwert, nur ein Roadmap-Ziel zur Reduzierung der Ende-zu-Ende-Latenz.

• Preis — Grok Voice 3.0 0,08 $ pro Minute plus 0,004 $ pro Texteingabe; SeedRealtime hat keinen Preis und kein kommerzielles Angebot und ist in einer Consumer-App kostenlos.

• Erreichbarkeit — Grok Voice 3.0 ist für Entwickler live, mit einem dokumentierten Endpunkt und einem Pfad für ephemere Token für clientseitige Verbindungen; SeedRealtime ist Mainland-China-first über Doubao, wofür für die Registrierung in der Regel eine Mobilfunknummer aus dem chinesischen Festland erforderlich ist, wobei kein lokalisiertes englisches Produkt angekündigt wurde.

• Belege — Grok Voice 3.0 hat fünf unabhängige Komponentenmessungen plus einen Gesamtwert; SeedRealtime hat eine interne menschliche Bewertung.

Das Beweisproblem, präzise formuliert

Die einzige quantitative Behauptung, die ByteDance über SeedRealtime aufstellt, ist, dass End-to-End-Evaluierungen durch Menschen zeigen, dass es die Probleme mit dem Gesprächstempo im Vergleich zu kaskadierten ASR-plus-Vision-plus-TTS-Systemen halbiert – weniger Abbrüche mitten im Satz, weniger langsame Antworten nach einer Pause, weniger falsche Auslösungen durch Hintergrundgeschwätz. Es gibt keine Stichprobengröße, keine Anzahl der Annotatoren, keinen Benchmark-Namen, keine Methodik und keine genaue Zahl. Die Behauptung ist, dass das Problem ungefähr halb so schlimm geworden ist, und sie stammt von dem Team, das das Modell entwickelt hat.

Vergleiche das mit dem, was über Grok Voice 3.0 bekannt sein kann. Sein zusammengesetzter Wert von 86,9 setzt sich zusammen aus einer Kennzahl für Schlussfolgerungen, einer Kennzahl für Gesprächsdynamik, einem agentischen Score, einem Arena-Präferenz-Elo und einer Aufgabenerfolgsrate, die jeweils unter einer veröffentlichten Testumgebung gemessen werden, wobei das zugrunde liegende Board für jeden lesbar ist. Das macht die Zahlen nicht unbestreitbar – ein zusammengesetzter Index ist eine Gewichtungsentscheidung, und die Arena-Komponente wird an dem Punkt eingefroren, an dem ein Modell für die Veröffentlichung infrage kommt, statt ein Live-Elo zu verfolgen –, aber es bedeutet, dass ein externes Team die Arithmetik nachprüfen und der Schlussfolgerung widersprechen kann, anstatt außerstande zu sein, sich eine zu bilden.

Zu beiden Modellen liegen zudem Anbieteraussagen über ihre eigenen Produktionseinsätze vor, und beide Sets sind auf dieselbe Weise nicht überprüfbar. SpaceXAI berichtet, dass Starlink-Callcenter 20.000 Kundenanrufe pro Tag in mehreren Sprachen bearbeiten, von denen rund 70 % ohne menschliches Zutun gelöst werden, und dass es täglich Millionen von Gesprächen bei Tesla und SpaceX gibt. ByteDance berichtet vom vollständigen Rollout in Doubao für Sprache und Video. Dies sind die stärksten verfügbaren Signale dafür, dass die Systeme in der realen Welt funktionieren, und zugleich die schwächsten verfügbaren Belege für einen Leser, da keines von beiden von außen überprüfbar ist und beide Dienste statt Modelle beschreiben.

Worauf Sie aufbauen können – und worauf nicht.

Hier ist der Teil, der den Vergleich unabhängig von der Leistungsfähigkeit entscheidet. Nur eines dieser beiden ist eine Komponente. Das andere ist eine Demonstration davon, wie eine konvergierte Architektur aussieht.

Grok Voice 3.0 fügt sich mit einem Modell-String in einen Stack ein – oder ganz ohne, wenn Sie gegen grok-voice-latest bereitgestellt haben, das am 14. Oktober automatisch darauf umgestellt wurde. Derselbe Realtime-Endpoint, dieselben Sitzungsparameter, dieselben Event-Namen, dasselbe integrierte Stimmen-Set und derselbe Custom-Voice-Endpoint wie bei der Generation, die sie ersetzt. Sitzungsgebundene Tools ermöglichen es dem Agenten, mitten im Gespräch Ihr Backend aufzurufen. Es gibt einen Integrationsaufwand, und er wird in Minuten gemessen.

SeedRealtime lässt sich nicht zerlegen, und das ist architektonisch bedingt, nicht kommerziell. Es gibt keine Reasoning-Hälfte zum Austauschen, weil das Denken im selben Netzwerk sitzt wie das Zuhören und das Sehen; es gibt keine gehostete Oberfläche, an die man weiterleiten könnte, kein Kontingent, das man kaufen könnte, und keinen Schlüssel, den man erhalten könnte. Seine Fähigkeit ist real, und seine Demonstrationen sind die eindrucksvollsten in dieser Kategorie. Für alle außerhalb von ByteDances Endverbrauchermarkt ist es außerdem kein Produkt, das man in diesem Quartal einem Kunden vorführen kann.

Eine Warnung, die man klar aussprechen sollte, denn es handelt sich um einen aktuell auftretenden Fehlerfall: Mindestens ein Drittanbieter-Blog beschreibt SeedRealtime derzeit als über einen Modell-Router verfügbar. Es gibt keinen Endpunkt, an den geroutet werden könnte, alles, was also mit SeedRealtime-Zugang wirbt, wirbt für etwas anderes. Damit zusammenhängend: Suchen nach ByteDances Echtzeit-Voice-API bringen Volcano Engines End-to-End-Echtzeit-Sprachmodell zum Vorschein, ein anderes, rein audiobasiertes System — wenn Sie das veröffentlichte Kontingent und die Preise dieses Modells mit Grok Voice 3.0 verglichen haben, haben Sie das falsche Produkt verglichen.

Wo der Router tatsächlich hineinpasst

Keines der beiden Modelle wird von OrcaRouter bereitgestellt, und es lohnt sich, deutlich zu sagen, warum die übliche Darstellung dies meistens falsch wiedergibt. Grok Voice 3.0 ist eine Single-Source-Lösung von xAI, und SeedRealtime wird von niemandem verkauft. Keine Routing-Schicht ändert eine dieser beiden Tatsachen, und eine Plattform, die etwas anderes behauptet, beschreibt eine Fähigkeit, die sie nicht besitzt.

Was eine Routing-Schicht ändert, ist die Text-Ebene unterhalb der Stimme. Jede dieser Bereitstellungen ist ein Voice-Modell plus ein Sprachmodell-Stack: das Tool-Backend, das das Voice-Modell aufruft, der Klassifikator, der das Transkript danach liest, der Summarizer, der den Eintrag schreibt, das Retrieval, das beantwortet, was die Voice-Ebene abgeben musste. Diese Arbeit wird pro Anfrage abgerechnet, und genau dort summiert sich ein erheblicher Anteil der Kosten pro Anruf. Das ist es, was wir betreiben — über 200 Modelle hinter einem einzigen Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, automatisches Failover über Anbieter hinweg, und eine Routing-DSL, um mehrere Modelle zu einem einzigen Aufruf zusammenzusetzen — und es ist die Hälfte eines Voice-Produkts, die man konstant halten kann, während sich das Audiomodell darunter ändert, was angesichts der Leichtfertigkeit, mit der die Audio-Ebene ausgetauscht wird, eine Eigenschaft ist, die man gerne hat.

Das Urteil

Wenn du jetzt einen Voice-Agent baust, ist Grok Voice 3.0 die Wahl, und der Grund ist nicht der Index. Es hält den höchsten Composite-Wert und die Top-Position in der Arena, veröffentlicht die schnellste Start-to-Speak-Zeit in der Frontier-Gruppe mit 0,81 Sekunden, kostet pro Minute dasselbe wie das Modell, das es ablöst, und ist heute mit einem dokumentierten Endpunkt live. Das sind vier separate Gründe, und keiner davon erfordert, einer Zahl zu vertrauen, die niemand überprüfen kann.

Wählen Sie SeedRealtime — oder besser gesagt, warten Sie darauf — nur, wenn Ihr Produkt von der spezifischen Sache abhängt, die es tut und die sonst nichts anderes tut: einen Raum zu lesen. Audiovisuelles Vollduplex mit Augen auf das Geschehen ist eine Fähigkeit, die derzeit kein gehostetes westliches Sprachmodell bietet, und ByteDances Demonstrationen davon sind überzeugend. Der Auslöser, auf den man achten sollte, ist eine ByteDance-Entwickler-API auf Volcano Engine oder BytePlus mit veröffentlichtem Preis, die eine Fallstudie in ein Produkt ohne gehosteten Wettbewerber verwandeln würde. Bis das erscheint, bleibt das Modell auf der Beobachtungsliste statt in der Architektur, und jeder Artikel, der behauptet, es mit einem Leaderboard-Modell zu vergleichen, vergleicht eine Anzeigetafel mit einem Video.

Auch bei einem solchen Vergleich zeigen sich die Fehlermodi: Die dokumentierten KI-Vorfälle und Agenten-Ausfälle hinter Modellen dieser Klasse sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag eigene Quellen, einen Schweregrad, einen Konfidenzgrad und eine Strittig-Kennzeichnung mitführt.