Grok Voice 3.0 vs SeedRealtime: Uno es el mejor modelo de voz del ranking y el otro no está en el ranking.

Esta comparación tiene una forma poco habitual. Grok Voice 3.0 es el modelo de voz a voz con la puntuación más alta de los que mide Artificial Analysis, con 86,9 en el Speech to Speech Index a fecha de 13 de octubre de 2026, a un precio de 0,08 $ por minuto y disponible hoy a través de la API en tiempo real de SpaceXAI. SeedRealtime —formalmente «SeedRealtime: An Audio-Visual Full-Duplex LLM», publicado por el equipo Seed de ByteDance el 5 de agosto de 2026— no aparece en ese cuadro de ninguna forma. Ni puntuación en el índice, ni componente de razonamiento, ni cifra de dinámica conversacional, ni Elo de arena, ni tasa de éxito en tareas, ni tiempo hasta el primer audio. No es una puntuación baja. Es una fila en blanco, porque el modelo nunca se ha inscrito.

Ese espacio en blanco es el punto de partida honesto, porque no es un descuido de la junta. SeedRealtime no tiene API pública, ni ID de modelo, ni pesos abiertos, ni informe técnico, ni recuento de parámetros, ni precio publicado. Se ejecuta dentro de la aplicación de consumo Doubao de ByteDance, gratis, en voz y vídeo, y así ha sido desde su lanzamiento. No hay nada que medir porque no hay ningún endpoint que medir, y no hay forma de llamarlo porque no hay nada a lo que llamar.

Donde realmente difieren, y no es una cuestión de calidad

Dejemos a un lado los marcadores y los dos modelos desempeñan funciones distintas en salas distintas.

Grok Voice 3.0 es un modelo de audio. Escucha y habla a través de un WebSocket dúplex, decide muchas veces por segundo si sigue escuchando, hace una pausa, interrumpe o invoca una herramienta del array de herramientas de la actualización de su sesión, y mantiene cinco puntuaciones de componentes medidas más la primera posición en la arena. Su generación predecesora se comercializó con base en la tasa de error de palabras en 24 idiomas y un error entre 1,5 y 2,0 veces menor que los modelos de transcripción dedicados —reportado por el proveedor, nunca reproducido de forma independiente y no reiterado en el material de lanzamiento más reciente.

SeedRealtime oye y ve en una sola red. ByteDance describe un marco unificado en el que la percepción, la comprensión, la toma de decisiones y la generación de respuestas ocurren dentro de un único modelo en lugar de en una cascada, con la toma de turnos decidida internamente y sin ningún detector externo de actividad de voz en absoluto. Sus demostraciones publicadas incluyen una cena de grupo ruidosa en la que el modelo tiene que vincular voces con identidades, una visita a un museo en la que ofrece información cuando una pieza expuesta objetivo entra en su campo de visión, un flujo de trabajo de espresso que corrige en tiempo real, y un escenario de aeropuerto en el que ignora conversaciones no relacionadas, recuerda un panel de salidas visto antes en la sesión y se conecta a internet para consultar el número de una cinta de equipajes.

• Entradas — audio y texto de Grok Voice 3.0, con herramientas; audio, video y texto de SeedRealtime fusionados en un solo modelo.

• Turn-taking — Grok Voice 3.0 utiliza detección de actividad de voz del lado del servidor configurada por sesión; SeedRealtime elimina el VAD externo y traslada la decisión al interior del modelo.

• Comportamiento proactivo — Grok Voice 3.0 responde y llama a herramientas; se describe que SeedRealtime toma la palabra sin que se le pida cuando un objeto relevante aparece a la vista.

• Latencia — Grok Voice 3.0 publica 0,81 segundos hasta el primer audio; SeedRealtime no publica ninguna cifra de latencia, solo un objetivo de hoja de ruta para comprimir la latencia de extremo a extremo.

• Precio — Grok Voice 3.0: $0,08 por minuto más $0,004 por entrada de texto; SeedRealtime no tiene precio ni oferta comercial, y es gratuito dentro de una aplicación de consumo.

• Alcance — Grok Voice 3.0 ya está disponible para desarrolladores, con un endpoint documentado y una ruta de tokens efímeros para conexiones del lado del cliente; SeedRealtime está orientado en primer lugar a China continental a través de Doubao, que normalmente requiere un número de móvil de China continental para registrarse, y no se ha anunciado ningún producto localizado al inglés.

• Evidencia — Grok Voice 3.0 tiene cinco mediciones de componentes independientes más una compuesta; SeedRealtime tiene una evaluación humana interna.

El problema de la evidencia, expresado con precisión

La única afirmación cuantitativa que ByteDance hace sobre SeedRealtime es que las evaluaciones humanas de extremo a extremo muestran que reduce a la mitad los problemas de ritmo conversacional en comparación con los sistemas en cascada de ASR + visión + TTS: menos cortes a mitad de frase, menos respuestas lentas tras una pausa y menos activaciones falsas por charla de fondo. No hay tamaño de muestra, ni número de anotadores, ni nombre de benchmark, ni metodología ni cifra exacta. La afirmación es que el problema se redujo aproximadamente a la mitad, y proviene del equipo que construyó el modelo.

Compáralo con lo que se puede saber sobre Grok Voice 3.0. Su compuesto de 86,9 se desglosa en una cifra de razonamiento, una cifra de dinámica conversacional, una puntuación agéntica, un Elo de preferencia de arena y una tasa de éxito en tareas, cada una medida bajo un arnés publicado, con el tablero subyacente legible por cualquiera. Eso no hace que las cifras estén fuera de discusión —un índice compuesto es una elección de ponderación, y el componente de arena se congela en el punto en que un modelo pasa a ser elegible para su publicación en lugar de seguir el Elo en vivo—, pero significa que un equipo externo puede comprobar la aritmética y discrepar de la conclusión en lugar de ser incapaz de formarse una.

Ambos modelos también conllevan afirmaciones de sus proveedores sobre sus propios despliegues en producción, y ambos conjuntos son inverificables de la misma manera. SpaceXAI informa de que los centros de llamadas de Starlink gestionan 20.000 llamadas de clientes al día en varios idiomas, con aproximadamente el 70 % resueltas sin intervención humana, y millones de conversaciones diarias en Tesla y SpaceX. ByteDance informa de un despliegue completo en Doubao, tanto en voz como en vídeo. Estas son las señales más sólidas disponibles de que los sistemas funcionan en el mundo real y, al mismo tiempo, la evidencia más débil disponible para un lector, ya que ninguna es auditable desde fuera y ambas describen servicios en lugar de modelos.

Sobre lo que puedes construir, y sobre lo que no

Esta es la parte que resuelve la comparación, independientemente de la capacidad. Solo uno de estos dos es un componente. El otro es una demostración de cómo se ve una arquitectura convergente.

Grok Voice 3.0 se integra en un stack con una cadena de modelo, o con nada en absoluto si desplegaste contra grok-voice-latest, que se migró automáticamente a ella el 14 de octubre. El mismo endpoint en tiempo real, los mismos parámetros de sesión, los mismos nombres de eventos, el mismo conjunto de voces integradas y endpoint de voz personalizada que la generación a la que reemplaza. Las herramientas con alcance de sesión permiten que el agente llame a tu backend a mitad de la conversación. Hay un costo de integración, y se mide en minutos.

SeedRealtime no se puede descomponer, y eso es arquitectónico más que comercial. No hay una mitad de razonamiento que intercambiar, porque el pensamiento está dentro de la misma red que la escucha y la mirada; no hay una superficie alojada a la que enrutar, ni una cuota que comprar, ni una clave que obtener. Su capacidad es real y sus demostraciones son las más llamativas de la categoría. También es, para cualquiera fuera del mercado de consumo de ByteDance, un producto que no puedes poner delante de un cliente este trimestre.

Una advertencia que conviene decir con claridad, porque es un modo de fallo activo: al menos un blog de terceros describe actualmente SeedRealtime como disponible a través de un enrutador de modelos. No hay ningún endpoint al que enrutar, así que cualquier cosa que anuncie acceso a SeedRealtime está anunciando otra cosa. En relación con esto, las búsquedas de la API de voz en tiempo real de ByteDance sacan a la superficie el modelo de voz en tiempo real de extremo a extremo de Volcano Engine, que es un sistema diferente, solo de audio — si has estado comparando la cuota y los precios publicados de ese modelo con Grok Voice 3.0, has estado comparando el producto equivocado.

Dónde encaja realmente el router

Ninguno de los dos modelos es servido por OrcaRouter, y merece la pena ser directos sobre por qué el encuadre suele equivocarse en esto. Grok Voice 3.0 tiene una única fuente, xAI, y SeedRealtime no lo vende nadie. Ninguna capa de enrutamiento cambia ninguno de esos dos hechos, y una plataforma que afirme lo contrario está describiendo una capacidad que no tiene.

Lo que cambia una capa de enrutamiento es la capa de texto que hay debajo de la voz. Cada uno de estos despliegues es un modelo de voz más una pila de modelos de lenguaje: el backend de herramientas que llama el modelo de voz, el clasificador que lee la transcripción después, el resumidor que redacta el registro, la recuperación que responde a lo que la capa de voz tuvo que derivar. Ese trabajo se factura por solicitudes y es donde se acumula una porción significativa del costo por llamada. Es lo que ejecutamos — más de 200 modelos detrás de una sola clave al precio de lista del proveedor y con cero recargo, conmutación por error automática entre proveedores, y un DSL de enrutamiento para componer varios modelos en una sola llamada — y es la mitad de un producto de voz que puedes mantener constante mientras el modelo de audio que hay debajo cambia, lo cual, dado lo informalmente que se sustituye la capa de audio, es una propiedad que vale la pena tener.

El veredicto

Si estás construyendo un agente de voz ahora, Grok Voice 3.0 es la elección, y la razón no es el índice. Es que ostenta la puntuación compuesta más alta y la mejor posición en la arena, publica el tiempo más rápido hasta empezar a hablar en el grupo de frontera, con 0,81 segundos, cuesta lo mismo por minuto que el modelo al que reemplaza, y hoy está disponible en vivo con un endpoint documentado. Esas son cuatro razones distintas, y ninguna de ellas requiere confiar en un número que nadie puede comprobar.

Elige SeedRealtime —o más bien, espera a que llegue— solo si tu producto depende de la cosa específica que hace y que ningún otro hace: leer el ambiente. El dúplex completo audiovisual con los ojos puestos en la escena es una capacidad que ningún modelo de voz occidental alojado ofrece actualmente, y las demostraciones que ByteDance ha hecho de ello son convincentes. La señal que hay que vigilar es una API para desarrolladores de ByteDance en Volcano Engine o BytePlus con una tarifa publicada, lo que convertiría un caso de estudio en un producto sin competidor alojado. Hasta que eso aparezca, el modelo se queda en la lista de seguimiento en lugar de en la arquitectura, y cualquier artículo que afirme compararlo con un modelo de tabla de clasificación está comparando un marcador con un video.

Comparaciones como esta son también donde se manifiestan los modos de fallo: los incidentes de IA documentados y los fallos de agentes que hay detrás de los modelos de esta clase se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.