Grok Voice 3.0 vs Realtime-Venus : Celui qui possède la grille tarifaire ne peut pas voir, et celui qui peut voir n’a pas de grille tarifaire

Il existe une ligne de démarcation nette qui traverse la voix full-duplex à la fin de 2026, et ce n'est pas la qualité. Grok Voice 3.0, annoncé par SpaceXAI le 14 octobre 2026, occupe la première ligne de l'Artificial Analysis Speech to Speech Index à 86,9 à 0,08 $ par minute d'audio, et il ne perçoit rien d'autre que le son. Realtime-Venus, le système 9B à deux checkpoints de l'équipe Venus d'Ant Group avec l'Université Tsinghua, dont le rapport technique a été mis en ligne sur arXiv le 12 septembre 2026, diffuse des images de caméra via un encodeur SigLIP2 et parle de ce qu'il voit — et il n'a ni API, ni prix, ni point de terminaison hébergé, ni évaluation indépendante d'aucune sorte. Tout ce que vous pouvez acheter entend. Tout ce qui voit, vous devez l'exécuter vous-même.

L'écart de perception, c'est toute la comparaison

Ces deux-là ne se distinguent pas par quelques points sur un benchmark commun. Ils se distinguent par ce qu'ils sont physiquement capables d'absorber, et les conséquences se répercutent jusque sur ce que vous pouvez construire.

• Entrée — Grok Voice 3.0 prend l'audio et le texte avec un tableau d'outils ; Realtime-Venus-Omni prend la vidéo ou les images, l'audio et le texte, avec la vision fusionnée dans le même réseau plutôt que greffée après coup.

• Prise de parole — Grok Voice 3.0 utilise une détection d'activité vocale côté serveur, configurée par session ; Realtime-Venus déplace la décision à l'intérieur du modèle, sans aucun détecteur externe.

• Sortie — Grok Voice 3.0 renvoie de la parole et des transcriptions ; Realtime-Venus renvoie du texte et, éventuellement, une forme d’onde vocale décodée à partir de jetons S3 discrets par un décodeur flow-matching en flux continu plutôt que par une étape distincte de synthèse vocale.

• Accessibilité — Grok Voice 3.0 est en service via le WebSocket en temps réel de SpaceXAI, avec code>grok-voice-latest/code> qui pointe désormais vers lui et son prédécesseur étant déprécié ; Realtime-Venus est composé de deux checkpoints BF16 sous Apache-2.0 à code>inclusionAI/Realtime-Venus/code> sur Hugging Face, et la fiche indique clairement que le modèle n'est déployé par aucun fournisseur d'inférence.

• Mesurabilité — Grok Voice 3.0 affiche un indice composite de 86,9 avec cinq composantes lisibles et un Elo d’arène de 1070 ; Realtime-Venus présente des chiffres rapportés par les auteurs dans son propre rapport technique et aucune entrée au classement, car il n’existe aucun endpoint vers lequel un tiers puisse diriger un harnais.

• Prix — 0,08 $ par minute d’audio plus 0,004 $ par saisie de texte, contre aucun prix du tout.

Lisez les deux dernières lignes ensemble et la forme de la décision apparaît : le système dont les chiffres ont été audités est celui qui ne peut pas voir, et celui qui peut voir n’a jamais été mesuré par quiconque ne l’a pas construit.

Ce que le rapport affirme réellement, et ce qu’il en coûte de le vérifier

Les chiffres de Realtime-Venus proviennent de son propre rapport et de sa fiche de modèle ; personne en dehors des auteurs ne les a reproduits, et il n’existe aucun classement d’arène auquel les comparer. Considérez-les comme les mesures des auteurs.

• Benchmarks vidéo, Realtime-Venus-Omni — meilleur score sur six des huit benchmarks utilisés dans le rapport, notamment StreamingBench 70,2, OVO-Bench 64,7 et Daily-Omni 81,3.

• Benchmarks audio, Realtime-Venus-Audio — MMAU 78,0, MMAU-Pro 63,2, Llama Questions 83,8, Speech CMMLU 67,8 et un score VoiceBench AlpacaEval de 4,81 que le rapport décrit comme correspondant au meilleur chiffre de comparaison.

• Full-Duplex-Bench v1.5 — répond à 75 % des interruptions de l’utilisateur, avec des taux de continuation de 97 % avec les rétrocanaux, de 88 % avec la parole adressée à autrui et de 86 % avec la parole en arrière-plan, et est annoncé comme dépassant Gemini 3.1 Live et GPT-4o sur les trois métriques de continuation.

• Contexte et format — 40 960 tokens sur les deux checkpoints, poids BF16, anglais et chinois.

Le chiffre Daily-Omni est celui sur lequel il vaut la peine de s'arrêter, car c'est là que les propres chiffres du rapport font quelque chose d'utile. MiniCPM-o 4.5, le modèle omni-modal 9B qu'OpenBMB a publié en open source plus tôt en 2026, rapporte 80,2 sur le même benchmark — et la fiche de Realtime-Venus indique que le checkpoint Omni est adapté à partir de celui-ci. Realtime-Venus-Omni rapporte 81,3. Si les deux tiennent, l'amélioration issue d'un effort substantiel de post-entraînement, d'exécution et de délégation est d'environ un point sur un benchmark que le modèle de base maîtrisait déjà bien. C'est un résultat réaliste pour ce type de travail et une histoire beaucoup moins spectaculaire que « meilleur sur six des huit ».

Contre le tableau de scores sur lequel Grok Voice 3.0 se trouve

Mettez les deux côte à côte honnêtement et la comparaison est asymétrique d'une manière qui n'avantage ni l'un ni l'autre.

Sur la dynamique conversationnelle, le seul axe pour lequel les deux systèmes rapportent quelque chose, le taux de continuation de 97 % de Realtime-Venus en situation de backchannels est supérieur aux 97,0 % affichés par Grok Voice 3.0 sur Full Duplex Bench. Des harnais différents, des versions différentes, et l’un des deux n’a jamais été exécuté par un tiers — donc l’interprétation honnête est que Realtime-Venus revendique une parité, voire une légère avance, sur la seule métrique où les chiffres peuvent même être mentionnés dans la même phrase, et cette affirmation n’a qu’un seul lecteur.

Sur tout le reste, les deux ne peuvent pas être comparés, car un seul d'entre eux figure sur un classement. Le score composite de 86,9 de Grok Voice 3.0 se décompose en une valeur de raisonnement proche du plafond, le score duplex de 97,0 %, 71,6 % sur τ-Voice, un Elo de 1070 sur la préférence d'arène et 94,8 % de réussite aux tâches, chacun mesuré dans le cadre d'un harnais publié que quiconque peut lire et contester. Un score composite est un choix de pondération et la composante arène est figée au moment où un modèle devient éligible plutôt que de suivre l'Elo en direct — mais une équipe externe peut vérifier l'arithmétique et être en désaccord avec la conclusion plutôt que d'être incapable d'en formuler une.

C'est la vraie différence en matière de qualité de preuves, et cela vaut la peine d'être dit sans les adjectifs de l'un ou l'autre camp. Les deux modèles portent des affirmations de fournisseurs sur leurs propres déploiements en production. SpaceXAI rapporte que les centres d'appels Starlink traitent 20 000 appels clients par jour en plusieurs langues, avec environ 70 % résolus sans intervention humaine, plus des millions de conversations quotidiennes chez Tesla et SpaceX. Ant Group ne rapporte rien du tout sur le déploiement, car il n'y a pas de déploiement — juste un article, un référentiel et un harnais. Aucun des deux ensembles n'est auditable de l'extérieur, et un seul d'entre eux essaie même de l'être.

Ce qu'implique réellement l'exécution de Realtime-Venus

Le téléchargement est bien réel. Deux répertoires de checkpoints avec des safetensors shardés, du code Transformers personnalisé chargé avec code>trust_remote_code=True/code>, un fichier requirements, les ressources token-to-waveform, une voix de référence et une licence Apache-2.0. Le streaming full-duplex s'active avec un seul commutateur de méthode, et la boucle documentée consiste en une seconde de préremplissage en streaming suivie d'une génération en streaming, répétée. La mémoire pour vidéos longues est activée avec un paramètre memory-minutes et est décrite comme sans entraînement, ce qui est inhabituel pour une capacité qui nécessite normalement un fine-tuning.

Deux choses à son sujet comptent plus que les caractéristiques techniques.

Le premier est le seuil matériel. Un modèle 9B en BF16 représente environ dix-huit gigaoctets de poids avant la mémoire d’activation, et l’inférence duplex audio-visuelle y ajoute l’encodeur visuel et une boucle de streaming continue d’une seconde. C’est un déploiement de classe serveur, pas de classe ordinateur portable — et c’est une proposition différente d’un appel téléphonique qui coûte 0,08 $ la minute et qui fonctionne dès l’après-midi de votre inscription.

Le second point est que le composant le plus intéressant ne se trouve pas dans les poids. Le runtime à double boucle — une boucle d’interaction d’une seconde plus un planificateur en arrière-plan que l’article appelle Realtime-Venus-Harness, qui exécute des tâches déléguées sur un instantané isolé de l’état de la conversation afin qu’une tâche de longue durée ne puisse pas être corrompue par l’évolution de la conversation — vit dans un dépôt GitHub distinct. La capture causale des tâches est la véritable idée nouvelle du rapport, et c’est la partie que vous assemblez et à laquelle vous faites confiance vous-même.

Ce dernier point est là où l’architecture des deux systèmes converge, et c’est l’enseignement pratique à tirer de l’association. Tous deux sont des interfaces frontales. Grok Voice 3.0 appelle des outils depuis un tableau d’outils dans sa mise à jour de session et délègue tout ce qui est plus lourd à un backend qui répond de façon synchrone. Realtime-Venus émet un marqueur de délégation asynchrone dans sa propre séquence cachée et confie le travail à un harnais. Dans les deux conceptions, la réflexion, la récupération et la logique métier se produisent dans un modèle textuel ordinaire derrière une couche conversationnelle — et cette couche est la seule partie de l’une ou l’autre pile que vous êtes libre de choisir.

OrcaRouter ne prend en charge ni Grok Voice 3.0 ni Realtime-Venus. La session Grok Voice appartient au WebSocket propre à SpaceXAI, et Realtime-Venus est un téléchargement que nous ne servons pas ; décrire un routeur comme s'il se trouvait à l'intérieur d'une session audio duplex reviendrait à décrire quelque chose qui n'existe pas. Le segment délégué est différent : 207 modèles issus de plus d'une douzaine de fournisseurs en amont, derrière une seule clé, au prix catalogue du fournisseur, sans marge, avec basculement automatique lorsqu'un fournisseur se dégrade et un DSL de routage qui compose plusieurs modèles en un seul appel. Pour une architecture comme celle de Realtime-Venus, où un composant auto-hébergé non éprouvé confie le travail à un modèle textuel que vous n'avez pas non plus évalué, le basculement est la différence entre un mauvais après-midi pour un fournisseur et un appel interrompu.

Lequel choisir, et quand la réponse change

Si vous livrez quelque chose ce trimestre, Grok Voice 3.0 est le seul des deux à être une décision plutôt qu’un projet. Il occupe la première place du classement public, il commence à parler en 0,81 seconde, il coûte autant que le modèle qu’il remplace, et il peut être appelé dès aujourd’hui via un endpoint dont les paramètres de session n’ont pas changé. Épinglez d’abord votre version — l’alias a déjà changé deux fois ce trimestre — puis livrez.

Realtime-Venus est la bonne réponse à une question bien plus étroite : avez-vous besoin d'un modèle qui surveille une pièce et parle de ce qu'elle contient, sur du matériel que vous possédez, sous une licence qui vous permet de le fine-tuner ? Cette capacité n'a pas d'équivalent hébergé dans ce duo. Grok Voice 3.0 n'a aucune entrée visuelle, et les autres modèles vocaux de pointe du classement non plus. Si c'est votre besoin, le téléchargement est la seule porte.

Ce qui changerait cette page est exactement ce qui changerait la majeure partie de cette catégorie. Un fournisseur d’inférence proposant Realtime-Venus avec un tarif publié transformerait un artefact de recherche en produit et rendrait la comparaison réelle ; une seconde reproduction indépendante du chiffre de 97 % de continuation de backchannel trancherait l’unique nombre que les deux systèmes peuvent actuellement partager. Tant que l’un ou l’autre ne se concrétise pas, le résumé exact est sans détour : l’un d’eux peut s’acheter, et l’autre peut se lire. Celui que vous pouvez lire est le document le plus intéressant, et celui que vous pouvez acheter est celui qui répond au téléphone.