Grok Voice 3.0 vs SeedRealtime : l'un est le meilleur modèle vocal du classement, l'autre n'y figure pas.

Cette comparaison a une forme inhabituelle. Grok Voice 3.0 est le modèle parole-à-parole le mieux noté que mesure Artificial Analysis, avec 86,9 sur le Speech to Speech Index au 13 octobre 2026, au prix de 0,08 $ par minute et accessible aujourd'hui via l'API temps réel de SpaceXAI. SeedRealtime — officiellement « SeedRealtime: An Audio-Visual Full-Duplex LLM », publié par l'équipe Seed de ByteDance le 5 août 2026 — n'apparaît sur ce tableau sous aucune forme. Aucun score d'indice, aucune composante de raisonnement, aucun chiffre de dynamique conversationnelle, aucun Elo d'arène, aucun taux de réussite aux tâches, aucun délai avant le premier son. Pas une note faible. Une ligne vide, parce que le modèle n'a jamais été inscrit.

Ce vide est le point de départ honnête, car il ne s’agit pas d’un oubli du conseil. SeedRealtime n’a pas d’API publique, pas d’ID de modèle, pas de poids ouverts, pas de rapport technique, pas de nombre de paramètres et pas de prix publié. Il fonctionne à l’intérieur de l’application grand public Doubao de ByteDance, gratuitement, en voix et en vidéo, et ce depuis sa sortie. Il n’y a rien à mesurer parce qu’il n’y a pas d’endpoint à mesurer, et il n’y a aucun moyen de l’appeler parce qu’il n’y a rien à appeler.

Là où ils diffèrent véritablement, et ce n’est pas une question de qualité

Mettons les tableaux de scores de côté : les deux modèles font des tâches différentes dans des salles différentes.

Grok Voice 3.0 est un modèle audio. Il entend et parle via un WebSocket duplex, décide plusieurs fois par seconde s'il doit continuer à écouter, faire une pause, interrompre ou invoquer un outil à partir du tableau tools dans la mise à jour de sa session, et il détient cinq scores de composants mesurés ainsi que la meilleure position dans l'arène. Sa génération précédente a été commercialisée sur la base du taux d'erreur de mots sur 24 langues et d'un taux d'erreur 1,5 à 2,0 fois inférieur à celui des modèles de transcription dédiés — rapporté par le fournisseur, jamais reproduit de façon indépendante et non repris dans le matériel de lancement plus récent.

SeedRealtime entend et voit au sein d'un seul réseau. ByteDance décrit un cadre unifié dans lequel la perception, la compréhension, la prise de décision et la génération de réponses s'effectuent à l'intérieur d'un modèle unique plutôt qu'en cascade, la gestion des tours de parole étant décidée en interne et sans le moindre détecteur externe d'activité vocale. Ses démonstrations publiées incluent un dîner de groupe bruyant où le modèle doit associer les voix à des identités, une visite de musée où il propose spontanément des informations lorsqu'une œuvre cible entre dans son champ de vision, un flux de travail autour d'un espresso qu'il corrige en temps réel, et un scénario d'aéroport où il ignore les bavardages sans rapport, se remémore un tableau des départs vu plus tôt dans la session et se connecte en ligne pour obtenir un numéro de carrousel à bagages.

• Entrées — audio et texte Grok Voice 3.0, avec outils ; SeedRealtime audio, vidéo et texte fusionnés dans un seul modèle.

• Alternance des tours de parole — Grok Voice 3.0 utilise une détection d’activité vocale côté serveur configurée par session ; SeedRealtime supprime le VAD externe et déplace la décision au sein du modèle.

• Comportement proactif — Grok Voice 3.0 répond et appelle des outils ; SeedRealtime est décrit comme intervenant spontanément lorsqu’un objet pertinent apparaît dans le champ de vision.

• Latence — Grok Voice 3.0 annonce 0,81 seconde avant la première restitution audio ; SeedRealtime ne publie aucun chiffre de latence, seulement un objectif de feuille de route visant à réduire la latence de bout en bout.

• Prix — Grok Voice 3.0 : 0,08 $ par minute plus 0,004 $ par saisie de texte ; SeedRealtime n’a pas de prix ni d’offre commerciale, et est gratuit dans une application grand public.

• Accessibilité — Grok Voice 3.0 est disponible pour les développeurs avec un point de terminaison documenté et un mécanisme de jetons éphémères pour les connexions côté client ; SeedRealtime est d'abord destiné à la Chine continentale via Doubao, qui exige généralement un numéro de mobile de la Chine continentale pour s'inscrire, sans produit anglais localisé annoncé.

• Preuves — Grok Voice 3.0 dispose de cinq mesures indépendantes de composants ainsi que d’un score composite ; SeedRealtime dispose d’une seule évaluation humaine interne.

Le problème de la preuve, posé avec précision

La seule affirmation quantitative que ByteDance fait au sujet de SeedRealtime est que des évaluations humaines de bout en bout montrent qu'il divise par deux les problèmes de rythme conversationnel par rapport aux systèmes en cascade ASR + vision + TTS — moins de coupures en milieu de phrase, moins de réponses lentes après une pause, moins de faux déclenchements dus aux bavardages d'arrière-plan. Il n'y a pas de taille d'échantillon, pas de nombre d'annotateurs, pas de nom de benchmark, pas de méthodologie et pas de chiffre exact. L'affirmation est que le problème est devenu à peu près deux fois moins grave, et elle vient de l'équipe qui a construit le modèle.

Comparez cela avec ce qui est connaissable au sujet de Grok Voice 3.0. Son score composite de 86,9 se décompose en une valeur de raisonnement, une valeur de dynamique conversationnelle, un score agentique, un Elo de préférence en arène et un taux de réussite aux tâches, chacun mesuré dans le cadre d’un harnais publié, avec le classement sous-jacent lisible par quiconque. Cela ne rend pas les chiffres incontestables — un indice composite est un choix de pondération, et la composante arène est figée au moment où un modèle devient éligible à la publication plutôt que de suivre l’Elo en direct — mais cela signifie qu’une équipe extérieure peut vérifier l’arithmétique et être en désaccord avec la conclusion plutôt que d’être incapable d’en former une.

Les deux modèles s’accompagnent également d’affirmations de fournisseurs concernant leurs propres déploiements en production, et les deux ensembles sont invérifiables de la même manière. 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, et des millions de conversations quotidiennes chez Tesla et SpaceX. ByteDance rapporte un déploiement complet dans Doubao pour la voix et la vidéo. Ce sont les signaux disponibles les plus forts indiquant que les systèmes fonctionnent dans le monde réel, et en même temps les preuves les plus faibles dont dispose un lecteur, puisque ni l’un ni l’autre n’est auditable de l’extérieur et que tous deux décrivent des services plutôt que des modèles.

Ce sur quoi vous pouvez construire, et ce sur quoi vous ne pouvez pas

Voici la partie qui tranche la comparaison, indépendamment de la capacité. Un seul de ces deux est un composant. L'autre est une démonstration de ce à quoi ressemble une architecture convergée.

Grok Voice 3.0 s'intègre à une stack avec une chaîne de modèle, ou avec rien du tout si vous avez déployé sur grok-voice-latest, qui y a été basculé automatiquement le 14 octobre. Le même endpoint temps réel, les mêmes paramètres de session, les mêmes noms d'événements, le même ensemble de voix intégrées et le même endpoint de voix personnalisée que la génération qu'il remplace. Les outils limités à la session permettent à l'agent d'appeler votre backend en pleine conversation. Il y a un coût d'intégration, et il se mesure en minutes.

SeedRealtime ne peut pas être décomposé, et cela tient à l’architecture, non au commerce. Il n’y a pas de composant de raisonnement à échanger, car le raisonnement se trouve dans le même réseau que l’écoute et l’observation ; il n’y a pas de surface hébergée vers laquelle router, pas de quota à acheter, pas de clé à obtenir. Sa capacité est bien réelle et ses démonstrations sont les plus frappantes de la catégorie. C’est aussi, pour quiconque se trouve en dehors du marché grand public de ByteDance, un produit que l’on ne peut pas présenter à un client ce trimestre.

Un avertissement qu'il vaut la peine de formuler sans détour, car il s'agit d'un mode de défaillance bien réel : au moins un blog tiers décrit actuellement SeedRealtime comme disponible via un routeur de modèles. Il n'existe aucun point de terminaison vers lequel router, donc tout ce qui fait la promotion d'un accès à SeedRealtime fait la promotion d'autre chose. Dans le même ordre d'idées, les recherches sur l'API vocale en temps réel de ByteDance font remonter le modèle vocal en temps réel de bout en bout de Volcano Engine, qui est un système différent, uniquement audio — si vous avez comparé le quota et les tarifs publiés de ce modèle à ceux de Grok Voice 3.0, vous avez comparé le mauvais produit.

Où le routeur s'intègre réellement

Aucun des deux modèles n’est servi par OrcaRouter, et il vaut la peine d’être direct sur la raison pour laquelle cette manière de présenter les choses se trompe généralement. Grok Voice 3.0 est à source unique chez xAI, et SeedRealtime n’est vendu par personne. Aucune couche de routage ne change ni l’un ni l’autre de ces faits, et une plateforme qui prétend le contraire décrit une capacité qu’elle n’a pas.

Ce qu'une couche de routage change, c'est le niveau texte qui se trouve sous la voix. Chacun de ces déploiements est un modèle vocal plus une pile de modèles de langage : le backend d'outils que le modèle vocal appelle, le classifieur qui lit la transcription ensuite, le summariseur qui rédige le compte rendu, la recherche qui répond à ce que la couche vocale a dû transmettre. Ce travail est facturé à la requête, et c'est là que s'accumule une part significative du coût par appel. C'est ce que nous exploitons — plus de 200 modèles derrière une seule clé, au prix catalogue des fournisseurs, sans aucune majoration, bascule automatique entre fournisseurs, et un DSL de routage pour composer plusieurs modèles en un seul appel — et c'est la moitié d'un produit vocal que vous pouvez maintenir constante pendant que le modèle audio en dessous change, ce qui, vu la désinvolture avec laquelle on remplace la couche audio, est une propriété qu'il vaut la peine d'avoir.

Le verdict

Si vous construisez un agent vocal maintenant, Grok Voice 3.0 est le choix, et la raison n'est pas l'indice. C'est qu'il détient le score composite le plus élevé et la meilleure position dans l'arène, il publie le temps de démarrage de la parole le plus rapide du groupe de pointe à 0,81 seconde, il coûte le même prix par minute que le modèle qu'il remplace, et il est en service avec un point de terminaison documenté dès aujourd'hui. Cela fait quatre raisons distinctes, et aucune d'entre elles n'exige de faire confiance à un chiffre que personne ne peut vérifier.

Choisissez SeedRealtime — ou plutôt, attendez-le — uniquement si votre produit dépend de la chose précise qu’il fait et que rien d’autre ne fait : lire l’ambiance d’une pièce. Le duplex intégral audiovisuel avec les yeux sur la scène est une capacité qu’aucun modèle vocal occidental hébergé n’offre actuellement, et les démonstrations qu’en fait ByteDance sont convaincantes. Le déclencheur à surveiller est une API développeur ByteDance sur Volcano Engine ou BytePlus avec un tarif publié, ce qui transformerait une étude de cas en un produit sans concurrent hébergé. D’ici là, le modèle reste sur la liste de veille plutôt que dans l’architecture, et tout article prétendant le comparer à un modèle de classement compare un tableau de scores à une vidéo.

C'est aussi dans des comparaisons comme celle-ci que les modes de défaillance apparaissent : les incidents d'IA et les défaillances d'agents documentés derrière les modèles de cette classe sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et un indicateur de contestation.