Grok Voice 3.0 לעומת Realtime-Venus: זה שיש לו את המחירון לא יכול לראות, וזה שיכול אין לו מחירון

ישנו קו מפריד ברור שחוצה את עולם הקול הדו-כיווני המלא בסוף 2026, והוא אינו איכות. Grok Voice 3.0, שהוכרז על ידי SpaceXAI ב-14 באוקטובר 2026, מחזיק בשורה העליונה של מדד Artificial Analysis Speech to Speech עם 86.9 במחיר של 0.08 דולר לדקת אודיו, והוא אינו קולט דבר מלבד צליל. Realtime-Venus, המערכת בת 9B עם שני צ'קפוינטים מצוות Venus של Ant Group עם אוניברסיטת צינגהואה, שדוח טכני שלה עלה ל-arXiv ב-12 בספטמבר 2026, מזרימה פריימים מהמצלמה דרך מקודד SigLIP2 ומדברת על מה שהיא רואה — ואין לה API, אין מחיר, אין נקודת קצה מתארחת ואין הערכה עצמאית מכל סוג. כל מה שאפשר לקנות שומע. כל מה שרואה, צריך להריץ בעצמך.

פער התפיסה הוא ההשוואה כולה

השניים הללו אינם נבדלים בכמה נקודות במבחן משותף. הם נבדלים במה שהם מסוגלים פיזית לקלוט, וההשלכות מגיעות כל הדרך עד למה שאתה יכול לבנות.

• קלט — Grok Voice 3.0 מקבל אודיו וטקסט עם מערך כלים; Realtime-Venus-Omni מקבל וידאו או תמונות, אודיו וטקסט, כאשר הראייה ממוזגת לתוך אותה רשת ולא מוצמדת.

• חילופי תורות — Grok Voice 3.0 משתמש בזיהוי פעילות קולית בצד השרת המוגדר עבור כל סשן; Realtime-Venus מעביר את קבלת ההחלטה אל תוך המודל, ללא גלאי חיצוני כלל.

• פלט — Grok Voice 3.0 מחזיר דיבור ותמלולים; Realtime-Venus מחזיר טקסט ובאופן אופציונלי גם צורת גל של דיבור שמפוענחת מאסימוני S3 בדידים על ידי מפענח flow-matching זורם, במקום שלב נפרד של טקסט-לדיבור.

• נגישות — Grok Voice 3.0 זמין באמצעות WebSocket בזמן אמת של SpaceXAI, כאשר code>grok-voice-latest/code> מפנה כעת אליו, וקודמו הוצא משימוש; Realtime-Venus מורכב משני צ'קפוינטים של BF16 תחת Apache-2.0 בכתובת code>inclusionAI/Realtime-Venus/code> ב-Hugging Face, וכרטיס המודל מציין במפורש שהמודל אינו נפרס על ידי אף ספק הסקה.

• יכולת מדידה — Grok Voice 3.0 מחזיק במדד מורכב של 86.9 עם חמישה רכיבים קריאים ודירוג Elo בזירה של 1070; ל-Realtime-Venus יש מספרים שדווחו על ידי המחברים מתוך הדוח הטכני שלה ואין לה רשומה בלוח הדירוג, משום שאין נקודת קצה שצד שלישי יכול לכוון אליה הרנס.

• מחיר — 0.08$ לדקת אודיו בתוספת 0.004$ לקלט טקסט, לעומת היעדר מחיר לחלוטין.

קרא את שתי השורות האחרונות יחד וצורת ההחלטה מתגלה: המערכת עם המספרים שעברו ביקורת היא זו שלא יכולה לראות, וזו שכן יכולה לראות מעולם לא נמדדה בידי מי שלא בנה אותה.

מה שהדוח טוען בפועל, ומה העלות של לבדוק זאת

הנתונים של Realtime-Venus מגיעים מהדוח שלה ומכרטיס המודל שלה, אף אחד מחוץ למחברים לא שחזר אותם, ואין מיקום בזירה שאפשר להשוות אליו. יש לקרוא אותם כמדידות של המחברים.

• בנצ'מרקים של וידאו, Realtime-Venus-Omni — הציון הטוב ביותר בשש מתוך שמונת הבנצ'מרקים שהדוח משתמש בהם, כולל StreamingBench 70.2, OVO-Bench 64.7 ו-Daily-Omni 81.3.

• מדדי אודיו, Realtime-Venus-Audio — MMAU 78.0, MMAU-Pro 63.2, Llama Questions 83.8, Speech CMMLU 67.8 וציון VoiceBench AlpacaEval של 4.81 שהדוח מתאר כמה שתואם את נתון ההשוואה הטוב ביותר.

• Full-Duplex-Bench v1.5 — תגובה ל-75% מהפרעות המשתמש, עם שיעורי המשך של 97% תחת תגובות גיבוי, 88% תחת דיבור מכוון לאחר ו-86% תחת דיבור רקע, נטען כי עולה על Gemini 3.1 Live ו-GPT-4o בכל שלושת מדדי ההמשך.

• הקשר ופורמט — 40,960 טוקנים בשני הצ׳קפוינטים, משקלי BF16, אנגלית וסינית.

הנתון של Daily-Omni הוא זה שראוי להתעכב עליו, כי שם המספרים של הדוח עצמו עושים משהו שימושי. MiniCPM-o 4.5, המודל האומני-מודאלי בגודל 9B ש-OpenBMB שחררה בקוד פתוח מוקדם יותר ב-2026, מדווח 80.2 באותו בנצ'מרק — והכרטיס של Realtime-Venus מציין שהצ'קפוינט של Omni מותאם ממנו. Realtime-Venus-Omni מדווח 81.3. אם שניהם מחזיקים מעמד, השיפור שמקורו במאמץ ניכר של פוסט-אימון, זמן ריצה והאצלה הוא בערך נקודה אחת בבנצ'מרק שהמודל הבסיסי כבר התמודד אתו היטב. זו תוצאה מציאותית לעבודה מסוג זה, וסיפור הרבה פחות דרמטי מ"הטוב ביותר בשישה מתוך שמונה".

מול לוח התוצאות שעליו יושב Grok Voice 3.0

הצב את השניים זה לצד זה בכנות, וההשוואה א-סימטרית באופן שאינו מחמיא לאף אחד מהשניים.

בדינמיקת שיחה, הציר היחיד ששתי המערכות מדווחות עליו משהו, ה-97% של Realtime-Venus להמשכיות תחת תגובות לוואי גבוהים מ-97.0% ש-Grok Voice 3.0 מציג ב-Full Duplex Bench. הרנסים שונים, גרסאות שונות, ואחת משתי המערכות מעולם לא הורצה על ידי גורם חיצוני — כך שהקריאה הכנה היא ש-Realtime-Venus טוענת לשוויון או למעט טוב יותר במדד היחיד שבו אפשר בכלל להזכיר את המספרים באותו משפט, ולטענה הזאת יש קורא אחד.

בכל שאר הדברים לא ניתן להשוות בין השניים, כי רק אחד מהם נמצא על לוח תוצאות. הציון המורכב 86.9 של Grok Voice 3.0 מתפרק לנתון חשיבה קרוב לתקרה, לציון הדופלקס 97.0%, ל-71.6% ב-τ-Voice, ל-Elo 1070 בהעדפת זירה ול-94.8% הצלחה במשימות, כשכל אחד מהם נמדד תחת מערכת בדיקות מפורסמת שכל אחד יכול לקרוא ולהתווכח איתה. ציון מורכב הוא בחירת שקלול, ורכיב הזירה מוקפא בנקודה שבה מודל נעשה זכאי במקום לעקוב אחר Elo בזמן אמת — אבל צוות חיצוני יכול לבדוק את החשבון ולחלוק על המסקנה, במקום להיות בלתי מסוגל לגבש מסקנה.

זהו ההבדל האמיתי באיכות הראיות, וכדאי להצהיר עליו בלי שמות התואר של אף אחד מהצדדים. שני המודלים נושאים טענות של ספקים על פריסות הייצור של עצמם. SpaceXAI מדווחת שמוקדי השיחות של Starlink מטפלים ב-20,000 שיחות לקוחות ביום במספר שפות, כאשר כ-70% מהן נפתרות ללא אדם, ובנוסף מיליוני שיחות יומיות ברחבי Tesla ו-SpaceX. Ant Group לא מדווחת דבר על פריסה בכלל, כי אין פריסה — רק מאמר, מאגר קוד והרנס. אף אחת מהקבוצות לא ניתנת לביקורת מבחוץ, ורק אחת מהן אפילו מנסה להיות כזו.

מה בעצם כרוך בהרצה של Realtime-Venus

ההורדה אמיתית. שתי תיקיות checkpoint עם safetensors מפוצלים, קוד Transformers מותאם אישית שנטען עם code>trust_remote_code=True/code>, קובץ דרישות, נכסי token-to-waveform, קול ייחוס ורישיון Apache-2.0. לסטרימינג דופלקס מלא נכנסים באמצעות מתג מתודה יחיד, והלולאה המתועדת היא שנייה אחת של prefill בזרימה ואחריה יצירה בזרימה, שוב ושוב. זיכרון וידאו ארוך מופעל עם פרמטר memory-minutes ומתואר כללא-אימון, דבר יוצא דופן ליכולת שבדרך כלל דורשת כיוונון עדין.

שני דברים בו חשובים יותר מהמפרט.

הראשון הוא רצפת החומרה. מודל 9B ב-BF16 הוא בערך 18 ג'יגה-בייט של משקלים לפני זיכרון הפעלה, והסקה דו-כיוונית אודיו-ויזואלית מוסיפה על כך את המקודד החזותי ולולאת זרימה רציפה של שנייה אחת. זו פריסה ברמת שרת, לא פריסה על מחשב נייד — וזה דבר שונה לחלוטין משיחת טלפון שעולה 0.08 דולר לדקה ומתחילה לעבוד כבר אחר הצהריים שבו נרשמים.

השני הוא שהרכיב המעניין ביותר אינו נמצא במשקלות. סביבת ההרצה הדו-לולאתית — לולאת אינטראקציה של שנייה אחת בתוספת מתזמן רקע שהמאמר מכנה Realtime-Venus-Harness, אשר מריץ משימות שהואצלו כנגד תמונת מצב מבודדת של מצב השיחה כך שמשימה ארוכת טווח לא תיפגע מכך שהשיחה ממשיכה הלאה — נמצאת במאגר GitHub נפרד. לכידת משימות סיבתית היא הרעיון החדש באמת בדוח, והיא החלק שאתם מרכיבים ובוטחים בו בעצמכם.

הנקודה האחרונה היא המקום שבו הארכיטקטורה של שתי המערכות מתכנסת, והיא הדבר המעשי שכדאי לקחת מהשילוב הזה. שתיהן פרונט-אנדים. Grok Voice 3.0 קוראת לכלים מתוך מערך כלים בעדכון הסשן שלה ומאצילה כל דבר כבד יותר לבקאנד שמשיב באופן סינכרוני. Realtime-Venus פולטת סמן האצלה אסינכרוני אל תוך הרצף הנסתר שלה ומעבירה את העבודה להארנס. בשני העיצובים החשיבה, האחזור והלוגיקה העסקית מתרחשים במודל טקסט רגיל מאחורי שכבת שיחה — והשכבה הזו היא החלק היחיד בכל אחד מהסטאקים שאתם יכולים לבחור בו בחופשיות.

OrcaRouter אינו כולל לא את Grok Voice 3.0 ולא את Realtime-Venus. מפגש Grok Voice שייך ל-WebSocket של SpaceXAI עצמה, ו-Realtime-Venus הוא הורדה שאיננו מגישים; לתאר נתב כיושב בתוך מפגש אודיו דופלקס פירושו לתאר משהו שאינו קיים. החלק המואצל שונה: 207 מודלים מיותר מתריסר ספקים במעלה הזרם מאחורי מפתח אחד במחיר המחירון של הספק ללא תוספת מחיר, עם מעבר אוטומטי לגיבוי כאשר ספק מתדרדר, ו-DSL לניתוב שמרכיב כמה מודלים לקריאה אחת. בארכיטקטורה כמו זו של Realtime-Venus, שבה רכיב באירוח עצמי שאינו מוכח מעביר עבודה למודל טקסט שגם אותו לא מדדתם, מעבר לגיבוי הוא ההבדל בין אחר צהריים גרוע עבור ספק אחד לבין שיחה שנפלה.

איזה מהם לבחור, ומתי התשובה משתנה

אם אתם משחררים משהו ברבעון הזה, Grok Voice 3.0 הוא היחיד מבין השניים שהוא החלטה ולא פרויקט. הוא מחזיק במקום הראשון בלוח התוצאות הציבורי, הוא מתחיל לדבר תוך 0.81 שניות, העלות שלו זהה לזו של המודל שהוא מחליף, וניתן לקרוא לו היום דרך נקודת קצה שפרמטרי הסשן שלה לא השתנו. נעצו את הגרסה שלכם קודם — הכינוי כבר זז פעמיים ברבעון הזה — ואז שחררו.

Realtime-Venus היא התשובה הנכונה לשאלה צרה בהרבה: האם אתה צריך מודל שצופה בחדר ומדבר על מה שנמצא בו, על חומרה בבעלותך, תחת רישיון שמאפשר לך לכוונן אותו? ליכולת הזו אין מקבילה מתארחת בשילוב הזה. ל-Grok Voice 3.0 אין קלט חזותי בכלל, וגם לא לשאר מודלי הקול המובילים בלוח. אם זו הדרישה שלך, ההורדה היא הדלת היחידה.

מה שישנה את הדף הזה הוא אותו הדבר שישנה את רוב הקטגוריה הזו. ספק הסקה שיציע את Realtime-Venus בתעריף מפורסם יהפוך ארטיפקט מחקרי למוצר ויהפוך את ההשוואה לאמיתית; שחזור שני ועצמאי של נתון 97% להמשכיות בקאנאל יכריע את המספר היחיד ששתי המערכות יכולות לחלוק כרגע. עד שאחד מהשניים יתממש, הסיכום המדויק הוא חד: אחד מאלה אפשר לקנות, ואחד מהם אפשר לקרוא. זה שאפשר לקרוא הוא המסמך המעניין יותר, וזה שאפשר לקנות הוא זה שעונה לטלפון.