Grok Voice 3.0 לעומת SeedRealtime: האחד הוא מודל הקול הטוב ביותר בלוח, והאחר אינו נמצא בלוח
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 59 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 763 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 39 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 2230 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-09-1040אינטליגנציה
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 57 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 122 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 לכל 1M טוקנים · 204 tok/s
- z-aiZ.ai: GLM 5.32026-08-1845אינטליגנציה75כתיבת קוד
להשוואה הזו יש צורה יוצאת דופן. Grok Voice 3.0 הוא מודל הדיבור-לדיבור בעל הניקוד הגבוה ביותר ש-Artificial Analysis מודדת, עם 86.9 במדד Speech to Speech נכון ל-13 באוקטובר 2026, במחיר של $0.08 לדקה, ונגיש היום דרך ה-API בזמן אמת של SpaceXAI. SeedRealtime — רשמית "SeedRealtime: An Audio-Visual Full-Duplex LLM", שפורסם על ידי צוות Seed של ByteDance ב-5 באוגוסט 2026 — אינו מופיע בלוח הזה בשום צורה. אין ציון מדד, אין רכיב הסקה, אין נתון דינמיקת שיחה, אין Elo בזירה, אין שיעור הצלחה במשימות, אין זמן עד לאודיו ראשון. זה לא ציון נמוך. שורה ריקה, כי המודל מעולם לא הוזן.
החלל הריק הזה הוא נקודת ההתחלה הכנה, כי אין זה מחדל מצד הדירקטוריון. ל-SeedRealtime אין API ציבורי, אין מזהה מודל, אין משקולות פתוחות, אין דוח טכני, אין מספר פרמטרים ואין מחיר מפורסם. הוא פועל בתוך אפליקציית הצרכנים Doubao של ByteDance, בחינם, בקול ובווידאו, והוא עושה זאת מאז השקתו. אין מה למדוד כי אין נקודת קצה למדוד, ואין דרך לקרוא לו כי אין למה לקרוא.
היכן שהם באמת נבדלים, וזה לא איכות
אם נשים את לוחות התוצאות בצד, שני המודלים עושים עבודות שונות בחדרים שונים.
Grok Voice 3.0 הוא מודל אודיו. הוא שומע ומדבר דרך WebSocket דופלקס, מחליט פעמים רבות בשנייה אם להמשיך להקשיב, להשהות, לקטוע או להפעיל כלי מתוך מערך ה-tools בעדכון הסשן שלו, והוא מחזיק חמישה ציוני רכיבים מדודים בתוספת המיקום העליון בארנה. הדור שקדם לו שווק על בסיס שיעור שגיאות מילים ב-24 שפות ופי 1.5 עד 2.0 פחות שגיאות לעומת מודלים ייעודיים לתמלול — לפי דיווח הספק, מעולם לא שוחזר באופן עצמאי, ולא הוזכר שוב בחומר ההשקה החדש יותר.
SeedRealtime שומע ורואה ברשת אחת. ByteDance מתארת מסגרת מאוחדת שבה תפיסה, הבנה, קבלת החלטות ויצירת תגובות מתרחשות בתוך מודל יחיד ולא במפל, כאשר חילופי התורות נקבעים באופן פנימי וללא גלאי פעילות קולית חיצוני כלל. ההדגמות שפורסמו שלה כוללות ארוחת ערב קבוצתית רועשת שבה המודל צריך לקשור קולות לזהויות, ביקור במוזיאון שבו הוא מציע מידע כאשר מוצג מטרה נכנס לשדה הראייה, תהליך עבודה של אספרסו שהוא מתקן בזמן אמת, ותרחיש שדה תעופה שבו הוא מתעלם מפטפטת לא קשורה, נזכר בלוח יציאות מהמועד הקודם בסשן ועולה לרשת כדי למצוא מספר קרוסלת מזוודות.
• קלטים — אודיו וטקסט של Grok Voice 3.0, עם כלים; SeedRealtime אודיו, וידאו וטקסט ממוזגים במודל אחד.
• חילופי תורות — Grok Voice 3.0 משתמש בזיהוי פעילות קולית בצד השרת המוגדר לפי סשן; SeedRealtime מסיר את ה-VAD החיצוני ומעביר את ההחלטה לתוך המודל.
• התנהגות יזומה — Grok Voice 3.0 מגיב וקורא לכלים; SeedRealtime מתואר כמי שמשמיע את קולו ללא הנחיה כאשר אובייקט רלוונטי מופיע בשדה הראייה.
• השהיה — Grok Voice 3.0 מפרסם 0.81 שניות עד לאודיו הראשון; SeedRealtime אינו מפרסם נתון השהיה כלל, רק יעד במפת דרכים לצמצם את זמן ההשהיה מקצה לקצה.
• מחיר — Grok Voice 3.0 $0.08 לדקה בתוספת $0.004 לכל קלט טקסט; ל-SeedRealtime אין מחיר ואין הצעה מסחרית, והוא חינמי בתוך אפליקציה צרכנית.
• נגישות — Grok Voice 3.0 זמין למפתחים עם נקודת קצה מתועדת ומסלול אסימון זמני לחיבורים בצד הלקוח; SeedRealtime מיועד בראש ובראשונה לסין היבשתית דרך Doubao, שבדרך כלל דורש מספר נייד של סין היבשתית כדי להירשם, ללא הכרזה על מוצר ממוקם באנגלית.
• ראיות — ל-Grok Voice 3.0 יש חמש מדידות רכיבים בלתי תלויות בתוספת מדד משולב; ל-SeedRealtime יש הערכה אנושית פנימית אחת.
בעיית הראיות, בניסוח מדויק
הטענה הכמותית היחידה ש-ByteDance מציגה בנוגע ל-SeedRealtime היא שהערכות אנושיות מקצה לקצה מראות שהוא מפחית בחצי את בעיות הקצב בשיחה לעומת מערכות משורשרות של ASR ועוד ראייה ועוד TTS — פחות קטיעות באמצע משפט, פחות תגובות איטיות לאחר הפסקה, פחות הפעלות שווא בשל פטפוטי רקע. אין גודל מדגם, אין מספר מתייגים, אין שם של מבחן השוואה, אין מתודולוגיה ואין נתון מדויק. הטענה היא שהבעיה פחתה בערך בחצי, והיא מגיעה מהצוות שפיתח את המודל.
השוו זאת למה שידוע על Grok Voice 3.0. הציון המשולב שלו, 86.9, מתפרק לנתון חשיבה, נתון של דינמיקת שיחה, ציון אג'נטי, Elo של העדפות בזירה ושיעור הצלחה במשימות, שכל אחד מהם נמדד תחת מערך בדיקות מפורסם, כאשר לוח הבסיס קריא לכל. זה לא הופך את המספרים לבלתי מעורערים — מדד משולב הוא בחירת שקלול, ורכיב הזירה מוקפא בנקודה שבה מודל נעשה זכאי לפרסום במקום לעקוב אחר Elo חי — אבל זה אומר שצוות חיצוני יכול לבדוק את החשבון ולחלוק על המסקנה במקום להיות חסר יכולת לגבש אחת.
שני המודלים נושאים גם טענות של ספקים לגבי פריסות הייצור שלהם עצמם, ושתי קבוצות הטענות אינן ניתנות לאימות באותה צורה. SpaceXAI מדווחת שמרכזי שירות טלפוני של Starlink מטפלים ב-20,000 שיחות לקוחות ביום במספר שפות, כשלכ-70% מהן נפתרות ללא מעורבות אדם, ומיליוני שיחות יומיות ב-Tesla וב-SpaceX. ByteDance מדווחת על פריסה מלאה ב-Doubao בערוצי קול וווידאו. אלה האותות הזמינים החזקים ביותר לכך שהמערכות עובדות בעולם האמיתי, ובו-זמנית הראיות הזמינות החלשות ביותר לקורא, משום שאף אחד מהן אינו ניתן לביקורת חיצונית, ושניהם מתארים שירותים ולא מודלים.
על מה אפשר לבנות, ועל מה אי אפשר
הנה החלק שמכריע את ההשוואה ללא תלות ביכולת. רק אחד מהשניים הוא רכיב. האחר הוא המחשה של איך נראית ארכיטקטורה מתכנסת.
Grok Voice 3.0 משתלב ב-stack עם מחרוזת מודל, או בלי דבר כלל אם פרסתם מול grok-voice-latest, שהועבר אליו אוטומטית ב-14 באוקטובר. אותה נקודת קצה בזמן אמת, אותם פרמטרי סשן, אותם שמות אירועים, אותה קבוצת קולות מובנית ואותה נקודת קצה לקול מותאם אישית כמו בדור שהוא מחליף. כלים בהיקף הסשן מאפשרים לסוכן לקרוא ל-backend שלכם באמצע השיחה. יש עלות אינטגרציה, והיא נמדדת בדקות.
לא ניתן לפרק את SeedRealtime, וזה עניין ארכיטקטוני ולא מסחרי. אין חצי היסקי להחליף, משום שהחשיבה נמצאת באותה רשת שבה נמצאים ההקשבה וההסתכלות; אין משטח מתארח לנתב אליו, אין מכסה לקנות, ואין מפתח להשיג. היכולת שלה אמיתית וההדגמות שלה הן המרשימות ביותר בקטגוריה. היא גם, עבור כל מי שמחוץ לשוק הצרכני של ByteDance, אינה מוצר שאפשר להציג ללקוח ברבעון הזה.
אזהרה אחת שראוי לומר אותה בבירור, משום שמדובר במצב כשל פעיל: לפחות בלוג צד שלישי אחד מתאר את SeedRealtime כזמין דרך נתב מודלים. אין נקודת קצה שאליה אפשר לנתב, ולכן כל דבר שמפרסם גישה ל-SeedRealtime מפרסם משהו אחר. באופן קשור, חיפושים אחר ה-API הקולי בזמן אמת של ByteDance חושפים את מודל הדיבור בזמן אמת מקצה לקצה של Volcano Engine, שזו מערכת שונה, שמטפלת בשמע בלבד — אם השוויתם את המכסה והתמחור המפורסמים של אותו מודל מול Grok Voice 3.0, השוויתם את המוצר הלא נכון.
איפה הראוטר בעצם מתאים
אף אחד מהמודלים אינו מוגש על ידי OrcaRouter, וכדאי להיות גלויים לגבי הסיבה שהמסגור הזה בדרך כלל טועה. Grok Voice 3.0 מגיע ממקור יחיד של xAI ו-SeedRealtime אינו נמכר על ידי אף אחד. שום שכבת ניתוב לא משנה אף אחת מהעובדות הללו, ופלטפורמה שטוענת אחרת מתארת יכולת שאין לה.
מה ששכבת ניתוב משנה הוא רובד הטקסט שמתחת לקול. כל אחת מהפריסות האלה היא מודל קולי בתוספת סטאק של מודלי שפה: ה-backend של הכלים שאליו פונה המודל הקולי, המסווג שקורא את התמלול לאחר מכן, המסכם שכותב את הרשומה, והשליפה שעונה למה ששכבת הקול נאלצה להעביר הלאה. העבודה הזו נמדדת לפי בקשות, ושם מצטבר נתח משמעותי מהעלות לכל שיחה. זה מה שאנחנו מריצים — למעלה מ-200 מודלים מאחורי מפתח יחיד במחיר המחירון של הספק וללא תוספת מחיר, מעבר אוטומטי בין ספקים בעת כשל, וכן DSL לניתוב להרכבת כמה מודלים לקריאה אחת — וזה החצי של מוצר קולי שאפשר להשאיר קבוע בזמן שמודל האודיו שמתחתיו משתנה, מה שבהתחשב בכך ששכבת האודיו מוחלפת בקלילות כזו הוא תכונה ששווה להחזיק בה.
פסק הדין
אם אתם בונים עכשיו סוכן קולי, Grok Voice 3.0 הוא הבחירה, והסיבה אינה המדד. הסיבה היא שהוא מחזיק בציון המשולב הגבוה ביותר ובמיקום המוביל בארנה, הוא מפרסם את זמן ההתחלה-עד-דיבור המהיר ביותר בקבוצת החזית — 0.81 שניות — הוא עולה אותו דבר לדקה כמו המודל שהוא מחליף, והוא זמין היום עם נקודת קצה מתועדת. אלו ארבע סיבות נפרדות, ואף אחת מהן לא דורשת לסמוך על מספר שאיש לא יכול לבדוק.
בחר ב-SeedRealtime — או ליתר דיוק, חכה לו — רק אם המוצר שלך תלוי בדבר הספציפי שהוא עושה שאין שום דבר אחר שעושה: לקרוא חדר. אודיו-ויזואלי דופלקס מלא עם עיניים על הסצנה הוא יכולת שאף מודל קולי מערבי מתארח לא מציע כרגע, וההדגמות של ByteDance של היכולת הזו משכנעות. הטריגר שכדאי לשים לב אליו הוא API למפתחים של ByteDance ב-Volcano Engine או BytePlus עם תעריף מפורסם, מה שיהפוך מקרה בוחן למוצר בלי מתחרה מתארח. עד שזה יופיע, המודל נשאר ברשימת המעקב ולא בארכיטקטורה, וכל מאמר שמתיימר להשוות אותו למודל של לוח דירוג משווה לוח תוצאות לסרטון.
גם בהשוואות כמו זו מתגלים מצבי הכשל: התקריות המתועדות ב-AI וכשלי סוכנים מאחורי מודלים בקטגוריה הזו נאספים ב-OrcaRouter AI Incident Archive, שם כל רשומה נושאת את מקורותיה, החומרה, דרגת הוודאות ודגל המחלוקת שלה.
