Grok Voice 3.0 vs Realtime-Venus: Yang Punya Kartu Tarif Tidak Bisa Melihat, dan Yang Bisa Melihat Tidak Punya Kartu Tarif

Ada garis pemisah yang jelas membentang melalui suara full-duplex pada akhir 2026, dan itu bukan kualitas. Grok Voice 3.0, diumumkan oleh SpaceXAI pada 14 Oktober 2026, menempati baris teratas Indeks Speech to Speech Artificial Analysis di 86,9 dengan $0,08 per menit audio, dan ia tidak mempersepsikan apa pun selain suara. Realtime-Venus, sistem 9B dua-checkpoint dari Venus Team milik Ant Group bersama Universitas Tsinghua yang laporan teknisnya dimuat di arXiv pada 12 September 2026, mengalirkan frame kamera melalui encoder SigLIP2 dan berbicara tentang apa yang dilihatnya — dan ia tidak memiliki API, tidak ada harga, tidak ada endpoint yang dihosting, dan tidak ada evaluasi independen dalam bentuk apa pun. Semua yang dapat Anda beli mendengar. Semua yang melihat, harus Anda jalankan sendiri.

Kesenjangan persepsi adalah keseluruhan perbandingannya.

Keduanya tidak berbeda hanya beberapa poin pada tolok ukur yang sama. Keduanya berbeda dalam hal apa yang secara fisik mampu mereka serap, dan konsekuensinya menjalar hingga ke apa yang bisa Anda bangun.

• Masukan — Grok Voice 3.0 menerima audio dan teks dengan array alat; Realtime-Venus-Omni menerima video atau gambar, audio dan teks, dengan visi yang dilebur ke dalam jaringan yang sama, bukan sekadar ditempelkan.

• Pergantian giliran — Grok Voice 3.0 menggunakan deteksi aktivitas suara di sisi server yang dikonfigurasi per sesi; Realtime-Venus memindahkan keputusan itu ke dalam model, tanpa detektor eksternal sama sekali.

• Keluaran — Grok Voice 3.0 menghasilkan ucapan dan transkrip; Realtime-Venus menghasilkan teks dan, secara opsional, bentuk gelombang ucapan yang didekodekan dari token S3 diskret oleh decoder flow-matching streaming, bukan oleh tahap text-to-speech terpisah.

• Keterjangkauan — Grok Voice 3.0 aktif melalui WebSocket real-time SpaceXAI, dengan code>grok-voice-latest/code> kini mengarah ke sana dan pendahulunya sudah usang; Realtime-Venus adalah dua checkpoint BF16 di bawah Apache-2.0 di code>inclusionAI/Realtime-Venus/code> di Hugging Face, dan kartu tersebut menyatakan dengan gamblang bahwa model tersebut tidak di-deploy oleh penyedia inferensi mana pun.

• Keterukuran — Grok Voice 3.0 memiliki indeks komposit 86,9 dengan lima komponen yang dapat dibaca dan Elo arena 1070; Realtime-Venus memiliki angka yang dilaporkan penulis dari laporan teknisnya sendiri dan tidak memiliki entri papan peringkat, karena tidak ada endpoint yang dapat dijadikan sasaran harness oleh pihak ketiga.

• Harga — $0,08 per menit audio ditambah $0,004 per input teks, dibandingkan dengan tanpa biaya sama sekali.

Baca dua baris terakhir bersama-sama dan bentuk keputusannya muncul: sistem dengan angka yang diaudit adalah sistem yang tidak dapat melihat, dan yang dapat melihat belum pernah diukur oleh siapa pun yang tidak membangunnya.

Apa yang sebenarnya diklaim oleh laporan itu, dan berapa biaya untuk memeriksanya

Angka-angka Realtime-Venus berasal dari laporannya sendiri dan kartu modelnya, tidak ada pihak di luar para penulis yang mereproduksinya, dan tidak ada posisi di arena untuk dijadikan pembanding. Bacalah itu sebagai hasil pengukuran para penulis.

• Tolok ukur video, Realtime-Venus-Omni — skor terbaik pada enam dari delapan tolok ukur yang digunakan dalam laporan, termasuk StreamingBench 70,2, OVO-Bench 64,7, dan Daily-Omni 81,3.

• Tolok ukur audio, Realtime-Venus-Audio — MMAU 78,0, MMAU-Pro 63,2, Llama Questions 83,8, Speech CMMLU 67,8, dan skor VoiceBench AlpacaEval sebesar 4,81 yang menurut laporan menyamai angka pembanding terbaik.

• Full-Duplex-Bench v1.5 — respons terhadap 75% interupsi pengguna, dengan tingkat kelanjutan 97% pada backchannel, 88% pada ujaran yang ditujukan kepada orang lain, dan 86% pada ujaran latar belakang, dinyatakan melampaui Gemini 3.1 Live dan GPT-4o pada ketiga metrik kelanjutan tersebut.

• Konteks dan format — 40,960 token pada kedua checkpoint, bobot BF16, bahasa Inggris dan bahasa Mandarin.

Angka Daily-Omni adalah yang patut direnungkan, karena di situlah angka-angka laporan itu sendiri melakukan sesuatu yang berguna. MiniCPM-o 4.5, model omni-modal 9B yang dirilis open-source oleh OpenBMB pada awal 2026, melaporkan 80,2 pada benchmark yang sama — dan kartu Realtime-Venus menyatakan checkpoint Omni diadaptasi darinya. Realtime-Venus-Omni melaporkan 81,3. Jika keduanya bertahan, peningkatan dari upaya pasca-pelatihan, runtime, dan delegasi yang substansial kira-kira satu poin pada benchmark yang sudah ditangani dengan baik oleh model dasar. Itu hasil yang realistis untuk pekerjaan semacam ini dan cerita yang jauh lebih tidak dramatis daripada "terbaik pada enam dari delapan."

Terhadap papan skor yang diduduki Grok Voice 3.0

Letakkan keduanya berdampingan secara jujur dan perbandingannya asimetris dengan cara yang tidak menguntungkan keduanya.

Dalam hal dinamika percakapan, satu-satunya sumbu yang kedua sistem sama-sama melaporkan sesuatu untuknya, kelanjutan 97% Realtime-Venus dalam kondisi backchannel lebih tinggi daripada 97,0% yang dicatat Grok Voice 3.0 pada Full Duplex Bench. Perangkat ujinya berbeda, versinya berbeda, dan salah satu dari keduanya belum pernah dijalankan oleh pihak luar — jadi pembacaan yang jujur adalah bahwa Realtime-Venus mengklaim setara atau sedikit lebih baik pada satu-satunya metrik yang angkanya bahkan bisa disebutkan dalam satu kalimat, dan klaim itu hanya memiliki satu pembaca.

Dalam semua hal lainnya, keduanya tidak dapat dibandingkan, karena hanya satu di antaranya yang ada di papan peringkat. Komposit Grok Voice 3.0 sebesar 86,9 terurai menjadi angka penalaran yang mendekati batas atas, skor dupleks 97,0%, 71,6% pada τ-Voice, Elo 1070 pada preferensi arena, dan keberhasilan tugas 94,8%, masing-masing diukur dengan harness terbitan yang dapat dibaca dan diperdebatkan oleh siapa pun. Komposit adalah pilihan pembobotan dan komponen arena dibekukan pada titik ketika sebuah model menjadi memenuhi syarat, bukan melacak Elo secara live — tetapi tim dari luar dapat memeriksa aritmetikanya dan tidak menyetujui kesimpulannya, alih-alih tidak mampu membentuknya.

Itulah perbedaan sesungguhnya dalam kualitas bukti, dan layak dinyatakan tanpa kata sifat dari pihak mana pun. Kedua model tersebut menyertakan klaim vendor tentang deployment produksi mereka sendiri. SpaceXAI melaporkan pusat panggilan Starlink yang menangani 20.000 panggilan pelanggan sehari dalam berbagai bahasa dengan sekitar 70% diselesaikan tanpa manusia, plus jutaan percakapan harian di seluruh Tesla dan SpaceX. Ant Group tidak melaporkan apa pun tentang deployment sama sekali, karena memang tidak ada deployment — hanya sebuah makalah, repositori, dan harness. Tak satu pun dari kedua kumpulan itu dapat diaudit dari luar, dan hanya satu di antaranya yang bahkan berupaya untuk bisa diaudit.

Apa yang sebenarnya terlibat dalam menjalankan Realtime-Venus

Unduhannya nyata. Dua direktori checkpoint dengan safetensors terpecah, kode Transformers khusus yang dimuat dengan code>trust_remote_code=True/code>, berkas requirements, aset token-ke-waveform, suara referensi, dan lisensi Apache-2.0. Streaming dupleks penuh dimasuki dengan satu pergantian metode, dan loop yang didokumentasikan adalah satu detik prefill streaming yang diikuti oleh generasi streaming, lalu diulang. Memori video panjang diaktifkan dengan parameter memory-minutes dan digambarkan sebagai tanpa pelatihan, yang tidak biasa untuk kemampuan yang biasanya memerlukan fine-tuning.

Ada dua hal tentangnya yang lebih penting daripada spesifikasinya.

Yang pertama adalah batas bawah perangkat keras. Model 9B dalam BF16 berukuran sekitar delapan belas gigabita hanya untuk bobotnya, sebelum memori aktivasi, dan inferensi dupleks audio-visual menambahkan encoder visual serta loop streaming berkelanjutan selama satu detik di atasnya. Itu adalah penerapan kelas server, bukan kelas laptop — dan itu proposisi yang berbeda dari panggilan telepon yang berbiaya $0,08 per menit dan langsung berfungsi pada sore hari saat Anda mendaftar.

Yang kedua adalah bahwa komponen yang paling menarik tidak terletak pada bobotnya. Runtime loop ganda — loop interaksi satu detik ditambah penjadwal latar belakang yang oleh makalah itu disebut Realtime-Venus-Harness, yang menjalankan tugas-tugas yang didelegasikan terhadap snapshot terisolasi dari status percakapan sehingga pekerjaan yang berjalan lama tidak dapat rusak oleh percakapan yang terus berlanjut — berada di repositori GitHub terpisah. Penangkapan tugas kausal adalah gagasan yang benar-benar baru dalam laporan tersebut, dan itulah bagian yang Anda rakit dan percayai sendiri.

Poin terakhir itulah titik ketika arsitektur kedua sistem bertemu, dan itulah hal praktis yang bisa diambil dari penyandingan ini. Keduanya adalah front end. Grok Voice 3.0 memanggil tool dari sebuah array tools dalam pembaruan sesinya dan mendelegasikan apa pun yang lebih berat ke backend yang merespons secara sinkron. Realtime-Venus memancarkan penanda delegasi asinkron ke dalam urutan tersembunyinya sendiri dan menyerahkan pekerjaan itu ke harness. Dalam kedua desain, proses berpikir, pengambilan, dan logika bisnis terjadi di model teks biasa di balik lapisan percakapan — dan lapisan itulah satu-satunya bagian dari kedua stack yang bisa Anda pilih dengan bebas.

OrcaRouter tidak membawa Grok Voice 3.0 maupun Realtime-Venus. Sesi Grok Voice adalah milik WebSocket SpaceXAI sendiri, dan Realtime-Venus adalah unduhan yang tidak kami layani; menggambarkan router sebagai berada di dalam sesi audio dupleks berarti menggambarkan sesuatu yang tidak ada. Kaki yang didelegasikan berbeda: 207 model dari lebih dari selusin upstream di balik satu kunci pada harga daftar penyedia tanpa markup, dengan failover otomatis saat penyedia menurun dan DSL perutean yang menyusun beberapa model menjadi satu panggilan. Untuk arsitektur seperti milik Realtime-Venus, di mana komponen self-hosted yang belum terbukti menyerahkan pekerjaan ke model teks yang juga belum Anda benchmark, failover adalah perbedaan antara sore yang buruk bagi satu penyedia dan panggilan yang terputus.

Mana yang harus dipilih, dan kapan jawabannya berubah

Jika Anda akan merilis sesuatu kuartal ini, Grok Voice 3.0 adalah satu-satunya di antara keduanya yang merupakan keputusan, bukan proyek. Ia memuncaki papan peringkat publik, mulai berbicara dalam 0,81 detik, biayanya sama dengan model yang digantikannya, dan dapat dipanggil hari ini melalui endpoint yang parameter sesinya tidak berubah. Sematkan versi Anda terlebih dahulu — aliasnya sudah berpindah dua kali kuartal ini — lalu rilis.

Realtime-Venus adalah jawaban yang tepat untuk pertanyaan yang jauh lebih sempit: apakah Anda memerlukan model yang mengamati sebuah ruangan dan membicarakan apa yang ada di dalamnya, pada perangkat keras yang Anda miliki, di bawah lisensi yang memungkinkan Anda melakukan fine-tuning terhadapnya? Kemampuan itu tidak memiliki padanan yang dihosting dalam pasangan ini. Grok Voice 3.0 sama sekali tidak memiliki input visual, dan model suara terdepan lainnya di papan peringkat juga tidak. Jika itu kebutuhan Anda, unduhan adalah satu-satunya pintu.

Yang akan mengubah halaman ini adalah hal yang sama yang akan mengubah sebagian besar kategori ini. Penyedia inferensi yang menyediakan Realtime-Venus dengan tarif yang dipublikasikan akan mengubah artefak riset menjadi produk dan membuat perbandingan itu nyata; reproduksi independen kedua atas angka kelanjutan backchannel 97% akan menuntaskan satu angka yang untuk saat ini dapat dimiliki bersama oleh kedua sistem. Sampai salah satunya terwujud, ringkasan yang akurat itu lugas: salah satunya bisa Anda beli, dan satunya lagi bisa Anda baca. Yang bisa Anda baca adalah dokumen yang lebih menarik, dan yang bisa Anda beli adalah yang menjawab telepon.