Grok Voice 3.0 vs SeedRealtime: Salah Satunya Adalah Model Suara Terbaik di Papan Peringkat, yang Lainnya Tidak Ada di Papan Peringkat

Perbandingan ini memiliki bentuk yang tidak biasa. Grok Voice 3.0 adalah model speech-to-speech dengan skor tertinggi yang diukur Artificial Analysis, dengan nilai 86,9 pada Speech to Speech Index per 13 Oktober 2026, dibanderol $0,08 per menit dan dapat diakses hari ini melalui API realtime SpaceXAI. SeedRealtime — secara formal "SeedRealtime: An Audio-Visual Full-Duplex LLM", dirilis oleh tim Seed ByteDance pada 5 Agustus 2026 — tidak muncul di papan peringkat itu dalam bentuk apa pun. Tidak ada skor indeks, tidak ada komponen penalaran, tidak ada angka dinamika percakapan, tidak ada Elo arena, tidak ada tingkat keberhasilan tugas, tidak ada waktu hingga audio pertama. Bukan skor rendah. Baris kosong, karena model tersebut belum pernah dimasukkan.

Kekosongan itu adalah titik awal yang jujur, karena itu bukan kelalaian dari dewan. SeedRealtime tidak memiliki API publik, tidak memiliki ID model, tidak memiliki bobot terbuka, tidak memiliki laporan teknis, tidak memiliki jumlah parameter, dan tidak memiliki harga yang dipublikasikan. Ia berjalan di dalam aplikasi konsumen Doubao milik ByteDance, gratis, dalam suara dan video, dan telah demikian sejak dirilis. Tidak ada yang bisa diukur karena tidak ada endpoint yang bisa diukur, dan tidak ada cara untuk memanggilnya karena tidak ada yang bisa dipanggil.

Ketika mereka benar-benar berbeda, dan itu bukan soal kualitas

Kesampingkan papan skor, dan kedua model itu melakukan pekerjaan yang berbeda di ruangan yang berbeda.

Grok Voice 3.0 adalah model audio. Ia mendengar dan berbicara melalui WebSocket dupleks, memutuskan berkali-kali per detik apakah akan terus mendengarkan, menjeda, menyela, atau memanggil alat dari array tools dalam pembaruan sesinya, dan ia memegang lima skor komponen terukur plus posisi teratas di arena. Generasi pendahulunya dipasarkan berdasarkan word error rate di 24 bahasa dan error 1,5 hingga 2,0 kali lebih rendah daripada model transkripsi khusus — dilaporkan vendor, tidak pernah direproduksi secara independen, dan tidak dinyatakan ulang dalam materi peluncuran yang lebih baru.

SeedRealtime mendengar dan melihat dalam satu jaringan. ByteDance menjabarkan kerangka kerja terpadu di mana persepsi, pemahaman, pengambilan keputusan, dan pembangkitan respons terjadi di dalam satu model, bukan dalam sebuah kaskade, dengan giliran bicara ditentukan secara internal dan sama sekali tanpa detektor aktivitas suara eksternal. Demonstrasi yang dipublikasikannya mencakup makan malam kelompok yang bising tempat model harus mengaitkan suara dengan identitas, kunjungan museum tempat model secara proaktif memberikan informasi saat pameran target masuk ke dalam pandangan, alur kerja espresso yang dikoreksinya secara real time, dan skenario bandara tempat model mengabaikan obrolan yang tidak berkaitan, mengingat kembali papan keberangkatan dari bagian awal sesi, dan mengakses internet untuk nomor carousel bagasi.

• Input — audio dan teks Grok Voice 3.0, dengan alat; audio, video, dan teks SeedRealtime yang digabungkan dalam satu model.

• Pergantian giliran — Grok Voice 3.0 menggunakan deteksi aktivitas suara sisi server yang dikonfigurasi per sesi; SeedRealtime menghapus VAD eksternal dan memindahkan pengambilan keputusan ke dalam model.

• Perilaku proaktif — Grok Voice 3.0 merespons dan memanggil tools; SeedRealtime digambarkan bersuara tanpa diminta saat objek relevan muncul di pandangan.

• Latensi — Grok Voice 3.0 mempublikasikan 0,81 detik hingga audio pertama; SeedRealtime sama sekali tidak mempublikasikan angka latensi, hanya target peta jalan untuk menekan latensi end-to-end.

• Harga — Grok Voice 3.0 $0,08 per menit ditambah $0,004 per input teks; SeedRealtime tidak memiliki harga dan tidak ada penawaran komersial, serta gratis di dalam aplikasi konsumen.

• Jangkauan — Grok Voice 3.0 sudah aktif bagi pengembang dengan endpoint yang terdokumentasi dan jalur token sementara untuk koneksi sisi klien; SeedRealtime mengutamakan Tiongkok daratan melalui Doubao, yang biasanya memerlukan nomor ponsel Tiongkok daratan untuk mendaftar, tanpa produk berbahasa Inggris yang dilokalkan yang diumumkan.

• Bukti — Grok Voice 3.0 memiliki lima pengukuran komponen independen ditambah satu komposit; SeedRealtime memiliki satu evaluasi manusia internal.

Masalah bukti, dinyatakan secara tepat

Klaim kuantitatif tunggal yang dibuat ByteDance tentang SeedRealtime adalah bahwa evaluasi manusia end-to-end menunjukkan bahwa hal itu mengurangi separuh masalah ritme percakapan dibandingkan dengan sistem bertingkat ASR-plus-vision-plus-TTS — lebih sedikit pemotongan di tengah kalimat, lebih sedikit balasan lambat setelah jeda, lebih sedikit pemicu palsu dari obrolan latar belakang. Tidak ada ukuran sampel, tidak ada jumlah anotator, tidak ada nama tolok ukur, tidak ada metodologi dan tidak ada angka pasti. Klaimnya adalah bahwa masalahnya menjadi sekitar setengah lebih ringan, dan itu berasal dari tim yang membangun model tersebut.

Bandingkan itu dengan apa yang dapat diketahui tentang Grok Voice 3.0. Komposit 86,9 miliknya terurai menjadi angka penalaran, angka dinamika percakapan, skor agentik, Elo preferensi arena, dan tingkat keberhasilan tugas, yang masing-masing diukur dengan harness yang dipublikasikan, dengan papan dasarnya dapat dibaca oleh siapa pun. Itu tidak membuat angka-angka tersebut tak terbantahkan — indeks komposit adalah pilihan pembobotan, dan komponen arena dibekukan pada titik ketika sebuah model memenuhi syarat untuk dipublikasikan alih-alih melacak Elo secara langsung — tetapi itu berarti tim luar dapat memeriksa aritmetikanya dan tidak setuju dengan kesimpulannya, bukan berarti tidak mampu membentuk kesimpulan sendiri.

Kedua model itu juga membawa klaim vendor tentang penerapan produksi mereka sendiri, dan kedua kumpulan klaim tersebut tidak dapat diverifikasi dengan cara yang sama. SpaceXAI melaporkan pusat panggilan Starlink menangani 20.000 panggilan pelanggan sehari dalam berbagai bahasa dengan sekitar 70% diselesaikan tanpa manusia, dan jutaan percakapan harian di seluruh Tesla dan SpaceX. ByteDance melaporkan peluncuran penuh di Doubao untuk suara dan video. Ini adalah sinyal terkuat yang tersedia bahwa sistem tersebut berfungsi di dunia nyata, sekaligus bukti terlemah yang tersedia bagi pembaca, karena keduanya tidak dapat diaudit dari luar dan keduanya menggambarkan layanan, bukan model.

Apa yang dapat Anda jadikan landasan, dan apa yang tidak

Inilah bagian yang menyelesaikan perbandingan tersebut terlepas dari kemampuan. Hanya satu dari dua ini yang merupakan komponen. Yang lainnya adalah demonstrasi tentang seperti apa arsitektur terkonvergensi itu.

Grok Voice 3.0 masuk ke dalam stack dengan string model, atau tanpa apa pun sama sekali jika Anda melakukan deployment terhadap grok-voice-latest, yang secara otomatis dialihkan ke versi tersebut pada 14 Oktober. Endpoint realtime yang sama, parameter sesi yang sama, nama peristiwa yang sama, set suara bawaan yang sama, dan endpoint suara kustom yang sama seperti generasi yang digantikannya. Alat dengan cakupan sesi memungkinkan agen memanggil backend Anda di tengah percakapan. Ada biaya integrasi, dan itu diukur dalam hitungan menit.

SeedRealtime tidak dapat didekomposisi, dan itu bersifat arsitektural, bukan komersial. Tidak ada separuh penalaran untuk ditukar, karena pemikiran berada di dalam jaringan yang sama dengan pendengaran dan penglihatan; tidak ada permukaan hosting untuk dirutekan, tidak ada kuota untuk dibeli, tidak ada kunci untuk diperoleh. Kemampuannya nyata dan demonstrasinya adalah yang paling mencolok di kategori ini. Bagi siapa pun di luar pasar konsumen ByteDance, ini juga bukan produk yang bisa Anda hadapkan kepada pelanggan kuartal ini.

Satu peringatan yang perlu disampaikan secara gamblang, karena ini adalah mode kegagalan yang masih berlangsung: setidaknya satu blog pihak ketiga saat ini menggambarkan SeedRealtime sebagai tersedia melalui router model. Tidak ada endpoint untuk dirutekan, jadi apa pun yang mengiklankan akses SeedRealtime sebenarnya mengiklankan hal lain. Terkait hal itu, penelusuran untuk API suara realtime ByteDance memunculkan model ucapan realtime end-to-end milik Volcano Engine, yang merupakan sistem berbeda dan hanya audio — jika Anda telah membandingkan kuota dan harga yang dipublikasikan model tersebut dengan Grok Voice 3.0, Anda telah membandingkan produk yang salah.

Di mana router sebenarnya cocok

Tidak satu pun dari model tersebut dilayani oleh OrcaRouter, dan perlu bersikap terus terang tentang mengapa pembingkaian ini biasanya keliru dalam hal tersebut. Grok Voice 3.0 hanya bersumber dari xAI, dan SeedRealtime tidak dijual oleh siapa pun. Tidak ada lapisan perutean yang mengubah kedua fakta itu, dan platform yang mengklaim sebaliknya sedang menggambarkan kemampuan yang tidak dimilikinya.

Yang diubah oleh lapisan routing adalah tingkat teks di bawah suara. Setiap penerapan ini adalah model suara plus tumpukan model bahasa: backend alat yang dipanggil model suara, pengklasifikasi yang membaca transkrip setelahnya, peringkas yang menulis catatan, serta pengambilan yang menjawab apa yang harus diserahkan oleh lapisan suara. Pekerjaan itu diukur per permintaan dan di situlah sebagian signifikan dari biaya per panggilan menumpuk. Itulah yang kami jalankan — lebih dari 200 model di balik satu kunci pada harga daftar penyedia tanpa markup, failover otomatis antar penyedia, dan DSL routing untuk menggabungkan beberapa model menjadi satu panggilan — dan itulah separuh dari produk suara yang dapat Anda jaga tetap konstan sementara model audio di bawahnya berubah, yang mengingat betapa santainya lapisan audio ditukar adalah properti yang layak dimiliki.

Putusan

Jika Anda sedang membangun agen suara sekarang, Grok Voice 3.0 adalah pilihannya, dan alasannya bukan indeksnya. Alasannya adalah model ini memegang komposit tertinggi dan posisi teratas di arena, ia menerbitkan waktu mulai-ke-berbicara tercepat di kelompok terdepan pada 0,81 detik, biayanya sama per menit dengan model yang digantikannya, dan ia sudah aktif dengan endpoint terdokumentasi hari ini. Itu empat alasan terpisah, dan tidak satu pun dari alasan itu mengharuskan Anda mempercayai angka yang tidak dapat diperiksa siapa pun.

Pilih SeedRealtime — atau lebih tepatnya, tunggu dulu — hanya jika produk Anda bergantung pada hal spesifik yang dilakukannya dan tidak dilakukan oleh apa pun lain: membaca suasana ruangan. Full duplex audio-visual dengan mata yang mengamati adegan adalah kemampuan yang saat ini tidak ditawarkan oleh model suara Barat yang dihosting, dan demonstrasi ByteDance untuk itu meyakinkan. Pemicu untuk diperhatikan adalah API pengembang ByteDance di Volcano Engine atau BytePlus dengan tarif yang dipublikasikan, yang akan mengubah studi kasus menjadi produk tanpa pesaing yang dihosting. Sampai itu muncul, model ini tetap ada di daftar pantau, bukan di dalam arsitektur, dan artikel mana pun yang mengklaim membandingkannya dengan model papan peringkat sedang membandingkan papan skor dengan video.

Perbandingan seperti ini juga menjadi tempat munculnya mode kegagalan: insiden AI yang terdokumentasi dan kegagalan agen di balik model di kelas ini dikumpulkan di OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda disengketakan.