Grok Voice 3.0 vs SeedRealtime：一方はボード上の最高の音声モデル、もう一方はボードに載っていない。

この比較は珍しい形をしている。Grok Voice 3.0Artificial Analysis が測定する中で最高スコアの音声対音声モデルであり、2026年10月13日時点で Speech to Speech Index において86.9、価格は1分あたり0.08ドル、そして今日 SpaceXAI のリアルタイム API を通じて利用できる。SeedRealtime — 正式名称は「SeedRealtime: An Audio-Visual Full-Duplex LLM」で、ByteDance の Seed チームが2026年8月5日に公開した — は、そのボードにいかなる形でも登場しない。インデックススコアも、推論コンポーネントも、会話ダイナミクスの数値も、アリーナ Elo も、タスク成功率も、最初の音声までの時間もない。低いスコアではない。空欄の行だ。なぜなら、このモデルは一度もエントリーされたことがないからだ。

その空欄は正直な出発点だ。なぜならそれは取締役会の見落としではないからだ。SeedRealtimeには公開APIも、モデルIDも、オープンウェイトも、技術レポートも、パラメータ数も、公表価格もない。それはByteDanceの消費者向けアプリDoubaoの中で、音声と動画で、無料で動いており、リリース以来ずっとそうだ。測定すべきエンドポイントがないから測るものは何もなく、呼び出すものがないから呼び出す方法もない。

両者が本当に異なる点において、そしてそれは品質ではない

スコアボードのことは脇に置いておけば、この2つのモデルはそれぞれ別の部屋で異なる仕事をしている。

Grok Voice 3.0は音声モデルです。全二重のWebSocketを介して聞き取りと発話を行い、毎秒何度も、聞き続けるか、一時停止するか、割り込むか、セッション更新内のtools配列からツールを呼び出すかを判断し、5つの測定済みコンポーネントスコアとアリーナ首位を保持しています。その前世代は、24言語にわたる単語誤り率と、専用文字起こしモデルより1.5～2.0倍低い誤り率を売り文句にしていました——ベンダー報告であり、独立に再現されたことはなく、新しい発表資料では再掲されていません。

SeedRealtimeは一つのネットワークで聞き、見る。ByteDanceは、知覚・理解・意思決定・応答生成がカスケードではなく単一のモデル内部で行われ、発話の交代が内部的に決定され、外部の音声活動検出器を一切持たない統一フレームワークについて述べている。公開されているデモには、モデルが声を話者のアイデンティティに結びつけなければならない騒がしいグループディナー、目当ての展示物が視界に入ると自ら情報を差し出す美術館訪問、リアルタイムで修正するエスプレッソの作業手順、そして無関係な雑談を無視し、セッションの前半に見た出発案内板を思い出し、手荷物カルーセルの番号を求めてオンラインに接続する空港のシナリオが含まれている。

• 入力 — Grok Voice 3.0 の音声とテキスト、ツール対応。SeedRealtime は音声、動画、テキストを1つのモデルに融合。

• ターンテイキング — Grok Voice 3.0 はセッションごとに設定されるサーバー側の音声活動検出を使用します。SeedRealtime は外部 VAD を排除し、その判断をモデル内部へ移します。

• プロアクティブな動作 — Grok Voice 3.0 は応答し、ツールを呼び出します。SeedRealtime は、関連するオブジェクトが視界に入ると、促されることなく自ら話し始めると説明されています。

• レイテンシ — Grok Voice 3.0 は最初の音声が出力されるまで 0.81 秒と公表している。一方 SeedRealtime はレイテンシの数値を一切公表しておらず、エンドツーエンドのレイテンシを圧縮するというロードマップ上の目標を示しているだけである。

• 価格 — Grok Voice 3.0 は1分あたり$0.08、加えてテキスト入力1件あたり$0.004。SeedRealtime には価格も商用提供もなく、コンシューマー向けアプリ内では無料。

• 到達可能性 — Grok Voice 3.0 は開発者向けに提供中で、ドキュメント化されたエンドポイントと、クライアント側接続用のエフェメラルトークンパスを備えています。SeedRealtime は Doubao を通じた中国本土優先の展開で、登録には通常中国本土の携帯電話番号が必要であり、ローカライズされた英語版製品は発表されていません。

• 根拠 — Grok Voice 3.0 には5つの独立したコンポーネント測定に加えて総合評価がある。SeedRealtime には1件の内部ヒューマン評価がある。

正確に述べられた証拠の問題

ByteDanceがSeedRealtimeについて示している唯一の定量的な主張は、エンドツーエンドの人手評価では、カスケード型のASR＋視覚＋TTSシステムと比べて会話のテンポに関する問題が半減することが示されている、というものだ——文の途中で切れることが減り、ポーズ後の返答が遅いことが減り、背景の話し声による誤発火が減る。サンプルサイズも、アノテーター数も、ベンチマーク名も、手法も、正確な数値もない。主張は、問題がおよそ半分に減ったというものであり、モデルを開発したチームによるものだ。

それを、Grok Voice 3.0 について知り得ることと比較せよ。その 86.9 の総合値は、推論の数値、会話ダイナミクスの数値、エージェントスコア、アリーナ選好 Elo、タスク成功率に分解され、それぞれが公開されたハーネスで測定されており、基盤となるボードは誰でも閲覧できる。だからといって、その数字が議論の余地のないものになるわけではない——複合指標は重み付けの選択であり、アリーナ要素はライブ Elo を追跡するのではなく、モデルが公開対象になる時点で凍結される——しかしそれは、外部チームが計算を検算し、結論を形成できないのではなく、その結論に異を唱えられることを意味する。

両モデルには、それぞれ自社の本番展開に関するベンダーの主張も付随しており、そのどちらの主張も同じ意味で検証不能である。SpaceXAIは、Starlinkのコールセンターが複数言語で1日2万件の顧客通話を処理し、その約70%が人間を介さずに解決されていること、またTeslaとSpaceX全体で毎日数百万件の会話が行われていると報告している。ByteDanceは、Doubaoにおける音声と動画での全面展開を報告している。これらは、システムが実世界で機能していることを示す入手可能な最も強力なシグナルであると同時に、読者にとっては入手可能な最も弱い証拠でもある。なぜなら、どちらも外部から監査できず、またどちらもモデルではなくサービスについて述べているからだ。

何を基盤にできるか、そしてできないか

能力にかかわらず比較を決着させるのは、この部分です。この二つのうち、コンポーネントなのは片方だけです。もう一方は、コンバージドアーキテクチャがどのようなものかを示すデモンストレーションです。

Grok Voice 3.0 は、モデル文字列を指定してスタックに組み込むことも、grok-voice-latest に対してデプロイしていた場合は何も指定せずに組み込むこともできます。grok-voice-latest は 10 月 14 日に自動的にこれへ移行されました。置き換える世代と同じリアルタイムエンドポイント、同じセッションパラメータ、同じイベント名、同じ組み込み音声セットとカスタム音声エンドポイントを備えています。セッションスコープのツールにより、エージェントは会話の途中でお客様のバックエンドを呼び出せます。統合コストはかかりますが、それは分単位で測られるものです。

SeedRealtimeは分解できない。それは商業上の理由ではなくアーキテクチャ上の理由だ。差し替える推論側の半分は存在しない。思考が、聞くことや見ることと同じネットワークの内側にあるからだ。ルーティング先となるホスト型のサーフェスも、購入するクォータも、取得するキーもない。その能力は本物であり、デモはこのカテゴリで最も目を引く。また、ByteDanceの消費者市場以外の誰にとっても、今四半期に顧客の前に出せる製品ではない。

はっきりと言っておく価値のある警告が一つある。これは実際に起きている障害モードだからだ。少なくとも一つのサードパーティ製ブログが、SeedRealtime はモデルルーター経由で利用可能だと現在説明している。ルーティング先のエンドポイントは存在しないため、SeedRealtime へのアクセスを宣伝しているものは、別の何かを宣伝していることになる。関連して、ByteDance のリアルタイム音声 API を検索すると、Volcano Engine のエンドツーエンドのリアルタイム音声モデルが表示されるが、これは別物の音声専用システムだ。もしそのモデルの公表されたクォータと価格を Grok Voice 3.0 と比較していたなら、間違った製品を比較していたことになる。

ルーターが実際にどこに当てはまるか

どちらのモデルもOrcaRouterによって提供されているわけではなく、このような捉え方が通常なぜこれを誤るのかについては率直に言う価値がある。Grok Voice 3.0はxAIによる単一ソースであり、SeedRealtimeはどこも販売していない。どのようなルーティング層もこのどちらの事実も変えることはなく、そうでないと主張するプラットフォームは、自らが持っていない能力について語っているにすぎない。

ルーティングレイヤーが変えるのは、音声の下にあるテキスト層です。ここに挙げた導入事例はどれも、音声モデルと大規模言語モデルのスタックの組み合わせです。音声モデルが呼び出すツールのバックエンド、あとから文字起こしを読む分類器、記録を書き上げる要約器、音声レイヤーが手放さざるを得なかった問いへの答えを返す検索。その作業はリクエスト単位で課金され、通話あたりのコストの無視できない部分がここに積み上がります。単一のキーで200以上のモデルを、プロバイダーの定価のまま、マークアップゼロで、プロバイダーをまたいだ自動フェイルオーバー、そして複数のモデルを1回の呼び出しに組み合わせるためのルーティングDSL——これが私たちの提供しているものであり、音声製品のうち、その下にある音声モデルが変わっても一定に保てる半分です。音声レイヤーがいかにさりげなく差し替えられるかを思えば、これは持っていて損のない性質です。

評決

今ボイスエージェントを構築しているなら、Grok Voice 3.0が最適だ。しかもその理由は指標ではない。最高の総合スコアとアリーナ首位を保持し、フロンティアグループで最速の開始から発話までの時間0.81秒を公表し、廃止するモデルと同じ1分あたりのコストで、今日すでに文書化されたエンドポイントで稼働している。これは4つの別個の理由であり、どれも誰にも確認できない数字を信用する必要はない。

SeedRealtime を選ぶ——いや、むしろ、それが登場するのを待つ——のは、あなたの製品が、それだけが持つ特定の機能、つまり場の空気を読むことに依存している場合だけだ。シーンを目で捉えながらの音声視覚の全二重は、現在、ホスト型の西側音声モデルが提供していない能力であり、ByteDance によるそのデモは説得力がある。注目すべき引き金は、Volcano Engine または BytePlus 上で公開された料金付きの ByteDance 開発者 API が出ることだ。それが実現すれば、ケーススタディは、ホスト型の競合が存在しない製品に変わる。それが現れるまでは、このモデルはアーキテクチャに組み込まれるのではなく、ウォッチリストに留まる。そして、それをリーダーボードモデルと比較していると主張する記事は、スコアボードと動画を比較しているようなものだ。

このような比較は、失敗モードが表面化する場でもあります。このクラスのモデルの背後にある、記録されたAIインシデントやエージェント障害は、OrcaRouter AIインシデントアーカイブ に集められており、各エントリーには独自の情報源、重大度、信頼度グレード、異議ありフラグが付されています。