Grok Voice 3.0 vs Realtime-Venus: 요금표를 가진 쪽은 보지 못하고, 볼 수 있는 쪽은 요금표가 없다

2026년 말 풀듀플렉스 음성에는 명확한 구분선이 가로지르고 있는데, 그것은 품질이 아니다. Grok Voice 3.0은 2026년 10월 14일 SpaceXAI가 발표했으며, Artificial Analysis Speech to Speech Index에서 오디오 분당 $0.08에 86.9로 최상위를 차지하지만, 소리 외에는 아무것도 인지하지 못한다. Realtime-Venus는 2026년 9월 12일 arXiv에 기술 보고서가 올라온 Ant Group의 Venus Team이 Tsinghua University와 함께 만든 두 체크포인트 9B 시스템으로, SigLIP2 인코더를 통해 카메라 프레임을 스트리밍하며 자신이 보는 것에 대해 이야기한다. 그리고 API도, 가격도, 호스팅된 엔드포인트도, 어떤 종류의 독립 평가도 없다. 구매할 수 있는 모든 것은 듣는다. 보는 모든 것은 직접 실행해야 한다.

인식의 차이가 곧 비교의 전부이다

이 둘은 공통 벤치마크에서 몇 점 차이가 나는 게 아니다. 이 둘은 물리적으로 받아들일 수 있는 것에서 차이가 나며, 그 결과는 당신이 무엇을 만들 수 있는지에까지 이어진다.

• 입력 — Grok Voice 3.0은 도구 배열과 함께 오디오와 텍스트를 입력받습니다; Realtime-Venus-Omni는 비디오 또는 이미지, 오디오와 텍스트를 입력받으며, 비전이 나중에 덧붙여진 것이 아니라 동일한 네트워크에 융합되어 있습니다.

• 발화 순서 교대 — Grok Voice 3.0은 세션별로 구성되는 서버 측 음성 활동 감지를 사용하는 반면, Realtime-Venus는 외부 감지기 없이 결정을 모델 내부로 옮깁니다.

• 출력 — Grok Voice 3.0은 음성과 전사를 반환하고, Realtime-Venus는 텍스트와 선택적으로 별도의 텍스트 음성 변환 단계가 아니라 스트리밍 플로우 매칭 디코더에 의해 이산 S3 토큰에서 디코딩된 음성 파형을 반환합니다.

• 접근 가능성 — Grok Voice 3.0은 SpaceXAI의 실시간 WebSocket을 통해 라이브로 제공되며, code>grok-voice-latest/code>가 이제 이를 가리키며 이전 버전은 지원 중단되었습니다; Realtime-Venus는 Apache-2.0에 따른 두 개의 BF16 체크포인트로, code>inclusionAI/Realtime-Venus/code>라는 이름으로 Hugging Face에 있으며, 모델 카드에는 이 모델이 어떤 추론 제공자에 의해서도 배포되지 않는다고 명확히 밝히고 있습니다.

• 측정 가능성 — Grok Voice 3.0은 다섯 개의 판독 가능한 구성 요소를 가진 86.9의 종합 지수와 1070의 아레나 Elo를 보유합니다. Realtime-Venus에는 자체 기술 보고서에서 저자가 보고한 수치만 있고 리더보드 등재는 없는데, 이는 제3자가 하네스를 연결할 엔드포인트가 없기 때문입니다.

• 가격 — 오디오 1분당 $0.08에 텍스트 입력당 $0.004, 전혀 없는 가격과 대비된다.

마지막 두 줄을 함께 읽으면 결정의 윤곽이 드러난다: 감사를 거친 수치를 가진 시스템은 볼 수 없는 쪽이고, 볼 수 있는 쪽은 그것을 만든 사람이 아닌 누구에 의해서도 측정된 적이 없다.

보고서가 실제로 주장하는 것, 그리고 그것을 확인하는 데 드는 비용

Realtime-Venus의 수치들은 자체 보고서와 모델 카드에서 나온 것이고, 저자 외에는 아무도 이를 재현하지 않았으며, 비교할 만한 아레나 순위도 없습니다. 이 수치들은 저자들의 측정값으로 읽으세요.

• 비디오 벤치마크, Realtime-Venus-Omni — 보고서에서 사용하는 8개 벤치마크 중 6개에서 최고 점수를 기록했으며, StreamingBench 70.2, OVO-Bench 64.7, Daily-Omni 81.3이 포함됩니다.

• 오디오 벤치마크, Realtime-Venus-Audio — MMAU 78.0, MMAU-Pro 63.2, Llama Questions 83.8, Speech CMMLU 67.8 및 보고서에서 최고의 비교 수치와 일치한다고 설명하는 VoiceBench AlpacaEval 점수 4.81.

• Full-Duplex-Bench v1.5 — 사용자 중단의 75%에 응답하며, 맞장구에서 97%, 타인 대상 발화에서 88%, 배경 발화에서 86%의 지속률을 기록했고, 세 가지 지속 지표 모두에서 Gemini 3.1 Live와 GPT-4o를 능가한다고 명시되어 있습니다.

• 컨텍스트 및 형식 — 두 체크포인트 모두에서 40,960 토큰, BF16 가중치, 영어 및 중국어.

Daily-Omni 수치는 잠시 짚고 넘어갈 만하다. 보고서 자체의 숫자가 유용하게 작동하는 지점이기 때문이다. OpenBMB가 2026년 초에 오픈소스로 공개한 9B 옴니모달 모델 MiniCPM-o 4.5는 같은 벤치마크에서 80.2를 보고한다. 그리고 Realtime-Venus 카드는 Omni 체크포인트가 이 모델에서 적응된 것이라고 명시한다. Realtime-Venus-Omni는 81.3을 보고한다. 둘 다 사실이라면, 상당한 포스트트레이닝과 런타임 및 위임 작업을 거쳐 얻은 개선은, 기반 모델이 이미 잘 처리하던 벤치마크에서 대략 1점에 불과하다. 이는 이런 종류의 작업에서 현실적인 결과이며, "8개 중 6개에서 최고"라는 것보다 훨씬 덜 극적인 이야기다.

Grok Voice 3.0이 앉아 있는 점수판을 배경으로

두 가지를 솔직히 나란히 놓고 비교해 보면, 그 비교는 어느 쪽도 치켜세우지 않는 방식으로 비대칭적이다.

대화 역학에서 두 시스템 모두 뭔가를 보고하는 유일한 축에서, 백채널 상황에서의 Realtime-Venus의 97% 연속성은 Grok Voice 3.0이 Full Duplex Bench에 게시한 97.0%보다 높다. 서로 다른 하네스, 서로 다른 버전, 그리고 둘 중 하나는 외부 주체가 실행한 적이 없다 — 따라서 정직한 해석은 Realtime-Venus가 숫자를 같은 문장에 언급할 수조차 있는 유일한 지표에서 동등하거나 약간 더 낫다고 주장한다는 것이며, 그 주장을 읽는 사람은 한 명뿐이다.

다른 모든 면에서 둘은 비교할 수 없다. 둘 중 하나만 보드에 올라와 있기 때문이다. Grok Voice 3.0의 86.9 종합 점수는 천장에 가까운 추론 수치, 97.0% 듀플렉스 점수, τ-Voice에서 71.6%, 아레나 선호도에서 Elo 1070, 94.8% 작업 성공률로 분해되는데, 각각 누구나 읽고 이의를 제기할 수 있는 공개된 하네스에서 측정된 것이다. 종합 점수는 가중치 선택이며, 아레나 구성 요소는 실시간 Elo를 추적하는 대신 모델이 자격을 갖추는 시점에 고정된다 — 하지만 외부 팀은 그 산술을 확인하고, 결론을 형성조차 못하는 것이 아니라 그 결론에 동의하지 않을 수 있다.

그것이 증거 품질의 진짜 차이이며, 어느 쪽의 형용사도 없이 말할 가치가 있다. 두 모델 모두 각자의 프로덕션 배포에 관한 벤더 주장을 담고 있다. SpaceXAI는 Starlink 콜센터가 여러 언어로 하루 20,000건의 고객 통화를 처리하며 약 70%가 사람의 개입 없이 해결된다고 보고하고, Tesla와 SpaceX 전반에서 매일 수백만 건의 대화가 이루어진다고 한다. Ant Group은 배포에 관해 전혀 보고하지 않는다. 배포가 없기 때문이다 — 논문 한 편, 저장소 하나, 하네스 하나뿐이다. 어느 쪽 자료도 외부에서 감사할 수 없으며, 둘 중 하나만이 그렇게라도 되려고 애쓰고 있다.

Realtime-Venus를 실행하는 데 실제로 수반되는 것

다운로드는 실제입니다. 샤딩된 safetensors가 있는 두 개의 체크포인트 디렉터리, 사용자 정의 Transformers 코드는 다음과 같이 로드됩니다: code>trust_remote_code=True/code>, requirements 파일, 토큰-투-웨이브폼 자산, 참조 음성 및 Apache-2.0 라이선스. 전이중 스트리밍은 단일 메서드 스위치로 진입하며, 문서화된 루프는 1초의 스트리밍 프리필 후 스트리밍 생성이 반복됩니다. 긴 비디오 메모리는 memory-minutes 매개변수로 활성화되며 학습이 필요 없는 것으로 설명되는데, 이는 일반적으로 미세 조정이 필요한 기능으로서는 이례적입니다.

그것에 관해서는 스펙보다 더 중요한 두 가지가 있다.

첫 번째는 하드웨어 하한선이다. BF16의 9B 모델은 활성화 메모리를 제외하고도 가중치만 약 18기가바이트이며, 시청각 양방향 추론은 여기에 비주얼 인코더와 연속 1초 스트리밍 루프까지 더한다. 이는 노트북급이 아니라 서버급 배포이며, 분당 $0.08가 들고 가입한 날 오후에 바로 작동하기 시작하는 전화 통화와는 다른 문제다.

두 번째는 가장 흥미로운 구성 요소가 가중치 안에 있지 않다는 점이다. 이중 루프 런타임 — 1초짜리 상호작용 루프에 더해, 논문에서 Realtime-Venus-Harness라고 부르는 백그라운드 스케줄러가 있으며, 이는 대화 상태의 격리된 스냅샷에 대해 위임된 작업을 실행하므로 오래 실행되는 작업이 대화가 계속 진행되는 바람에 훼손될 수 없다 — 은 별도의 GitHub 저장소에 있다. 인과적 작업 캡처는 이 보고서에서 진정으로 새로운 아이디어이며, 당신이 직접 조립하고 신뢰하는 부분이다.

그 마지막 지점이 바로 두 시스템의 아키텍처가 수렴하는 곳이며, 이 짝짓기에서 얻어야 할 실용적인 교훈이다. 둘 다 프런트 엔드다. Grok Voice 3.0은 세션 업데이트의 tools 배열에서 도구를 호출하고, 더 무거운 작업은 동기적으로 응답하는 백엔드에 위임한다. Realtime-Venus는 자체 숨겨진 시퀀스에 비동기 위임 마커를 내보내고 작업을 하네스에 넘긴다. 두 설계 모두에서 사고, 검색, 비즈니스 로직은 대화형 계층 뒤의 평범한 텍스트 모델에서 일어난다 — 그리고 그 계층은 두 스택 중 어느 쪽이든 자유롭게 선택할 수 있는 유일한 부분이다.

OrcaRouter는 Grok Voice 3.0도 Realtime-Venus도 제공하지 않습니다. Grok Voice 세션은 SpaceXAI 자체 WebSocket에 속하며, Realtime-Venus는 우리가 제공하지 않는 다운로드입니다. 라우터가 전이중 오디오 세션 내부에 있다고 설명하는 것은 존재하지 않는 것을 설명하는 셈입니다. 위임된 구간은 다릅니다: 12개 이상의 업스트림에서 온 207개 모델을 하나의 키 뒤에, 공급자 정가에 마크업 없이 제공하며, 공급자가 성능이 저하될 때 자동 페일오버와 여러 모델을 하나의 호출로 구성하는 라우팅 DSL을 갖추고 있습니다. Realtime-Venus 같은 아키텍처에서는, 검증되지 않은 자체 호스팅 구성 요소가 역시 벤치마크하지 않은 텍스트 모델에 작업을 넘기는 경우, 페일오버는 한 공급자의 나쁜 오후와 끊긴 통화 사이의 차이입니다.

어느 것을 골라야 할까, 그리고 답이 언제 바뀔까

이번 분기에 무언가를 출시할 예정이라면, Grok Voice 3.0은 둘 중 프로젝트가 아니라 결정인 유일한 선택입니다. 이 모델은 공개 보드 최상위를 차지하고, 0.81초 만에 말하기 시작하며, 대체하는 모델과 비용이 같고, 세션 매개변수가 바뀌지 않은 엔드포인트를 통해 오늘 호출할 수 있습니다. 먼저 버전을 고정하세요 — 별칭은 이미 이번 분기에 두 번 바뀌었습니다 — 그런 다음 출시하세요.

Realtime-Venus는 훨씬 더 좁은 질문에 대한 올바른 답입니다: 당신이 소유한 하드웨어에서, 그리고 파인튜닝을 허용하는 라이선스 하에, 방을 관찰하고 그 안에 무엇이 있는지 이야기하는 모델이 필요하십니까? 그러한 기능은 이 조합에서 호스팅 서비스로 제공되는 동등한 것이 없습니다. Grok Voice 3.0은 시각 입력이 전혀 없으며, 보드에 있는 다른 프런티어 음성 모델들도 마찬가지입니다. 그것이 당신의 요구 사항이라면, 다운로드가 유일한 관문입니다.

이 페이지를 바꿔 놓을 것은 이 범주의 대부분을 바꿔 놓을 바로 그 것이다. Realtime-Venus를 탑재하고 공개된 요금을 내건 추론 제공업체가 등장하면 연구 산출물이 제품이 되고 비교가 실질적인 것이 되며, 97% 백채널 지속 수치를 독립적으로 두 번째 재현하면 현재 두 시스템이 공유할 수 있는 유일한 숫자 하나가 확정될 것이다. 둘 중 하나가 실현되기 전까지 정확한 요약은 직설적이다. 이 중 하나는 살 수 있고, 하나는 읽을 수 있다. 읽을 수 있는 쪽이 더 흥미로운 문서이고, 살 수 있는 쪽은 전화를 받는 쪽이다.