Grok Voice 3.0 vs SeedRealtime: 하나는 리더보드에서 최고의 음성 모델이고, 다른 하나는 리더보드에 없습니다

이 비교는 특이한 형태를 띱니다. Grok Voice 3.0은 Artificial Analysis가 측정하는 음성 대 음성 모델 가운데 최고 점수를 받은 모델로, 2026년 10월 13일 기준 Speech to Speech Index에서 86.9점을 기록했으며, 분당 $0.08의 가격으로 오늘 바로 SpaceXAI의 실시간 API를 통해 이용할 수 있습니다. SeedRealtime — 공식 명칭 "SeedRealtime: An Audio-Visual Full-Duplex LLM", 2026년 8월 5일 ByteDance의 Seed 팀이 공개 — 은 그 보드에 어떤 형태로도 나타나지 않습니다. 지수 점수도, 추론 구성 요소도, 대화 역학 수치도, 아레나 Elo도, 작업 성공률도, 첫 오디오까지 걸리는 시간도 없습니다. 낮은 점수가 아닙니다. 빈 행입니다. 그 모델이 한 번도 등록된 적이 없기 때문입니다.

그 빈칸은 정직한 출발점이다. 그것은 보드의 간과가 아니기 때문이다. SeedRealtime에는 공개 API도, 모델 ID도, 공개 가중치도, 기술 보고서도, 파라미터 수치도, 공개된 가격도 없다. 이는 ByteDance의 Doubao 소비자용 앱 안에서 음성과 영상으로 무료로 실행되며, 출시 이후 줄곧 그렇게 해 왔다. 측정할 엔드포인트가 없기 때문에 측정할 것이 없고, 호출할 대상이 없기 때문에 호출할 방법도 없다.

그들이 진정으로 다른 점, 그리고 그것은 품질이 아니다

점수판은 잠시 옆으로 치워두면, 두 모델은 서로 다른 방에서 서로 다른 일을 하고 있는 셈이다.

Grok Voice 3.0은 오디오 모델이다. 전이중 WebSocket을 통해 듣고 말하며, 초당 여러 번 계속 들을지, 일시 중지할지, 끼어들지, 세션 업데이트의 tools 배열에서 도구를 호출할지 결정하고, 측정된 다섯 가지 구성 요소 점수와 아레나 최상위 순위를 보유한다. 이전 세대는 24개 언어에 걸친 단어 오류율과 전용 전사 모델보다 1.5~2.0배 낮은 오류를 내세워 마케팅되었는데, 이는 공급업체가 보고한 수치이며 독립적으로 재현된 적이 없고 최신 출시 자료에서도 다시 언급되지 않았다.

SeedRealtime은 하나의 네트워크에서 듣고 본다. ByteDance는 지각, 이해, 의사 결정, 응답 생성이 캐스케이드 방식이 아니라 단일 모델 안에서 일어나고, 발화 순서는 내부에서 결정되며 외부 음성 활동 감지기가 전혀 없는 통합 프레임워크를 설명한다. 공개된 시연에는 모델이 목소리를 각자의 정체성에 연결해야 하는 시끄러운 단체 저녁 식사, 목표 전시품이 시야에 들어오면 자발적으로 정보를 제공하는 박물관 방문, 실시간으로 바로잡는 에스프레소 작업 흐름, 관련 없는 잡담을 무시하고 세션 초반의 출발 안내판을 기억해내며 수하물 컨베이어 번호를 위해 온라인에 접속하는 공항 시나리오가 포함된다.

• 입력 — 도구를 갖춘 Grok Voice 3.0 오디오 및 텍스트; 오디오, 비디오, 텍스트가 하나의 모델로 융합된 SeedRealtime.

• 발화 순서 — Grok Voice 3.0은 세션별로 구성된 서버 측 음성 활동 감지를 사용합니다. SeedRealtime은 외부 VAD를 제거하고 결정을 모델 내부로 이동시킵니다.

• 주도적 행동 — Grok Voice 3.0은 응답하고 도구를 호출하며, SeedRealtime은 관련 객체가 시야에 나타나면 요청받지 않고 먼저 말을 꺼내는 것으로 설명된다.

• 지연 시간 — Grok Voice 3.0은 첫 오디오까지 0.81초를 공개합니다; SeedRealtime은 지연 시간 수치를 전혀 공개하지 않으며, 엔드투엔드 지연 시간을 단축하겠다는 로드맵 목표만 제시합니다.

• 가격 — Grok Voice 3.0은 분당 $0.08에 텍스트 입력당 $0.004가 추가되며, SeedRealtime은 가격도 상업적 제공도 없고 소비자 앱 내에서 무료입니다.

• 접근성 — Grok Voice 3.0은 문서화된 엔드포인트와 클라이언트 측 연결을 위한 임시 토큰 경로를 갖춘 개발자용으로 출시되었습니다. SeedRealtime은 Doubao를 통해 중국 본토 우선으로 제공되며, 일반적으로 등록하려면 중국 본토 휴대폰 번호가 필요하고, 현지화된 영어 제품은 발표되지 않았습니다.

• 증거 — Grok Voice 3.0에는 5개의 독립적인 구성 요소 측정값과 하나의 종합 점수가 있습니다; SeedRealtime에는 하나의 내부 인간 평가가 있습니다.

증거 문제를 정확히 진술하면

ByteDance가 SeedRealtime에 대해 내세우는 유일한 정량적 주장은, 종단간 인간 평가에서 캐스케이드식 ASR+비전+TTS 시스템에 비해 대화의 흐름 문제를 절반으로 줄인다는 것입니다 — 문장 중간에 끊기는 경우가 더 적고, 침묵 후 느린 응답이 더 적고, 배경 잡담으로 인한 잘못된 트리거가 더 적습니다. 표본 크기도, 주석자 수도, 벤치마크 이름도, 방법론도, 정확한 수치도 없습니다. 주장은 문제가 대략 절반 수준으로 완화되었다는 것뿐이며, 그것도 이 모델을 만든 팀에서 나온 것입니다.

그것을 Grok Voice 3.0에 대해 알 수 있는 것과 비교해 보라. Grok Voice 3.0의 86.9 종합 점수는 추론 수치, 대화 역학 수치, 에이전틱 점수, 아레나 선호도 Elo, 과업 성공률로 분해되는데, 각각은 공개된 하네스에서 측정되며 바탕이 되는 보드는 누구나 읽을 수 있다. 그렇다고 그 숫자들이 논쟁의 여지가 없는 것은 아니다 — 종합 지수는 가중치 선택이고, 아레나 구성 요소는 실시간 Elo를 추적하기보다 모델이 공개 대상이 되는 시점에 고정된다 — 하지만 이는 외부 팀이 산술을 검토하고 결론에 동의하지 않을 수 있음을 뜻하며, 결론을 형성조차 할 수 없는 상황과는 다르다.

두 모델 모두 자사 프로덕션 배포에 관한 벤더의 주장을 함께 담고 있으며, 두 주장 모두 같은 방식으로 검증할 수 없다. SpaceXAI는 Starlink 콜센터가 여러 언어로 하루 20,000건의 고객 통화를 처리하고 약 70%가 사람 없이 해결되며, Tesla와 SpaceX 전반에서 매일 수백만 건의 대화가 이루어진다고 보고한다. ByteDance는 Doubao에서 음성과 영상 전반에 걸쳐 전면 배포가 이루어졌다고 보고한다. 이것들은 시스템이 실제 세계에서 작동한다는 이용 가능한 가장 강력한 신호인 동시에 독자에게는 이용 가능한 가장 약한 증거이다. 둘 다 외부에서 감사할 수 없고, 둘 다 모델이 아니라 서비스를 설명하기 때문이다.

무엇 위에 세울 수 있고, 무엇 위에 세울 수 없는지

역량과 관계없이 이 비교를 판가름하는 부분이 바로 여기 있습니다. 이 둘 중 단 하나만이 컴포넌트입니다. 나머지 하나는 컨버지드 아키텍처가 어떤 모습인지 보여주는 사례입니다.

Grok Voice 3.0은 모델 문자열과 함께, 또는 grok-voice-latest를 대상으로 배포했다면 아무것도 없이도 스택에 통합됩니다. grok-voice-latest는 10월 14일에 자동으로 이 버전으로 이전되었습니다. 대체하는 세대와 동일한 실시간 엔드포인트, 동일한 세션 매개변수, 동일한 이벤트 이름, 동일한 내장 음성 세트와 사용자 지정 음성 엔드포인트를 제공합니다. 세션 범위 도구를 사용하면 에이전트가 대화 중에 백엔드를 호출할 수 있습니다. 통합 비용이 있으며, 분 단위로 측정됩니다.

SeedRealtime은 분해될 수 없으며, 이는 상업적 문제라기보다 아키텍처적 문제입니다. 교체할 추론 부분이 없습니다. 왜냐하면 사고는 듣기와 보기와 동일한 네트워크 안에 있기 때문입니다. 라우팅할 호스팅 표면도, 구매할 할당량도, 얻을 키도 없습니다. 그 역량은 실재하며, 그 시연은 이 범주에서 가장 인상적입니다. 또한 ByteDance의 소비자 시장 밖에 있는 누구에게나, 이것은 이번 분기에 고객 앞에 내놓을 수 있는 제품이 아닙니다.

한 가지 경고는 분명히 짚고 넘어갈 가치가 있습니다. 현재 실제로 발생하는 실패 유형이기 때문입니다. 최소한 한 개의 서드파티 블로그가 현재 SeedRealtime을 모델 라우터를 통해 사용할 수 있다고 설명하고 있습니다. 라우팅할 엔드포인트가 없으므로, SeedRealtime 접근을 광고하는 것은 무엇이든 다른 무언가를 광고하는 것입니다. 이와 관련하여, ByteDance의 실시간 음성 API를 검색하면 Volcano Engine의 엔드투엔드 실시간 음성 모델이 나타나는데, 이는 다른, 오디오 전용 시스템입니다 — 그 모델의 공개된 할당량과 가격을 Grok Voice 3.0과 비교해 왔다면, 잘못된 제품을 비교해 온 것입니다.

라우터가 실제로 들어맞는 위치

두 모델 모두 OrcaRouter에서 제공되지 않으며, 이런 식의 프레이밍이 대개 왜 이 점을 잘못 짚는지 솔직히 말할 가치가 있습니다. Grok Voice 3.0은 xAI에서만 공급되는 단일 소스 모델이고, SeedRealtime은 어디에서도 판매되지 않습니다. 어떤 라우팅 계층도 이 두 사실을 바꾸지 못하며, 그렇지 않다고 주장하는 플랫폼은 자신에게 없는 역량을 설명하고 있는 셈입니다.

라우팅 계층이 바꾸는 것은 음성 아래에 있는 텍스트 계층이다. 이런 배포는 모두 음성 모델에 언어 모델 스택을 더한 형태다. 음성 모델이 호출하는 도구 백엔드, 이후에 트랜스크립트를 읽는 분류기, 기록을 작성하는 요약기, 음성 계층이 넘겨줘야 했던 것에 답하는 검색까지. 그 작업은 요청 단위로 과금되며, 통화당 비용의 상당 부분이 바로 여기서 누적된다. 그것이 우리가 운영하는 것이다 — 단일 키 뒤에서 제공업체 정가 그대로, 마진 제로로 200개 이상의 모델, 제공업체 간 자동 장애 조치, 그리고 여러 모델을 하나의 호출로 조합하기 위한 라우팅 DSL — 그리고 그것은 음성 제품의 절반으로, 그 아래의 오디오 모델이 바뀌어도 일정하게 유지할 수 있는 부분이며, 오디오 계층이 얼마나 아무렇지 않게 교체되는지를 생각하면 충분히 가질 만한 가치가 있는 속성이다.

판결

지금 음성 에이전트를 구축하고 있다면 Grok Voice 3.0이 선택지입니다. 그 이유는 지수가 아닙니다. 이 모델은 가장 높은 종합 점수와 최상위 아레나 순위를 보유하고, 프런티어 그룹에서 가장 빠른 발화 시작 시간인 0.81초를 공개하며, 퇴역시키는 모델과 분당 비용이 같고, 오늘 문서화된 엔드포인트로 라이브 상태입니다. 이는 네 가지 별개의 이유이며, 그중 어느 것도 아무도 확인할 수 없는 숫자를 신뢰할 필요가 없습니다.

SeedRealtime을 선택하세요 — 아니, 오히려 기다리세요 — 오직 당신의 제품이 다른 무엇도 하지 못하는, 그것만이 할 수 있는 특정한 일, 즉 분위기를 읽는 일에 의존할 때만. 현장을 눈으로 보는 오디오-비주얼 전이중은 현재 어떤 호스티드 서구 음성 모델도 제공하지 않는 기능이며, ByteDance의 시연은 설득력이 있습니다. 지켜볼 트리거는 Volcano Engine 또는 BytePlus에서 공개된 요금으로 제공되는 ByteDance 개발자 API이며, 이것이 등장하면 사례 연구가 호스티드 경쟁자가 없는 제품으로 바뀔 것입니다. 그것이 나타나기 전까지 이 모델은 아키텍처가 아니라 주시 목록에 남아 있으며, 이를 리더보드 모델과 비교한다고 주장하는 기사는 점수판을 영상과 비교하는 셈입니다.

이런 종류의 비교는 실패 모드가 드러나는 지점이기도 합니다. 이 등급의 모델들 뒤에 있는, 문서로 기록된 AI 사고와 에이전트 실패 사례는 OrcaRouter AI Incident Archive에 모여 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 이의 제기 여부 플래그가 함께 딸려 있습니다.