Grok Voice 3.0 vs Realtime-Venus: Ten, który ma cennik, nie widzi, a ten, który widzi, nie ma cennika

Pod koniec 2026 roku przez pełnodupleksowy głos przebiega wyraźna linia podziału, a nie jest nią jakość. Grok Voice 3.0, ogłoszony przez SpaceXAI 14 października 2026 r., zajmuje pierwsze miejsce w Artificial Analysis Speech to Speech Index z wynikiem 86,9 przy cenie 0,08 USD za minutę audio, i nie postrzega niczego poza dźwiękiem. Realtime-Venus, system 9B z dwoma checkpointami od zespołu Venus z Ant Group we współpracy z Uniwersytetem Tsinghua, którego raport techniczny pojawił się na arXiv 12 września 2026 r., strumieniuje klatki z kamery przez enkoder SigLIP2 i mówi o tym, co widzi — i nie ma API, ceny, hostowanego endpointu ani żadnej niezależnej ewaluacji. Wszystko, co można kupić, słyszy. Wszystko, co widzi, musisz uruchomić sam.

Luka percepcyjna to całe porównanie

Te dwa nie różnią się o kilka punktów na wspólnym benchmarku. Różnią się tym, co są fizycznie w stanie przyjąć, a konsekwencje sięgają aż do tego, co możesz zbudować.

• Wejście — Grok Voice 3.0 przyjmuje dźwięk i tekst wraz z tablicą narzędzi; Realtime-Venus-Omni przyjmuje wideo lub obrazy, dźwięk i tekst, a wizja jest wtopiona w tę samą sieć, a nie doklejona.

• Przejmowanie tur — Grok Voice 3.0 korzysta z wykrywania aktywności głosowej po stronie serwera, konfigurowanego dla danej sesji; Realtime-Venus przenosi podejmowanie decyzji do wnętrza modelu, bez żadnego zewnętrznego detektora.

• Wyjście — Grok Voice 3.0 zwraca mowę i transkrypcje; Realtime-Venus zwraca tekst oraz, opcjonalnie, przebieg fali mowy zdekodowany z dyskretnych tokenów S3 przez strumieniowy dekoder dopasowania przepływu, a nie przez osobny etap syntezy mowy.

• Dostępność — Grok Voice 3.0 działa na żywo przez WebSocket czasu rzeczywistego SpaceXAI, a code>grok-voice-latest/code> wskazuje teraz na niego, a jego poprzednik został uznany za przestarzały; Realtime-Venus to dwa checkpointy BF16 na licencji Apache-2.0 pod adresem code>inclusionAI/Realtime-Venus/code> na Hugging Face, a karta mówi wprost, że model nie jest wdrożony przez żadnego dostawcę inferencji.

• Mierzalność — Grok Voice 3.0 ma indeks złożony na poziomie 86,9 z pięcioma czytelnymi komponentami oraz Elo areny wynoszące 1070; Realtime-Venus ma liczby raportowane przez autorów z własnego raportu technicznego i brak wpisu w tabeli liderów, ponieważ nie ma punktu końcowego, na który strona trzecia mogłaby skierować harness.

• Cena — 0,08 USD za minutę audio plus 0,004 USD za tekst wejściowy, w porównaniu z całkowitym brakiem ceny.

Przeczytaj razem dwa ostatnie wiersze, a kształt tej decyzji się wyłania: system z zaudytowanymi liczbami to ten, który nie widzi, a ten, który widzi, nigdy nie został zmierzony przez nikogo, kto go nie zbudował.

Co tak naprawdę twierdzi raport i ile kosztuje sprawdzenie

Dane Realtime-Venus pochodzą z jego własnego raportu i karty modelu, nikt poza autorami ich nie odtworzył, a nie ma pozycji w arenie, z którą można je porównać. Traktuj je jako pomiary autorów.

• Benchmarki wideo, Realtime-Venus-Omni — najlepszy wynik w sześciu z ośmiu benchmarków wykorzystanych w raporcie, w tym StreamingBench 70,2, OVO-Bench 64,7 i Daily-Omni 81,3.

• Benchmarki audio, Realtime-Venus-Audio — MMAU 78,0, MMAU-Pro 63,2, Llama Questions 83,8, Speech CMMLU 67,8 oraz wynik VoiceBench AlpacaEval na poziomie 4,81, który raport opisuje jako dorównujący najlepszemu wynikowi porównawczemu.

• Full-Duplex-Bench v1.5 — odpowiedź na 75% przerwań użytkownika, ze wskaźnikami kontynuacji wynoszącymi 97% w przypadku sygnałów podtrzymujących, 88% w przypadku mowy skierowanej do innych i 86% w przypadku mowy w tle; podano, że przewyższa Gemini 3.1 Live i GPT-4o we wszystkich trzech metrykach kontynuacji.

• Kontekst i format — 40 960 tokenów w obu punktach kontrolnych, wagi BF16, język angielski i chiński.

Warto zatrzymać się przy wyniku Daily-Omni, bo właśnie tam liczby z samego raportu robią coś pożytecznego. MiniCPM-o 4.5, 9B model omni-modalny, który OpenBMB udostępnił jako open source wcześniej w 2026 roku, osiąga 80,2 w tym samym benchmarku — a karta modelu Realtime-Venus stwierdza, że checkpoint Omni został zaadaptowany na jego podstawie. Realtime-Venus-Omni osiąga 81,3. Jeśli oba się potwierdzą, poprawa wynikająca ze znacznego wysiłku włożonego w post-training, runtime i delegowanie wynosi około jednego punktu w benchmarku, z którym model bazowy już dobrze sobie radził. To realistyczny wynik jak na tego rodzaju pracę i znacznie mniej dramatyczna historia niż „najlepszy w sześciu z ośmiu”.

Na tle tablicy wyników, na której siedzi Grok Voice 3.0

Zestaw te dwa szczerze obok siebie, a porównanie okaże się asymetryczne w sposób, który nie schlebia żadnemu z nich.

W zakresie dynamiki konwersacyjnej, jedynej osi, dla której oba systemy cokolwiek raportują, 97% kontynuacji Realtime-Venus w warunkach backchanneli jest wyższe niż 97,0%, które Grok Voice 3.0 podaje na Full Duplex Bench. Różne harnessy, różne wersje, a jeden z tych dwóch nigdy nie został uruchomiony przez stronę zewnętrzną — więc uczciwa interpretacja jest taka, że Realtime-Venus twierdzi, iż osiąga parytet lub nieco lepszy wynik w jedynym wskaźniku, w przypadku którego te liczby można w ogóle wymienić w tym samym zdaniu, i to twierdzenie ma jednego czytelnika.

Pod każdym innym względem tych dwóch nie można porównywać, ponieważ tylko jeden z nich znajduje się na liście rankingowej. Wynik złożony 86,9 modelu Grok Voice 3.0 rozkłada się na wynik rozumowania blisko pułapu, wynik dupleksowy 97,0%, 71,6% na τ-Voice, Elo 1070 w preferencji areny i 94,8% skuteczności zadań, przy czym każdy z nich mierzony jest w ramach opublikowanego zestawu testowego, który każdy może przeczytać i z którym może się spierać. Wynik złożony to wybór wag, a komponent areny jest zamrożony w momencie, gdy model staje się kwalifikowalny, zamiast śledzić bieżące Elo — ale zewnętrzny zespół może sprawdzić arytmetykę i nie zgodzić się z wnioskiem, zamiast nie móc go sformułować.

To jest prawdziwa różnica w jakości dowodów i warto ją przedstawić bez przymiotników którejkolwiek ze stron. Oba modele opierają się na twierdzeniach dostawców o ich własnych wdrożeniach produkcyjnych. SpaceXAI podaje, że centra obsługi klienta Starlink obsługują 20 000 połączeń klientów dziennie w wielu językach, przy czym około 70% jest rozwiązywanych bez udziału człowieka, a do tego miliony codziennych rozmów w firmach Tesla i SpaceX. Ant Group nie podaje niczego na temat wdrożenia, ponieważ żadnego wdrożenia nie ma — tylko artykuł, repozytorium i środowisko testowe. Żadnego z tych zbiorów nie da się zweryfikować z zewnątrz, a tylko jeden z nich nawet próbuje to umożliwić.

Na czym tak naprawdę polega uruchamianie Realtime-Venus

Pobranie jest prawdziwe. Dwa katalogi checkpointów z podzielonymi na shardy plikami safetensors, własny kod Transformers ładowany z code>trust_remote_code=True/code>, plik requirements, zasoby konwersji tokenów na przebiegi falowe, głos referencyjny i licencja Apache-2.0. Tryb strumieniowania pełnodupleksowego włącza się jednym przełącznikiem metody, a udokumentowana pętla to jedna sekunda strumieniowego prefillu, po której następuje strumieniowe generowanie, powtarzane. Pamięć długich wideo włącza się parametrem memory-minutes i jest opisywana jako działająca bez trenowania, co jest nietypowe dla funkcji, która zwykle wymaga dostrajania.

Dwie rzeczy na jego temat mają większe znaczenie niż dane techniczne.

Pierwsza kwestia to sprzętowe minimum. Model 9B w BF16 to około osiemnastu gigabajtów samych wag, nie licząc pamięci aktywacji, a dwukierunkowe wnioskowanie audio-wizualne dokłada do tego enkoder wizualny i ciągłą jednosekundową pętlę strumieniowania. To wdrożenie klasy serwerowej, a nie laptopowej — i zupełnie inna kategoria niż rozmowa telefoniczna, która kosztuje 0,08 dolara za minutę i zaczyna działać już po południu w dniu, w którym się zarejestrujesz.

Po drugie, najciekawszy komponent nie tkwi w wagach. Dwupętlowe środowisko wykonawcze — jednosekundowa pętla interakcji plus działający w tle scheduler, który artykuł nazywa Realtime-Venus-Harness i który wykonuje delegowane zadania względem izolowanej migawki stanu rozmowy, dzięki czemu długotrwałe zadanie nie może zostać uszkodzone przez to, że rozmowa toczy się dalej — znajduje się w osobnym repozytorium GitHub. Przechwytywanie zadań przyczynowych to naprawdę nowy pomysł w raporcie i to część, którą sam składasz i której sam ufasz.

Ten ostatni punkt to miejsce, w którym architektura obu systemów się zbiega, i to jest praktyczny wniosek płynący z tego zestawienia. Oba są frontendami. Grok Voice 3.0 wywołuje narzędzia z tablicy narzędzi w swojej aktualizacji sesji i deleguje wszystko cięższe do backendu, który odpowiada synchronicznie. Realtime-Venus emituje asynchroniczny znacznik delegacji do własnej ukrytej sekwencji i przekazuje pracę do harnessu. W obu projektach myślenie, wyszukiwanie i logika biznesowa odbywają się w zwykłym modelu tekstowym za warstwą konwersacyjną — a ta warstwa to jedyny element, który w którymkolwiek z tych stosów możesz wybrać swobodnie.

OrcaRouter nie obsługuje ani Grok Voice 3.0, ani Realtime-Venus. Sesja Grok Voice należy do własnego WebSocketu SpaceXAI, a Realtime-Venus to plik do pobrania, którego nie udostępniamy; opisywanie routera jako znajdującego się wewnątrz dwukierunkowej sesji audio byłoby opisywaniem czegoś, co nie istnieje. Delegowana część wygląda inaczej: 207 modeli od kilkunastu dostawców upstream za jednym kluczem w cenie katalogowej dostawcy bez marży, z automatycznym przełączaniem awaryjnym, gdy wydajność dostawcy spada, oraz DSL routingu, który składa kilka modeli w jedno wywołanie. W architekturze takiej jak Realtime-Venus, gdzie nieprzetestowany komponent hostowany samodzielnie przekazuje pracę modelowi tekstowemu, którego również nie poddałeś benchmarkom, przełączanie awaryjne to różnica między złym popołudniem u jednego dostawcy a przerwanym połączeniem.

Który wybrać i kiedy odpowiedź się zmienia

Jeśli w tym kwartale coś wdrażasz, Grok Voice 3.0 jest jedynym z tych dwóch, który jest decyzją, a nie projektem. Znajduje się na szczycie publicznego rankingu, zaczyna mówić w 0,81 sekundy, kosztuje tyle samo co model, który zastępuje, i można go wywołać już dziś przez endpoint, którego parametry sesji się nie zmieniły. Najpierw przypnij swoją wersję — alias zmienił się już dwukrotnie w tym kwartale — a potem wdrażaj.

Realtime-Venus jest właściwą odpowiedzią na znacznie węższe pytanie: czy potrzebujesz modelu, który obserwuje pomieszczenie i mówi o tym, co się w nim znajduje, na sprzęcie, który posiadasz, na licencji, która pozwala go dostrajać? Ta możliwość nie ma hostowanego odpowiednika w tym zestawieniu. Grok Voice 3.0 nie ma żadnego wejścia wizualnego, podobnie jak inne czołowe modele głosowe na liście. Jeśli to jest twoje wymaganie, pobranie to jedyne drzwi.

To, co zmieniłoby tę stronę, jest tym samym, co zmieniłoby większość tej kategorii. Dostawca inferencji oferujący Realtime-Venus z opublikowaną stawką zamieniłby artefakt badawczy w produkt i uczyniłby porównanie realnym; druga, niezależna reprodukcja wskaźnika kontynuacji backchannel na poziomie 97% rozstrzygnęłaby jedyną liczbę, którą oba systemy mogą obecnie wspólnie podawać. Dopóki któreś z nich się nie pojawi, trafne podsumowanie jest bez ogródek: jedno z nich można kupić, a drugie można przeczytać. To, które można przeczytać, jest ciekawszym dokumentem, a to, które można kupić, jest tym, które odbiera telefon.