Grok Voice 3.0 vs SeedRealtime: jeden jest najlepszym modelem głosowym na liście, a drugiego na liście nie ma

To porównanie ma nietypowy kształt. Grok Voice 3.0 to najlepiej oceniany model zamiany mowy na mowę, jaki mierzy Artificial Analysis, z wynikiem 86,9 w Speech to Speech Index na dzień 13 października 2026, w cenie 0,08 USD za minutę i dostępny dziś przez API czasu rzeczywistego SpaceXAI. SeedRealtime — formalnie „SeedRealtime: An Audio-Visual Full-Duplex LLM”, wydany przez zespół Seed ByteDance 5 sierpnia 2026 — nie pojawia się na tej tablicy w żadnej formie. Brak wyniku indeksu, brak komponentu rozumowania, brak wskaźnika dynamiki konwersacyjnej, brak Elo areny, brak wskaźnika sukcesu zadania, brak czasu do pierwszego dźwięku. To nie niski wynik. Pusty wiersz, ponieważ model nigdy nie został zgłoszony.

To puste miejsce jest uczciwym punktem wyjścia, ponieważ nie jest to przeoczenie ze strony zarządu. SeedRealtime nie ma publicznego API, identyfikatora modelu, otwartych wag, raportu technicznego, liczby parametrów ani opublikowanej ceny. Działa wewnątrz konsumenckiej aplikacji Doubao firmy ByteDance, bezpłatnie, w trybie głosowym i wideo, i tak jest od premiery. Nie ma czego mierzyć, bo nie ma punktu końcowego do pomiaru, a nie ma sposobu, by go wywołać, bo nie ma czego wywoływać.

Tam, gdzie naprawdę się różnią, i nie chodzi o jakość.

Pomijając tablice wyników, te dwa modele wykonują różne zadania w różnych pokojach.

Grok Voice 3.0 to model audio. Słyszy i mówi przez dwukierunkowy WebSocket, wiele razy na sekundę decyduje, czy dalej słuchać, wstrzymać się, przerwać czy wywołać narzędzie z tablicy tools w swojej aktualizacji sesji, a także ma pięć mierzonych wyników składowych oraz czołową pozycję w arenie. Jego poprzednia generacja była promowana na podstawie wskaźnika błędów słów w 24 językach i 1,5 do 2,0 razy niższego błędu niż dedykowane modele transkrypcji — raportowane przez dostawcę, nigdy niezależnie nieodtworzone i niepowtórzone w nowszym materiale premierowym.

SeedRealtime słyszy i widzi w jednej sieci. ByteDance opisuje ujednolicone ramy, w których percepcja, rozumienie, podejmowanie decyzji i generowanie odpowiedzi zachodzą w pojedynczym modelu, a nie w kaskadzie, przy czym kolejność zabierania głosu jest ustalana wewnętrznie i nie ma w ogóle zewnętrznego detektora aktywności głosowej. Jego opublikowane demonstracje obejmują hałaśliwą kolację grupową, podczas której model musi przypisywać głosy do tożsamości, wizytę w muzeum, gdzie z własnej inicjatywy podaje informacje, gdy docelowy eksponat pojawia się w polu widzenia, proces przygotowywania espresso, który koryguje w czasie rzeczywistym, oraz scenariusz lotniskowy, w którym ignoruje niezwiązane rozmowy, przywołuje tablicę odlotów z wcześniejszej części sesji i łączy się z internetem, aby uzyskać numer taśmy bagażowej.

• Dane wejściowe — Grok Voice 3.0: audio i tekst, z narzędziami; SeedRealtime: audio, wideo i tekst połączone w jednym modelu.

• Naprzemienność mówienia — Grok Voice 3.0 wykorzystuje wykrywanie aktywności głosowej po stronie serwera konfigurowane dla każdej sesji; SeedRealtime usuwa zewnętrzny VAD i przenosi decyzję do wnętrza modelu.

• Proaktywne zachowanie — Grok Voice 3.0 odpowiada i wywołuje narzędzia; SeedRealtime jest opisywany jako odzywający się bez zachęty, gdy w polu widzenia pojawi się istotny obiekt.

• Opóźnienie — Grok Voice 3.0 podaje 0,81 sekundy do pierwszego dźwięku; SeedRealtime nie podaje żadnej wartości opóźnienia, jedynie cel w roadmapie dotyczący skrócenia opóźnienia end-to-end.

• Cena — Grok Voice 3.0 0,08 USD za minutę plus 0,004 USD za wprowadzenie tekstu; SeedRealtime nie ma ceny ani oferty komercyjnej i jest bezpłatny w aplikacji konsumenckiej.

• Dostępność — Grok Voice 3.0 jest już dostępny dla deweloperów z udokumentowanym endpointem i mechanizmem tokenów efemerycznych dla połączeń po stronie klienta; SeedRealtime jest w pierwszej kolejności kierowany na Chiny kontynentalne przez Doubao, co zwykle wymaga do rejestracji numeru telefonu komórkowego z Chin kontynentalnych, przy czym nie ogłoszono zlokalizowanej wersji produktu w języku angielskim.

• Dowody — Grok Voice 3.0 ma pięć niezależnych pomiarów komponentów oraz pomiar zbiorczy; SeedRealtime ma jedną wewnętrzną ocenę przeprowadzoną przez człowieka.

Problem dowodowy, precyzyjnie sformułowany

Jedynym ilościowym twierdzeniem, jakie ByteDance formułuje na temat SeedRealtime, jest to, że kompleksowe oceny przeprowadzone przez ludzi pokazują, że zmniejsza ono o połowę problemy z rytmem rozmowy w porównaniu z kaskadowymi systemami ASR-plus-vision-plus-TTS — mniej przerwań w połowie zdania, mniej wolnych odpowiedzi po pauzie, mniej fałszywych wyzwalaczy wywołanych odgłosami rozmów w tle. Nie podano liczebności próby, liczby anotatorów, nazwy benchmarku, metodologii ani dokładnej wartości. Twierdzenie jest takie, że problem stał się w przybliżeniu o połowę mniej dotkliwy, i pochodzi od zespołu, który zbudował model.

Porównaj to z tym, co da się ustalić na temat Grok Voice 3.0. Jego złożony wynik 86,9 rozkłada się na wartość rozumowania, wartość dynamiki konwersacyjnej, ocenę agentową, Elo preferencji w arenie oraz wskaźnik skuteczności zadań, przy czym każdy z nich mierzony jest w opublikowanym środowisku testowym, a leżącą u ich podstaw tablicę wyników może odczytać każdy. To nie czyni tych liczb niepodważalnymi — wskaźnik złożony to wybór wag, a komponent arenowy zostaje zamrożony w momencie, gdy model staje się kwalifikowalny do publikacji, zamiast śledzić bieżące Elo — ale oznacza, że zespół z zewnątrz może sprawdzić arytmetykę i nie zgodzić się z wnioskiem, zamiast nie móc w ogóle go sformułować.

Oba modele wiążą się również z zapewnieniami dostawców na temat ich własnych wdrożeń produkcyjnych, a oba zestawy są nieweryfikowalne w ten sam sposób. SpaceXAI podaje, że centra obsługi telefonicznej Starlink obsługują 20 000 połączeń od klientów dziennie w wielu językach, z czego około 70% jest rozwiązywanych bez udziału człowieka, a także miliony codziennych rozmów w Tesli i SpaceX. ByteDance podaje pełne wdrożenie w Doubao w zakresie głosu i wideo. To najsilniejsze dostępne sygnały, że systemy działają w rzeczywistym świecie, a jednocześnie najsłabsze dostępne dowody dla czytelnika, ponieważ żadnego z nich nie można zewnętrznie zaudytować, a oba opisują usługi, a nie modele.

Na czym możesz budować, a na czym nie

Oto część, która rozstrzyga porównanie niezależnie od możliwości. Tylko jedno z tych dwóch jest komponentem. Drugie jest demonstracją tego, jak wygląda architektura konwergentna.

Grok Voice 3.0 wpasowuje się w stos z ciągiem modelu albo bez niczego, jeśli wdrożono w oparciu o grok-voice-latest, który został na niego automatycznie przeniesiony 14 października. Ten sam punkt końcowy czasu rzeczywistego, te same parametry sesji, te same nazwy zdarzeń, ten sam wbudowany zestaw głosów i punkt końcowy niestandardowego głosu co generacja, którą zastępuje. Narzędzia o zasięgu sesji pozwalają agentowi wywołać twój backend w trakcie rozmowy. Istnieje koszt integracji, mierzony w minutach.

SeedRealtime nie da się rozłożyć na części i jest to kwestia architektury, a nie komercyjna. Nie ma połowy odpowiadającej za rozumowanie do wymiany, ponieważ myślenie znajduje się w tej samej sieci co słuchanie i patrzenie; nie ma hostowanej powierzchni, do której można by kierować, nie ma limitu do kupienia, nie ma klucza do zdobycia. Jego możliwości są realne, a jego demonstracje są najbardziej uderzające w tej kategorii. Jest też, dla każdego spoza rynku konsumenckiego ByteDance, produktem, którego nie można postawić przed klientem w tym kwartale.

Jedno ostrzeżenie, które warto powiedzieć wprost, ponieważ jest to aktywny tryb awarii: co najmniej jeden blog zewnętrzny obecnie opisuje SeedRealtime jako dostępny przez router modeli. Nie ma punktu końcowego, do którego można by kierować, więc wszystko, co reklamuje dostęp do SeedRealtime, reklamuje coś innego. W związku z tym wyszukiwania API głosu w czasie rzeczywistym ByteDance ujawniają model mowy w czasie rzeczywistym typu end-to-end Volcano Engine, który jest innym systemem wyłącznie audio — jeśli porównywałeś opublikowany limit i cennik tego modelu z Grok Voice 3.0, porównywałeś niewłaściwy produkt.

Gdzie router faktycznie pasuje

OrcaRouter nie obsługuje żadnego z tych modeli i warto powiedzieć bez ogródek, dlaczego takie ujęcie zwykle jest błędne. Grok Voice 3.0 ma jednego dostawcę: xAI, a SeedRealtime nie jest sprzedawany przez nikogo. Żadna warstwa routingu nie zmienia żadnego z tych faktów, a platforma, która twierdzi inaczej, opisuje możliwość, której nie ma.

To, co zmienia warstwa routingu, to warstwa tekstowa znajdująca się pod głosem. Każde z tych wdrożeń to model głosowy plus stos modeli językowych: backend narzędzi, który wywołuje model głosowy, klasyfikator, który czyta transkrypcję, streszczacz, który pisze zapis, wyszukiwanie, które odpowiada na to, co warstwa głosowa musiała przekazać dalej. Ta praca jest rozliczana za żądanie i to tam kumuluje się znacząca część kosztu na rozmowę. To właśnie uruchamiamy — ponad 200 modeli za jednym kluczem w cenie katalogowej dostawcy bez marży, automatyczne przełączanie awaryjne między dostawcami, oraz DSL routingu do komponowania kilku modeli w jedno wywołanie — i to jest ta połowa produktu głosowego, którą można trzymać na stałe, podczas gdy model audio pod nią się zmienia, co — biorąc pod uwagę, jak swobodnie warstwa audio bywa wymieniana — jest właściwością, którą warto mieć.

Werdykt

Jeśli budujesz teraz agenta głosowego, Grok Voice 3.0 jest wyborem, a powodem nie jest indeks. Powód jest taki, że ma najwyższy wynik złożony i najwyższą pozycję w rankingu arena, publikuje najszybszy czas od rozpoczęcia do mówienia w grupie frontier na poziomie 0,81 sekundy, kosztuje tyle samo za minutę co model, który zastępuje, i jest dostępny z udokumentowanym endpointem już dziś. To cztery osobne powody i żaden z nich nie wymaga zaufania liczbie, której nikt nie może sprawdzić.

Wybierz SeedRealtime — a raczej poczekaj na niego — tylko jeśli Twój produkt zależy od tej konkretnej rzeczy, którą robi, a której nie robi nic innego: odczytywania nastroju w pomieszczeniu. Audiowizualny pełny dupleks z oczami zwróconymi na scenę to możliwość, której obecnie nie oferuje żaden hostowany zachodni model głosowy, a demonstracje ByteDance w tym zakresie są przekonujące. Sygnałem, na który warto czekać, jest deweloperskie API ByteDance w Volcano Engine lub BytePlus z opublikowanym cennikiem, co zamieniłoby studium przypadku w produkt bez hostowanego konkurenta. Dopóki to się nie pojawi, model pozostaje na liście obserwowanych, a nie w architekturze, a każdy artykuł, który twierdzi, że porównuje go z modelem z rankingu, porównuje tablicę wyników z wideo.

Właśnie przy takich porównaniach ujawniają się też tryby awarii: udokumentowane incydenty związane z AI i awarie agentów stojące za modelami z tej klasy zebrano w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis ma własne źródła, wagę, ocenę wiarygodności i flagę sporu.