Grok Voice 3.0 vs. SeedRealtime: Um é o melhor modelo de voz do ranking, o outro não está no ranking

Esta comparação tem um formato incomum. Grok Voice 3.0 é o modelo de fala para fala com a maior pontuação medido pela Artificial Analysis, com 86,9 no Speech to Speech Index em 13 de outubro de 2026, com preço de US$ 0,08 por minuto e acessível hoje por meio da API em tempo real da SpaceXAI. SeedRealtime — formalmente "SeedRealtime: An Audio-Visual Full-Duplex LLM", lançado pela equipe Seed da ByteDance em 5 de agosto de 2026 — não aparece nesse ranking de forma alguma. Nenhuma pontuação no índice, nenhum componente de raciocínio, nenhuma métrica de dinâmica de conversação, nenhum Elo de arena, nenhuma taxa de sucesso em tarefas, nenhum tempo até o primeiro áudio. Não é uma pontuação baixa. Uma linha em branco, porque o modelo nunca foi inserido.

Essa lacuna é o ponto de partida honesto, porque não é uma omissão do conselho. O SeedRealtime não tem API pública, nem ID de modelo, nem pesos abertos, nem relatório técnico, nem contagem de parâmetros e nem preço publicado. Ele roda dentro do aplicativo de consumidor Doubao da ByteDance, gratuitamente, em voz e vídeo, e assim o faz desde o lançamento. Não há nada a medir porque não há endpoint para medir, e não há como chamá-lo porque não há nada para chamar.

Onde eles realmente diferem, e não é a qualidade

Deixando os placares de lado, os dois modelos estão fazendo trabalhos diferentes em salas diferentes.

O Grok Voice 3.0 é um modelo de áudio. Ele ouve e fala por um WebSocket duplex, decide muitas vezes por segundo se deve continuar ouvindo, pausar, interromper ou invocar uma ferramenta do array de ferramentas em sua atualização de sessão, e detém cinco pontuações de componentes medidas, além da posição mais alta na arena. Sua geração antecessora foi comercializada com base na taxa de erro de palavras em 24 idiomas e em erro de 1,5 a 2,0 vezes menor do que modelos de transcrição dedicados — relatado pelo fornecedor, nunca reproduzido de forma independente e não reafirmado no material de lançamento mais recente.

O SeedRealtime ouve e vê numa única rede. A ByteDance descreve uma estrutura unificada em que a percepção, a compreensão, a tomada de decisões e a geração de respostas acontecem dentro de um único modelo, em vez de numa cascata, com a alternância de turnos decidida internamente e sem qualquer detector externo de atividade de voz. Entre as suas demonstrações publicadas estão um jantar de grupo ruidoso, no qual o modelo tem de associar vozes a identidades; uma visita a um museu, na qual oferece informações por iniciativa própria quando uma exposição-alvo entra no campo de visão; um fluxo de trabalho de café espresso que corrige em tempo real; e um cenário de aeroporto no qual ignora conversas alheias, recorda um painel de partidas de um momento anterior da sessão e vai à Internet buscar o número da esteira de bagagem.

• Entradas — áudio e texto do Grok Voice 3.0, com ferramentas; áudio, vídeo e texto do SeedRealtime fundidos em um único modelo.

• Alternância de turnos — O Grok Voice 3.0 usa detecção de atividade de voz no lado do servidor configurada por sessão; o SeedRealtime remove o VAD externo e move a decisão para dentro do modelo.

• Comportamento proativo — Grok Voice 3.0 responde e chama ferramentas; SeedRealtime é descrito como se manifestando espontaneamente quando um objeto relevante aparece no campo de visão.

• Latência — o Grok Voice 3.0 publica 0,81 segundos até o primeiro áudio; o SeedRealtime não publica nenhum número de latência, apenas uma meta de roadmap para comprimir a latência ponta a ponta.

• Preço — Grok Voice 3.0 custa $0.08 por minuto mais $0.004 por entrada de texto; SeedRealtime não tem preço nem oferta comercial, e é gratuito dentro de um aplicativo de consumidor.

• Alcance — Grok Voice 3.0 está disponível para desenvolvedores com um endpoint documentado e um caminho de token efêmero para conexões do lado do cliente; SeedRealtime prioriza a China continental por meio do Doubao, que normalmente exige um número de celular da China continental para se registrar, sem qualquer produto localizado em inglês anunciado.

• Evidência — Grok Voice 3.0 tem cinco medições independentes de componentes, além de uma medição composta; SeedRealtime tem uma avaliação humana interna.

O problema da evidência, enunciado com precisão

A única alegação quantitativa que a ByteDance faz sobre o SeedRealtime é que avaliações humanas de ponta a ponta mostram que ele reduz pela metade os problemas de ritmo conversacional em relação a sistemas em cascata de ASR, visão e TTS — menos interrupções no meio da frase, menos respostas lentas após uma pausa, menos acionamentos falsos provocados por conversas ao fundo. Não há tamanho de amostra, nem número de anotadores, nem nome de benchmark, nem metodologia, nem número exato. A alegação é que o problema ficou aproximadamente pela metade, e ela vem da equipe que construiu o modelo.

Compare isso com o que é possível saber sobre o Grok Voice 3.0. Sua pontuação composta de 86,9 decompõe-se em um valor de raciocínio, um valor de dinâmica conversacional, uma pontuação agêntica, um Elo de preferência de arena e uma taxa de sucesso em tarefas, cada um medido sob um harness publicado, com o painel subjacente que qualquer pessoa pode ler. Isso não torna os números incontestáveis — um índice composto é uma escolha de ponderação, e o componente de arena fica congelado no momento em que um modelo se torna elegível para publicação, em vez de acompanhar o Elo ao vivo — mas significa que uma equipe externa pode verificar a aritmética e discordar da conclusão, em vez de ser incapaz de formar uma.

Ambos os modelos trazem também alegações dos fornecedores sobre as suas próprias implementações em produção, e ambos os conjuntos são impossíveis de verificar da mesma forma. A SpaceXAI relata que os centros de chamadas da Starlink processam 20 000 chamadas de clientes por dia em vários idiomas, com cerca de 70% resolvidas sem intervenção humana, e milhões de conversas diárias na Tesla e na SpaceX. A ByteDance relata uma implementação completa no Doubao, tanto em voz como em vídeo. Estes são os sinais mais fortes disponíveis de que os sistemas funcionam no mundo real e, simultaneamente, as evidências mais fracas disponíveis para um leitor, uma vez que nenhum dos dois é auditável a partir do exterior e ambos descrevem serviços, e não modelos.

O que você pode usar como base, e o que não pode

Aqui está a parte que resolve a comparação, independentemente da capacidade. Apenas um destes dois é um componente. O outro é uma demonstração de como é uma arquitetura convergente.

Grok Voice 3.0 encaixa-se em uma stack com uma string de modelo, ou sem nada, se você fez o deploy apontando para grok-voice-latest, que foi movido para ele automaticamente em 14 de outubro. O mesmo endpoint em tempo real, os mesmos parâmetros de sessão, os mesmos nomes de eventos, o mesmo conjunto de vozes integradas e endpoint de voz personalizada da geração que ele substitui. Ferramentas com escopo de sessão permitem que o agente chame seu backend no meio da conversa. Há um custo de integração, e ele é medido em minutos.

O SeedRealtime não pode ser decomposto, e isso é arquitetural, não comercial. Não há uma metade de raciocínio para trocar, porque o pensamento está dentro da mesma rede que a escuta e a observação; não há uma superfície hospedada para onde rotear, nenhuma cota para comprar, nenhuma chave para obter. Sua capacidade é real e suas demonstrações são as mais impressionantes da categoria. Também é, para qualquer pessoa fora do mercado consumidor da ByteDance, um produto que você não pode colocar diante de um cliente neste trimestre.

Um alerta que vale a pena declarar claramente, porque é um modo de falha ativo: pelo menos um blog de terceiros atualmente descreve o SeedRealtime como disponível por meio de um roteador de modelos. Não há endpoint para o qual rotear, então qualquer coisa que anuncie acesso ao SeedRealtime está anunciando outra coisa. De modo relacionado, buscas pela API de voz em tempo real da ByteDance trazem à tona o modelo de fala em tempo real ponta a ponta do Volcano Engine, que é um sistema diferente, somente de áudio — se você tem comparado a cota e os preços publicados desse modelo com o Grok Voice 3.0, você tem comparado o produto errado.

Onde o roteador realmente se encaixa

Nenhum dos modelos é atendido pela OrcaRouter, e vale a pena ser direto sobre por que esse enquadramento costuma errar. O Grok Voice 3.0 tem origem única na xAI, e o SeedRealtime não é vendido por ninguém. Nenhuma camada de roteamento muda qualquer um desses fatos, e uma plataforma que afirma o contrário está descrevendo uma capacidade que não possui.

O que uma camada de roteamento muda é o nível de texto subjacente à voz. Cada uma dessas implantações é um modelo de voz mais uma pilha de modelos de linguagem: o backend de ferramentas que o modelo de voz chama, o classificador que lê a transcrição em seguida, o resumidor que escreve o registro, a recuperação que responde àquilo que a camada de voz teve de repassar. Esse trabalho é medido por requisição e é onde uma fatia significativa do custo por chamada se acumula. É isso que executamos — mais de 200 modelos por trás de uma única chave, ao preço de tabela do provedor, com zero markup, failover automático entre provedores, e uma DSL de roteamento para compor vários modelos em uma única chamada — e é a metade de um produto de voz que você pode manter constante enquanto o modelo de áudio subjacente muda, o que, dada a naturalidade com que a camada de áudio é substituída, é uma propriedade que vale a pena ter.

O veredito

Se você está construindo um agente de voz agora, o Grok Voice 3.0 é a escolha, e o motivo não é o índice. É que ele detém a maior pontuação composta e a melhor posição na arena, publica o tempo mais rápido de início de fala do grupo de fronteira, com 0,81 segundo, custa o mesmo por minuto que o modelo que ele aposenta, e está ativo com um endpoint documentado hoje. São quatro razões distintas, e nenhuma delas exige confiar em um número que ninguém pode verificar.

Escolha o SeedRealtime — ou melhor, espere por ele — apenas se o seu produto depender daquilo específico que ele faz e que nada mais faz: ler o ambiente. Full duplex audiovisual com olhos na cena é uma capacidade que nenhum modelo de voz ocidental hospedado oferece atualmente, e as demonstrações disso feitas pela ByteDance são convincentes. O gatilho a observar é uma API de desenvolvedor da ByteDance no Volcano Engine ou no BytePlus com preço publicado, o que transformaria um estudo de caso em um produto sem concorrente hospedado. Até que isso apareça, o modelo permanece na lista de observação em vez de na arquitetura, e qualquer artigo que afirme compará-lo a um modelo de leaderboard está comparando um placar a um vídeo.

É também em comparações como esta que os modos de falha aparecem: os incidentes de IA documentados e as falhas de agentes por trás dos modelos desta classe são reunidos no OrcaRouter AI Incident Archive, onde cada entrada traz as suas próprias fontes, severidade, grau de confiança e sinalizador de disputa.