Grok Voice 3.0 против Realtime-Venus: Тот, у кого есть тарифная карта, не может видеть, а тот, кто может, не имеет тарифной карты

В конце 2026 года через полнодуплексную голосовую связь проходит четкая разделительная линия, и дело не в качестве. Grok Voice 3.0, анонсированный SpaceXAI 14 октября 2026 года, занимает верхнюю строчку рейтинга Artificial Analysis Speech to Speech Index с 86,9 при 0,08 доллара за минуту аудио, и он не воспринимает ничего, кроме звука. Realtime-Venus, 9B-система с двумя чекпоинтами от команды Venus Ant Group совместно с Университетом Цинхуа, чей технический отчет появился на arXiv 12 сентября 2026 года, передает кадры с камеры через энкодер SigLIP2 и рассказывает о том, что видит, — и у нее нет ни API, ни цены, ни хостируемого эндпоинта, ни независимой оценки любого рода. Все, что можно купить, слышит. Все, что видит, приходится запускать самому.

Разрыв в восприятии — это и есть всё сравнение

У этих двух разница не в нескольких пунктах общего теста. Они различаются тем, что физически способны воспринять, и последствия этого простираются вплоть до того, что вы можете построить.

Входные данные — Grok Voice 3.0 принимает аудио и текст вместе с массивом инструментов; Realtime-Venus-Omni принимает видео или изображения, аудио и текст, причём зрение встроено в ту же сеть, а не прикручено сверху.

• Смена реплик — Grok Voice 3.0 использует серверное определение голосовой активности, настраиваемое для каждой сессии; Realtime-Venus переносит принятие решения внутрь модели, вообще без внешнего детектора.

• Выходные данные — Grok Voice 3.0 возвращает речь и транскрипты; Realtime-Venus возвращает текст и, опционально, речевую волновую форму, декодированную из дискретных S3-токенов потоковым декодером flow-matching, а не отдельным этапом синтеза речи.

• Доступность — Grok Voice 3.0 работает через realtime WebSocket от SpaceXAI, при этом code>grok-voice-latest/code> теперь указывает на него, а его предшественник объявлен устаревшим; Realtime-Venus — это два чекпоинта BF16 под лицензией Apache-2.0 в репозитории code>inclusionAI/Realtime-Venus/code> на Hugging Face, и карточка прямо сообщает, что модель не развёрнута ни одним провайдером инференса.

• Измеримость — Grok Voice 3.0 имеет сводный индекс 86,9 с пятью читаемыми компонентами и Elo на арене 1070; у Realtime-Venus есть числа, заявленные авторами из собственного технического отчёта, и нет записи в таблице лидеров, потому что нет эндпоинта, на который третья сторона могла бы направить тестовый стенд.

• Цена — $0,08 за минуту аудио плюс $0,004 за текстовый ввод, против полного отсутствия цены.

Прочитайте последние две строки вместе — и проступает очертание решения: система с проверенными цифрами — это та, что не способна видеть, а та, что способна видеть, никогда не была измерена никем, кто её не создавал.

Что на самом деле утверждает отчёт и сколько стоит его проверить

Показатели Realtime-Venus взяты из его собственного отчёта и его карточки модели, никто за пределами авторов их не воспроизводил, и нет позиции на арене, с которой можно было бы сравнить. Воспринимайте их как измерения авторов.

• Видеобенчмарки, Realtime-Venus-Omni — лучший результат в шести из восьми бенчмарков, используемых в отчёте, включая StreamingBench 70.2, OVO-Bench 64.7 и Daily-Omni 81.3.

• Аудиобенчмарки, Realtime-Venus-Audio — MMAU 78,0, MMAU-Pro 63,2, Llama Questions 83,8, Speech CMMLU 67,8 и оценка VoiceBench AlpacaEval 4,81, которую отчёт описывает как совпадающую с лучшим сравнительным показателем.

• Full-Duplex-Bench v1.5 — реакция на 75 % перебиваний пользователя, с показателями продолжения 97 % при бэкчэннелах, 88 % при речи, направленной на других, и 86 % при фоновой речи; утверждается, что превосходит Gemini 3.1 Live и GPT-4o по всем трём метрикам продолжения.

• Контекст и формат — 40 960 токенов на обоих чекпоинтах, веса BF16, английский и китайский.

На показателе Daily-Omni стоит задержаться, потому что именно здесь собственные цифры отчёта делают что-то полезное. MiniCPM-o 4.5 — 9B омнимодальная модель, открытая OpenBMB ранее в 2026 году, — показывает 80.2 на том же бенчмарке, а в карточке Realtime-Venus указано, что чекпойнт Omni адаптирован из неё. Realtime-Venus-Omni показывает 81.3. Если оба результата подтвердятся, улучшение от существенной работы по постобучению, среде выполнения и делегированию составляет примерно один пункт на бенчмарке, с которым базовая модель уже хорошо справлялась. Это реалистичный результат для такой работы и гораздо менее драматичная история, чем «лучший в шести из восьми».

На фоне табло, на котором сидит Grok Voice 3.0

Поставьте их честно рядом, и сравнение окажется асимметричным так, что это не польстит ни одному из них.

Что касается динамики разговора — единственной оси, по которой обе системы что-то сообщают, — 97% продолжения у Realtime-Venus при поддакиваниях выше, чем 97,0%, которые Grok Voice 3.0 показывает на Full Duplex Bench. Разные тестовые стенды, разные версии, и одну из двух никогда не запускала внешняя сторона, — так что честная интерпретация такова: Realtime-Venus заявляет о паритете или небольшом преимуществе по единственной метрике, где эти числа вообще можно упомянуть в одном предложении, и у этого заявления есть один читатель.

По всем остальным параметрам их нельзя сравнивать, потому что только один из них представлен на табло. Сводный показатель Grok Voice 3.0, равный 86,9, раскладывается на показатель рассуждений почти у верхнего предела, оценку дуплексного режима 97,0%, 71,6% по τ-Voice, Elo 1070 по предпочтениям на арене и 94,8% успешного выполнения задач — каждый измерен в рамках опубликованного харнесса, который любой может прочитать и оспорить. Сводный показатель — это выбор весов, а компонент арены фиксируется на момент, когда модель получает право на участие, а не отслеживает Elo в реальном времени, — но сторонняя команда может проверить арифметику и не согласиться с выводом, а не оказаться неспособной сформировать собственный.

В этом и заключается настоящая разница в качестве доказательств, и об этом стоит сказать без прилагательных обеих сторон. Обе модели подкрепляются заявлениями вендоров о собственных промышленных внедрениях. SpaceXAI сообщает о колл-центрах Starlink, обрабатывающих 20 000 клиентских звонков в день на нескольких языках, причём около 70% решаются без участия человека, а также о миллионах ежедневных разговоров в Tesla и SpaceX. Ant Group вообще ничего не сообщает о внедрении, потому что внедрения нет — только статья, репозиторий и тестовый стенд. Ни один из этих наборов не поддаётся внешней проверке, и только один из них вообще пытается этого добиться.

Что на самом деле предполагает запуск Realtime-Venus

Загрузка реальна. Две директории с чекпоинтами с шардированными safetensors, пользовательский код Transformers, загружаемый с помощью code>trust_remote_code=True/code>, файл requirements, ресурсы token-to-waveform, эталонный голос и лицензия Apache-2.0. Полнодуплексный стриминг включается одним переключением метода, а задокументированный цикл состоит из одной секунды потоковой предзагрузки (prefill), за которой следует потоковая генерация, и повторяется. Память для длинных видео включается параметром memory-minutes и описывается как не требующая обучения, что необычно для возможности, которая обычно требует тонкой настройки.

Две вещи в нём важнее, чем характеристики.

Первое — это аппаратный минимум. Модель на 9B в BF16 — это примерно восемнадцать гигабайт весов ещё до памяти под активации, а аудиовизуальный дуплексный инференс добавляет поверх этого визуальный энкодер и непрерывный секундный потоковый цикл. Это развёртывание серверного класса, а не ноутбучного, — и это совсем другое дело по сравнению с телефонным звонком, который стоит $0,08 в минуту и начинает работать во второй половине дня, когда вы подписываетесь.

Второе — самый интересный компонент находится не в весах. Двухконтурная среда выполнения — односекундный цикл взаимодействия плюс фоновый планировщик, который в статье называется Realtime-Venus-Harness и выполняет делегированные задачи на основе изолированного снимка состояния диалога, так что долго выполняющаяся задача не может быть испорчена продолжением диалога, — находится в отдельном репозитории на GitHub. Захват причинно-следственных задач — это по-настоящему новая идея в отчёте, и именно эту часть вы собираете сами и сами ей доверяете.

Последний тезис — это то, где архитектуры двух систем сходятся, и именно это практический вывод, который стоит сделать из их сопоставления. Обе системы — фронтенды. Grok Voice 3.0 вызывает инструменты из массива tools в обновлении сессии и делегирует всё более тяжёлое бэкенду, который отвечает синхронно. Realtime-Venus отправляет маркер асинхронного делегирования в свою собственную скрытую последовательность и передаёт работу обвязке. В обеих архитектурах мышление, поиск и бизнес-логика происходят в обычной текстовой модели за диалоговым слоем — и этот слой — единственная часть любого из этих стеков, которую вы вправе свободно выбирать.

OrcaRouter не поддерживает ни Grok Voice 3.0, ни Realtime-Venus. Сессия Grok Voice принадлежит собственному WebSocket SpaceXAI, а Realtime-Venus — это загрузка, которую мы не предоставляем; описывать роутер как находящийся внутри дуплексной аудиосессии означало бы описывать то, чего не существует. С делегированным сегментом дело обстоит иначе: 207 моделей от более чем дюжины вышестоящих провайдеров, доступных по одному ключу по прайс-листовой цене провайдера без наценки, с автоматическим переключением при деградации провайдера и DSL маршрутизации, который объединяет несколько моделей в один вызов. Для архитектуры вроде Realtime-Venus, где непроверенный самостоятельно размещённый компонент передаёт работу текстовой модели, которую вы тоже не тестировали, автоматическое переключение при отказе — это разница между неудачным днём для одного провайдера и сорванным вызовом.

Что выбрать — и когда ответ меняется

Если вы выпускаете что-то в этом квартале, Grok Voice 3.0 — единственный из этих двух, что является решением, а не проектом. Он удерживает вершину публичного рейтинга, начинает говорить за 0,81 секунды, стоит столько же, сколько заменяемая им модель, и его уже сегодня можно вызывать через endpoint, параметры сессии которого не изменились. Сначала закрепите свою версию — алиас уже дважды менялся в этом квартале — а затем выпускайте.

Realtime-Venus — правильный ответ на гораздо более узкий вопрос: нужна ли вам модель, которая наблюдает за помещением и рассказывает о том, что в нём находится, на принадлежащем вам оборудовании, по лицензии, позволяющей её дообучать? У этой возможности нет хостингового эквивалента в данной паре. У Grok Voice 3.0 вообще нет визуального входа, и у других передовых голосовых моделей в рейтинге тоже. Если это ваше требование, скачивание — единственная дверь.

То, что изменило бы эту страницу, — это то же самое, что изменило бы большую часть этой категории. Провайдер инференса, предлагающий Realtime-Venus по опубликованному тарифу, превратил бы исследовательский артефакт в продукт и сделал бы сравнение реальным; второе независимое воспроизведение показателя продолжения бэкканала в 97% окончательно установило бы тот единственный показатель, который обе системы на данный момент могут считать общим. Пока не случится то или другое, точное резюме будет резким: одну из них можно купить, а другую — прочитать. Та, которую можно прочитать, — более интересный документ, а та, которую можно купить, — та, что отвечает на звонки.