Grok Voice 3.0 против SeedRealtime: одна — лучшая голосовая модель в таблице лидеров, а другая в таблице лидеров отсутствует.

У этого сравнения необычная форма. Grok Voice 3.0 — самая высокооценённая модель преобразования речи в речь, которую измеряет Artificial Analysis, с показателем 86,9 в индексе Speech to Speech по состоянию на 13 октября 2026 года, по цене $0,08 за минуту, и доступна сегодня через realtime API SpaceXAI. SeedRealtime — официально «SeedRealtime: An Audio-Visual Full-Duplex LLM», выпущенная командой Seed компании ByteDance 5 августа 2026 года — ни в каком виде не фигурирует в этом рейтинге. Ни оценки в индексе, ни компонента рассуждений, ни показателя динамики разговора, ни Elo на арене, ни процента успешных задач, ни времени до первого аудио. Это не низкая оценка. Пустая строка, потому что модель никогда не была заявлена.

Этот пробел — честная отправная точка, потому что это не упущение со стороны совета. У SeedRealtime нет публичного API, нет идентификатора модели, нет открытых весов, нет технического отчёта, нет числа параметров и нет опубликованной цены. Он работает внутри потребительского приложения Doubao от ByteDance — бесплатно, в голосовом и видеорежимах, — и так было с момента выпуска. Измерять нечего, потому что нет эндпоинта для измерений, и вызвать его невозможно, потому что вызывать нечего.

Там, где они действительно различаются, и дело не в качестве

Отложите табло в сторону, и окажется, что две модели выполняют разные задачи в разных комнатах.

Grok Voice 3.0 — это аудиомодель. Она слышит и говорит через дуплексный WebSocket, принимает решение много раз в секунду, продолжать слушать, приостановиться, прервать или вызвать инструмент из массива инструментов в обновлении сессии, и она имеет пять измеренных оценок компонентов, а также высшую позицию в арене. Её предыдущее поколение продвигалось на основе показателя ошибок в словах для 24 языков и в 1,5–2,0 раза меньшего числа ошибок по сравнению со специализированными моделями транскрипции — по данным производителя, никогда независимо не воспроизводилось и не повторялось в новых материалах о запуске.

SeedRealtime слышит и видит в одной сети. ByteDance описывает единый фреймворк, в котором восприятие, понимание, принятие решений и генерация ответа происходят внутри одной модели, а не в каскаде, при этом очерёдность реплик определяется внутренне и внешний детектор голосовой активности отсутствует вовсе. Среди опубликованных демонстраций — шумный групповой ужин, где модели приходится связывать голоса с личностями, посещение музея, где она сама предлагает информацию, когда в поле зрения появляется нужный экспонат, процесс приготовления эспрессо, который она корректирует в реальном времени, и сценарий в аэропорту, где она игнорирует постороннюю болтовню, вспоминает табло вылета из более ранней части сессии и выходит в сеть за номером багажной карусели.

• Входные данные — аудио и текст Grok Voice 3.0, с инструментами; SeedRealtime — аудио, видео и текст, объединённые в одной модели.

• Смена реплик — Grok Voice 3.0 использует серверное определение голосовой активности, настроенное для каждой сессии; SeedRealtime убирает внешний VAD и переносит принятие решения внутрь модели.

• Проактивное поведение — Grok Voice 3.0 отвечает и вызывает инструменты; SeedRealtime описывается как подающий голос без запроса, когда в поле зрения появляется релевантный объект.

• Задержка — Grok Voice 3.0 указывает 0,81 секунды до первого аудио; SeedRealtime вообще не публикует показатель задержки, только цель дорожной карты по сокращению сквозной задержки.

• Цена — Grok Voice 3.0: $0,08 за минуту плюс $0,004 за текстовый ввод; SeedRealtime не имеет ни цены, ни коммерческого предложения и бесплатен внутри потребительского приложения.

• Доступность — Grok Voice 3.0 уже доступен разработчикам: есть документированная конечная точка и схема с эфемерными токенами для клиентских подключений; SeedRealtime в первую очередь ориентирован на материковый Китай и работает через Doubao, для регистрации в котором обычно требуется номер мобильного телефона материкового Китая, при этом локализованный англоязычный продукт не анонсирован.

• Доказательства — у Grok Voice 3.0 есть пять независимых измерений компонентов плюс композитный показатель; у SeedRealtime — одна внутренняя оценка человеком.

Проблема доказательств, точно сформулированная

Единственное количественное утверждение, которое ByteDance делает о SeedRealtime, состоит в том, что, согласно человеческим оценкам сквозной системы, она вдвое сокращает проблемы с темпом разговора по сравнению с каскадными системами ASR + компьютерного зрения + TTS — меньше обрывов посреди фразы, меньше медленных ответов после паузы, меньше ложных срабатываний из-за фоновой болтовни. Не указаны ни размер выборки, ни число аннотаторов, ни название бенчмарка, ни методология, ни точная цифра. Утверждение состоит в том, что проблема стала примерно вдвое менее серьёзной, и исходит оно от команды, создавшей модель.

Сравните это с тем, что можно узнать о Grok Voice 3.0. Его композитный показатель 86,9 раскладывается на показатель рассуждений, показатель динамики общения, оценку агентности, Elo предпочтений арены и долю успешно выполненных задач, причём каждый измеряется в рамках опубликованного испытательного стенда, а лежащая в основе таблица доступна для чтения любому. Это не делает числа бесспорными — композитный индекс предполагает выбор весовых коэффициентов, а компонент арены фиксируется в момент, когда модель становится допущенной к публикации, а не отслеживает Elo в реальном времени, — но это означает, что сторонняя команда может проверить арифметику и не согласиться с выводом, а не оказаться неспособной его сформировать.

Обе модели также сопровождаются заявлениями вендоров о собственных развёртываниях в продакшене, и оба набора одинаково не поддаются проверке. SpaceXAI сообщает, что колл-центры Starlink обрабатывают 20 000 клиентских звонков в день на нескольких языках, причём примерно 70% решаются без участия человека, а также миллионы ежедневных разговоров в Tesla и SpaceX. ByteDance сообщает о полном развёртывании в Doubao для голосовых и видеорежимов. Это самые сильные из доступных сигналов о том, что системы работают в реальном мире, и одновременно самые слабые из доступных читателю доказательств, поскольку ни один из них нельзя проверить извне, а оба описывают сервисы, а не модели.

На что можно опереться, а на что нельзя

Вот часть, которая разрешает сравнение независимо от возможностей. Только один из этих двух является компонентом. Другой — демонстрация того, как выглядит конвергентная архитектура.

Grok Voice 3.0 встраивается в стек с помощью строки модели — или вообще без неё, если вы развернули решение на grok-voice-latest, который был автоматически переведён на неё 14 октября. Тот же эндпоинт realtime, те же параметры сеанса, те же имена событий, тот же встроенный набор голосов и эндпоинт custom-voice, что и у поколения, которое она заменяет. Инструменты уровня сеанса позволяют агенту обращаться к вашему бэкенду прямо во время разговора. Интеграция требует затрат, и они измеряются минутами.

SeedRealtime невозможно декомпозировать, и это архитектурная, а не коммерческая причина. Нет половины, отвечающей за рассуждение, которую можно было бы заменить, потому что мышление находится внутри той же сети, что и слушание и зрение; нет размещённой поверхности, к которой можно было бы направить запросы, нет квоты, которую можно купить, нет ключа, который можно получить. Его возможности реальны, а его демонстрации — самые впечатляющие в этой категории. Кроме того, для всех, кто находится за пределами потребительского рынка ByteDance, это не продукт, который можно показать клиенту уже в этом квартале.

Об одном предупреждении стоит сказать прямо, потому что это актуальный сценарий отказа: как минимум один сторонний блог в настоящее время описывает SeedRealtime как доступный через маршрутизатор моделей. Нет эндпоинта, на который можно было бы маршрутизировать, поэтому всё, что рекламирует доступ к SeedRealtime, рекламирует что-то другое. С этим связано и то, что поиск по API голоса в реальном времени от ByteDance выдаёт сквозную модель речи в реальном времени от Volcano Engine — это другая система, работающая только со звуком; если вы сравнивали опубликованные квоты и цены этой модели с Grok Voice 3.0, вы сравнивали не тот продукт.

Где на самом деле вписывается маршрутизатор

Ни одна из этих моделей не обслуживается через OrcaRouter, и стоит сказать прямо, почему подобная подача обычно всё искажает. Grok Voice 3.0 поставляется из единственного источника — xAI, а SeedRealtime никем не продаётся. Никакой слой маршрутизации не меняет ни один из этих фактов, и платформа, утверждающая обратное, описывает возможность, которой у неё нет.

Что меняет слой маршрутизации — так это текстовый уровень, лежащий под голосом. Каждое из этих развёртываний — это голосовая модель плюс стек языковых моделей: бэкенд инструментов, который вызывает голосовая модель, классификатор, который затем читает транскрипт, суммаризатор, который пишет запись, поиск, отвечающий на то, что голосовому слою пришлось передать дальше. Эта работа тарифицируется по запросам, и именно в ней накапливается значимая доля стоимости одного звонка. Это то, что запускаем мы — более 200 моделей за одним ключом по прайс-листовой цене провайдеров без наценки, автоматическое переключение при сбое между провайдерами и DSL маршрутизации для объединения нескольких моделей в один вызов — и это та половина голосового продукта, которую можно держать неизменной, пока аудиомодель под ней меняется, а учитывая, как запросто меняется аудиослой, это свойство стоит иметь.

Вердикт

Если вы сейчас создаёте голосового агента, то выбор — Grok Voice 3.0, и причина не в индексе. Она в том, что он занимает наивысший композитный показатель и верхнюю позицию в арене, он публикует самое быстрое время от старта до речи в группе фронтира — 0,81 секунды, он стоит столько же за минуту, сколько модель, которую он заменяет, и он уже работает с документированной конечной точкой сегодня. Это четыре отдельные причины, и ни одна из них не требует доверять числу, которое никто не может проверить.

Выбирайте SeedRealtime — или, вернее, подождите его — только если ваш продукт зависит от той конкретной вещи, которую умеет только он: считывать обстановку. Аудиовизуальный полный дуплекс с глазами, направленными на сцену, — это возможность, которую сейчас не предлагает ни одна облачная западная голосовая модель, а демонстрации ByteDance выглядят убедительно. Сигнал, за которым стоит следить, — это API для разработчиков от ByteDance на Volcano Engine или BytePlus с опубликованным тарифом: он превратил бы кейс в продукт, у которого нет облачных конкурентов. Пока этого не появится, модель остаётся в списке для наблюдения, а не в архитектуре, и любая статья, утверждающая, что сравнивает её с моделью из лидерборда, сравнивает табло с видеозаписью.

Подобные сравнения также выявляют режимы отказа: документированные инциденты с ИИ и сбои агентов, стоящие за моделями этого класса, собраны в архиве инцидентов ИИ OrcaRouter, где каждая запись содержит собственные источники, степень серьёзности, оценку достоверности и флаг оспаривания.