Grok Voice 3.0 vs Realtime-Venus: ตัวที่มีเรตการ์ดกลับมองไม่เห็น และตัวที่มองเห็นได้กลับไม่มีเรตการ์ด

มีเส้นแบ่งที่ชัดเจนพาดผ่านเสียงแบบฟูลดูเพล็กซ์ในช่วงปลายปี 2026 และเส้นนั้นไม่ใช่คุณภาพ Grok Voice 3.0 ซึ่งประกาศโดย SpaceXAI เมื่อวันที่ 14 ตุลาคม 2026 ครองอันดับหนึ่งของ Artificial Analysis Speech to Speech Index ที่ 86.9 ในราคา 0.08 ดอลลาร์ต่อนาทีของเสียง และมันรับรู้ได้เพียงเสียงเท่านั้น Realtime-Venus ระบบ 9B แบบสองเช็กพอยต์จากทีม Venus ของ Ant Group ร่วมกับมหาวิทยาลัยชิงหวะ ซึ่งรายงานทางเทคนิคเผยแพร่บน arXiv เมื่อวันที่ 12 กันยายน 2026 สตรีมเฟรมกล้องผ่านเอนโคเดอร์ SigLIP2 และพูดคุยเกี่ยวกับสิ่งที่มันเห็น — และมันไม่มี API ไม่มีราคา ไม่มีปลายทางโฮสต์ และไม่มีการประเมินอิสระใด ๆ ทุกสิ่งที่คุณซื้อได้นั้นได้ยิน ทุกสิ่งที่มองเห็นได้ คุณต้องรันมันเอง

ช่องว่างทางการรับรู้คือการเปรียบเทียบทั้งหมด

สองสิ่งนี้ไม่ได้ต่างกันเพียงไม่กี่คะแนนบนเกณฑ์มาตรฐานเดียวกัน แต่พวกมันต่างกันตรงสิ่งที่สามารถรับเข้าได้ในเชิงกายภาพ และผลลัพธ์ที่ตามมาก็หยั่งลึกไปจนถึงสิ่งที่คุณสร้างขึ้นได้

• อินพุต — Grok Voice 3.0 รับเสียงและข้อความพร้อมอาร์เรย์เครื่องมือ; Realtime-Venus-Omni รับวิดีโอหรือรูปภาพ เสียง และข้อความ โดยความสามารถด้านภาพถูกหลอมรวมไว้ในเครือข่ายเดียวกัน แทนที่จะถูกติดตั้งเพิ่มเข้าไปภายหลัง

• การผลัดกันพูด — Grok Voice 3.0 ใช้การตรวจจับกิจกรรมเสียงฝั่งเซิร์ฟเวอร์ที่ตั้งค่าแยกตามเซสชัน; Realtime-Venus ย้ายการตัดสินใจไปไว้ภายในโมเดล โดยไม่มีตัวตรวจจับภายนอกเลย

• เอาต์พุต — Grok Voice 3.0 ส่งคืนเสียงพูดและข้อความถอดเสียง; Realtime-Venus ส่งคืนข้อความ และอาจรวมถึงรูปคลื่นเสียงที่ถอดรหัสจากโทเคน S3 แบบไม่ต่อเนื่องด้วยตัวถอดรหัสแบบ flow-matching แบบสตรีมมิ่ง แทนที่จะเป็นขั้นตอน text-to-speech แยกต่างหาก

• การเข้าถึงได้ — Grok Voice 3.0 เปิดให้ใช้งานจริงแล้วผ่าน WebSocket แบบเรียลไทม์ของ SpaceXAI โดยที่ code>grok-voice-latest/code> ตอนนี้ชี้ไปที่เวอร์ชันนี้ และเวอร์ชันก่อนหน้าถูกเลิกใช้งานแล้ว; Realtime-Venus เป็นเช็กพอยต์ BF16 สองตัวภายใต้ Apache-2.0 ที่ code>inclusionAI/Realtime-Venus/code> บน Hugging Face และการ์ดระบุอย่างชัดเจนว่าโมเดลนี้ไม่ได้ถูกนำไปใช้งานโดยผู้ให้บริการ inference รายใด

• การวัดผลได้ — Grok Voice 3.0 มีดัชนีรวมที่ 86.9 โดยมีองค์ประกอบที่อ่านค่าได้ห้าส่วน และมี Elo บนอารีนาที่ 1070; Realtime-Venus มีตัวเลขที่ผู้เขียนรายงานเองจากรายงานทางเทคนิคของตน และไม่มีรายการบนลีดเดอร์บอร์ด เพราะไม่มีเอนด์พอยต์ให้บุคคลที่สามนำฮาร์เนสไปชี้ทดสอบ

• ราคา — 0.08 ดอลลาร์ต่อนาทีของเสียง บวก 0.004 ดอลลาร์ต่ออินพุตข้อความ เทียบกับไม่มีราคาเลย

อ่านสองบรรทัดสุดท้ายพร้อมกัน แล้วรูปร่างของการตัดสินใจก็ปรากฏขึ้น: ระบบที่มีตัวเลขผ่านการตรวจสอบแล้วคือระบบที่มองไม่เห็น และระบบที่มองเห็นได้ไม่เคยถูกวัดโดยใครก็ตามที่ไม่ได้สร้างมันขึ้นมา

สิ่งที่รายงานอ้างจริง ๆ และสิ่งที่ต้องแลกเพื่อตรวจสอบ

ตัวเลขของ Realtime-Venus มาจากรายงานของมันเองและโมเดลการ์ดของมัน ไม่มีใครนอกเหนือจากผู้เขียนที่ทำซ้ำผลเหล่านั้น และไม่มีการจัดอันดับในอารีนาให้เปรียบเทียบได้ ให้อ่านค่าเหล่านี้เป็นผลการวัดของผู้เขียน

• การประเมินประสิทธิภาพด้วยวิดีโอ Realtime-Venus-Omni — ได้คะแนนดีที่สุดในหกจากแปดการประเมินที่รายงานใช้ รวมถึง StreamingBench 70.2, OVO-Bench 64.7 และ Daily-Omni 81.3

• เกณฑ์มาตรฐานด้านเสียง Realtime-Venus-Audio — MMAU 78.0, MMAU-Pro 63.2, Llama Questions 83.8, Speech CMMLU 67.8 และคะแนน VoiceBench AlpacaEval 4.81 ซึ่งรายงานอธิบายว่าตรงกับตัวเลขการเปรียบเทียบที่ดีที่สุด

• Full-Duplex-Bench v1.5 — ตอบสนอง 75% ของการขัดจังหวะของผู้ใช้ โดยมีอัตราการพูดต่อเนื่อง 97% ภายใต้เสียงตอบรับสั้น 88% ภายใต้คำพูดที่มุ่งไปยังผู้อื่น และ 86% ภายใต้เสียงพูดพื้นหลัง โดยระบุว่าสูงกว่า Gemini 3.1 Live และ GPT-4o ในตัวชี้วัดความต่อเนื่องทั้งสามรายการ

• บริบทและรูปแบบ — 40,960 โทเคนบนเช็กพอยต์ทั้งสอง, น้ำหนัก BF16, ภาษาอังกฤษและภาษาจีน

ตัวเลข Daily-Omni เป็นตัวที่น่าหยุดพิจารณา เพราะเป็นจุดที่ตัวเลขของรายงานเองทำสิ่งที่มีประโยชน์ MiniCPM-o 4.5 โมเดล omni-modal ขนาด 9B ที่ OpenBMB โอเพนซอร์สเมื่อต้นปี 2026 รายงานค่า 80.2 บนเบนช์มาร์กเดียวกัน — และการ์ดของ Realtime-Venus ระบุว่า Omni checkpoint ถูกดัดแปลงมาจากโมเดลนี้ Realtime-Venus-Omni รายงานค่า 81.3 หากทั้งคู่ยังยืนได้ การปรับปรุงจากความพยายามอย่างมีนัยสำคัญด้านหลังการฝึก รันไทม์ และการมอบหมายงาน ก็อยู่ที่ประมาณหนึ่งจุดบนเบนช์มาร์กที่โมเดลฐานจัดการได้ดีอยู่แล้ว นั่นเป็นผลลัพธ์ที่สมจริงสำหรับงานแบบนี้ และเป็นเรื่องที่ไม่ดราม่าเท่ากับ "ดีที่สุดในหกจากแปด"

เมื่อเทียบกับกระดานคะแนนที่ Grok Voice 3.0 ตั้งอยู่

เอาสองสิ่งนี้มาวางเทียบกันอย่างตรงไปตรงมา แล้วการเปรียบเทียบจะไม่สมมาตรในแบบที่ไม่ทำให้ฝ่ายใดดูดีขึ้นเลย

ในด้านพลวัตการสนทนา ซึ่งเป็นแกนเดียวที่ทั้งสองระบบรายงานข้อมูลบางอย่าง อัตราการพูดต่อ 97% ของ Realtime-Venus ภายใต้แบ็กแชนเนล สูงกว่า 97.0% ที่ Grok Voice 3.0 ระบุบน Full Duplex Bench ฮาร์เนสต่างกัน เวอร์ชันต่างกัน และหนึ่งในสองระบบยังไม่เคยถูกทดสอบโดยบุคคลภายนอก — ดังนั้นการตีความที่ซื่อตรงคือ Realtime-Venus อ้างความเท่าเทียมหรือดีกว่าเล็กน้อยในเมตริกเดียวที่ตัวเลขเหล่านี้ยังพอเอ่ยถึงในประโยคเดียวกันได้ และคำกล่าวอ้างนั้นมีผู้อ่านเพียงหนึ่งราย

ในทุกเรื่องอื่น ทั้งสองไม่สามารถนำมาเปรียบเทียบกันได้ เพราะมีเพียงตัวเดียวเท่านั้นที่อยู่บนบอร์ด คะแนนคอมโพซิต 86.9 ของ Grok Voice 3.0 แยกออกเป็นค่าด้านการใช้เหตุผลที่ใกล้เพดาน คะแนนดูเพล็กซ์ 97.0%, 71.6% บน τ-Voice, Elo 1070 ด้านความชอบบนอารีนา และความสำเร็จของงาน 94.8% โดยแต่ละค่าถูกวัดภายใต้ฮาร์เนสที่เผยแพร่ ซึ่งใครก็สามารถอ่านและโต้แย้งได้ คอมโพซิตคือการเลือกถ่วงน้ำหนัก และองค์ประกอบอารีนาถูกตรึง ณ จุดที่โมเดลเข้าเกณฑ์มีสิทธิ์ แทนที่จะติดตาม Elo แบบสด ๆ — แต่ทีมจากภายนอกสามารถตรวจสอบการคำนวณและไม่เห็นด้วยกับข้อสรุปได้ แทนที่จะไม่สามารถสร้างข้อสรุปขึ้นมาได้

นั่นคือความแตกต่างที่แท้จริงในด้านคุณภาพของหลักฐาน และมันคุ้มค่าที่จะพูดโดยไม่ต้องใช้คำคุณศัพท์ของฝ่ายใด ทั้งสองโมเดลต่างมีคำกล่าวอ้างของผู้ขายเกี่ยวกับการนำไปใช้งานจริงของตนเอง SpaceXAI รายงานว่า Starlink มีศูนย์บริการทางโทรศัพท์ที่รับจัดการสายลูกค้า 20,000 สายต่อวันในหลายภาษา โดยประมาณ 70% ได้รับการแก้ไขโดยไม่ต้องใช้มนุษย์ รวมถึงบทสนทนาหลายล้านครั้งต่อวันใน Tesla และ SpaceX ส่วน Ant Group ไม่ได้รายงานอะไรเกี่ยวกับการนำไปใช้งานจริงเลย เพราะไม่มีการนำไปใช้งานจริง — มีเพียงบทความ ที่เก็บโค้ด และชุดทดสอบเท่านั้น หลักฐานทั้งสองชุดไม่อาจตรวจสอบได้จากภายนอก และมีเพียงหนึ่งในสองเท่านั้นที่พยายามจะเป็นเช่นนั้นด้วยซ้ำ

การรัน Realtime-Venus จริง ๆ แล้วต้องทำอะไรบ้าง

การดาวน์โหลดเป็นของจริง ไดเรกทอรี checkpoint สองแห่งที่มี safetensors แบบแบ่งส่วน โค้ด Transformers ที่กำหนดเองซึ่งโหลดด้วย code>trust_remote_code=True/code> ไฟล์ requirements แอสเซท token-to-waveform เสียงอ้างอิง และสัญญาอนุญาต Apache-2.0 การสตรีมแบบฟูลดูเพล็กซ์เข้าสู่ได้ด้วยการสลับเมธอดเพียงครั้งเดียว และลูปที่ระบุไว้ในเอกสารคือการพรีฟิลแบบสตรีมมิ่งหนึ่งวินาที ตามด้วยการสร้างแบบสตรีมมิ่ง ทำซ้ำ หน่วยความจำวิดีโอแบบยาวเปิดใช้งานด้วยพารามิเตอร์ memory-minutes และถูกอธิบายว่าเป็นแบบ training-free ซึ่งเป็นเรื่องผิดปกติสำหรับความสามารถที่ปกติต้องมีการ fine-tuning

มีสองสิ่งเกี่ยวกับมันที่สำคัญกว่าสเปก

ข้อแรกคือพื้นขั้นต่ำด้านฮาร์ดแวร์ โมเดล 9B ใน BF16 มีน้ำหนักประมาณสิบแปดกิกะไบต์ก่อนจะนับหน่วยความจำสำหรับแอกติเวชัน และการอนุมานแบบดูเพล็กซ์เสียง-ภาพยังเพิ่มตัวเข้ารหัสภาพและลูปสตรีมมิ่งต่อเนื่องหนึ่งวินาทีเข้าไปอีก นั่นคือการติดตั้งระดับเซิร์ฟเวอร์ ไม่ใช่ระดับแล็ปท็อป — และมันเป็นข้อเสนอที่แตกต่างจากการโทรศัพท์ที่คิดราคา $0.08 ต่อนาทีและเริ่มใช้งานได้ในบ่ายวันที่คุณสมัคร

ประการที่สองคือ องค์ประกอบที่น่าสนใจที่สุดไม่ได้อยู่ในค่าน้ำหนัก รันไทม์แบบสองลูป — ลูปการโต้ตอบหนึ่งวินาทีบวกกับตัวจัดตารางเบื้องหลังที่เปเปอร์เรียกว่า Realtime-Venus-Harness ซึ่งดำเนินงานที่ได้รับมอบหมายกับสแนปช็อตแยกต่างหากของสถานะการสนทนา เพื่อให้งานที่ใช้เวลานานไม่ถูกทำให้เสียหายจากการที่การสนทนาเดินหน้าต่อไป — อยู่ในรีโพซิทอรี GitHub แยกต่างหาก การจับงานเชิงสาเหตุ (Causal task capture) เป็นแนวคิดใหม่จริง ๆ ในรายงาน และเป็นส่วนที่คุณประกอบและไว้วางใจด้วยตัวเอง

ประเด็นสุดท้ายนั้นคือจุดที่สถาปัตยกรรมของทั้งสองระบบบรรจบกัน และเป็นบทเรียนเชิงปฏิบัติที่ได้จากการจับคู่นี้ ทั้งคู่เป็นส่วนหน้า Grok Voice 3.0 เรียกเครื่องมือจากอาร์เรย์เครื่องมือในการอัปเดตเซสชันของมัน และมอบหมายงานที่หนักกว่าอะไรก็ตามให้แบ็กเอนด์ที่ตอบกลับแบบซิงโครนัส Realtime-Venus ส่งเครื่องหมายการมอบหมายแบบอะซิงโครนัสเข้าไปในลำดับที่ซ่อนอยู่ของตัวเอง แล้วส่งงานให้ฮาร์เนส ในทั้งสองดีไซน์ การคิด การดึงข้อมูล และตรรกะทางธุรกิจเกิดขึ้นในโมเดลข้อความธรรมดาที่อยู่หลังชั้นสนทนา — และชั้นนั้นคือส่วนเดียวของสแต็กใดก็ตามที่คุณได้เลือกอย่างอิสระ

OrcaRouter ไม่มีทั้ง Grok Voice 3.0 และ Realtime-Venus เซสชัน Grok Voice เป็นของ WebSocket ของ SpaceXAI เอง และ Realtime-Venus เป็นไฟล์ดาวน์โหลดที่เราไม่ได้ให้บริการ การอธิบายว่าเราเตอร์อยู่ในเซสชันเสียงแบบดูเพล็กซ์ก็เท่ากับอธิบายถึงสิ่งที่ไม่มีอยู่จริง ส่วนขาที่ได้รับมอบหมายนั้นต่างออกไป: โมเดล 207 ตัวจากอัปสตรีมมากกว่าสิบสองราย อยู่หลังคีย์เดียวในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม พร้อมการสลับไปใช้สำรองอัตโนมัติเมื่อผู้ให้บริการเสื่อมประสิทธิภาพ และ DSL การกำหนดเส้นทางที่ประกอบโมเดลหลายตัวเข้าเป็นการเรียกครั้งเดียว สำหรับสถาปัตยกรรมอย่างของ Realtime-Venus ซึ่งคอมโพเนนต์ที่โฮสต์เองซึ่งยังไม่ผ่านการพิสูจน์ส่งงานต่อให้โมเดลข้อความที่คุณก็ยังไม่ได้วัดประสิทธิภาพเช่นกัน การสลับไปใช้สำรองคือความแตกต่างระหว่างบ่ายที่ย่ำแย่ของผู้ให้บริการรายหนึ่งกับสายที่หลุดไป

จะเลือกอันไหน และคำตอบจะเปลี่ยนเมื่อใด

ถ้าคุณกำลังจะปล่อยอะไรสักอย่างในไตรมาสนี้ Grok Voice 3.0 คือตัวเดียวในสองตัวที่เป็นการตัดสินใจ ไม่ใช่โปรเจกต์ มันครองอันดับสูงสุดของกระดานสาธารณะ เริ่มพูดได้ใน 0.81 วินาที มีค่าใช้จ่ายเท่ากับโมเดลที่มันเข้าแทนที่ และเรียกใช้งานได้แล้ววันนี้ผ่าน endpoint ที่พารามิเตอร์เซสชันไม่เปลี่ยนแปลง ปักหมุดเวอร์ชันของคุณไว้ก่อน — alias ได้ขยับไปแล้วสองครั้งในไตรมาสนี้ — แล้วค่อยปล่อย

Realtime-Venus คือคำตอบที่ถูกต้องสำหรับคำถามที่แคบลงมาก: คุณต้องการโมเดลที่คอยเฝ้ามองห้องและพูดถึงสิ่งที่อยู่ในนั้น บนฮาร์ดแวร์ที่คุณเป็นเจ้าของ ภายใต้สัญญาอนุญาตที่ให้คุณปรับละเอียดได้หรือไม่? ความสามารถนั้นไม่มีคู่เทียบแบบโฮสต์ในการจับคู่นี้ Grok Voice 3.0 ไม่มีอินพุตภาพเลย และโมเดลเสียงระดับแนวหน้าตัวอื่น ๆ บนบอร์ดก็เช่นกัน หากนั่นคือความต้องการของคุณ การดาวน์โหลดคือประตูบานเดียว

สิ่งที่ทำให้หน้านี้เปลี่ยนไปก็คือสิ่งเดียวกับที่ทำให้ส่วนใหญ่ในหมวดหมู่นี้เปลี่ยนไป ผู้ให้บริการอินเฟอเรนซ์ที่ให้บริการ Realtime-Venus ด้วยอัตราค่าบริการที่เปิดเผย จะเปลี่ยนงานวิจัยชิ้นหนึ่งให้เป็นผลิตภัณฑ์ และทำให้การเปรียบเทียบเป็นจริง การทำซ้ำอย่างอิสระครั้งที่สองของตัวเลขการต่อเนื่องของ backchannel ที่ 97% จะทำให้ตัวเลขหนึ่งตัวที่ทั้งสองระบบสามารถแชร์ได้ในปัจจุบันเป็นที่ยุติ จนกว่าอย่างใดอย่างหนึ่งจะเกิดขึ้นจริง สรุปที่ถูกต้องก็ตรงไปตรงมา: หนึ่งในนั้นคุณซื้อได้ และอีกหนึ่งคุณอ่านได้ อันที่คุณอ่านได้เป็นเอกสารที่น่าสนใจกว่า และอันที่คุณซื้อได้คืออันที่รับโทรศัพท์ได้