Grok Voice 3.0 vs SeedRealtime: ตัวหนึ่งเป็นโมเดลเสียงที่ดีที่สุดบนลีดเดอร์บอร์ด ส่วนอีกตัวไม่ได้อยู่บนลีดเดอร์บอร์ด

การเปรียบเทียบนี้มีรูปร่างที่แปลกประหลาด Grok Voice 3.0 เป็นโมเดลแปลงเสียงเป็นเสียงที่ได้คะแนนสูงสุดที่ Artificial Analysis วัดได้ โดยอยู่ที่ 86.9 บน Speech to Speech Index ณ วันที่ 13 ตุลาคม 2026 ราคา 0.08 ดอลลาร์ต่อนาที และเข้าถึงได้วันนี้ผ่าน API แบบเรียลไทม์ของ SpaceXAI SeedRealtime — ชื่อทางการคือ "SeedRealtime: An Audio-Visual Full-Duplex LLM" เปิดตัวโดยทีม Seed ของ ByteDance เมื่อวันที่ 5 สิงหาคม 2026 — ไม่ปรากฏบนลีดเดอร์บอร์ดนั้นในรูปแบบใด ๆ ไม่มีคะแนนดัชนี ไม่มีองค์ประกอบการให้เหตุผล ไม่มีตัวเลขพลวัตการสนทนา ไม่มี Elo ของอารีนา ไม่มีอัตราความสำเร็จของงาน ไม่มีเวลาถึงเสียงแรก ไม่ใช่คะแนนต่ำ แต่เป็นแถวว่างเปล่า เพราะโมเดลนี้ไม่เคยถูกส่งเข้าประเมิน

ช่องว่างนั้นคือจุดเริ่มต้นที่ตรงไปตรงมา เพราะมันไม่ใช่การมองข้ามของคณะกรรมการ SeedRealtime ไม่มี API สาธารณะ, ไม่มี ID ของโมเดล, ไม่มีน้ำหนักโมเดลแบบเปิด, ไม่มีรายงานทางเทคนิค, ไม่มีจำนวนพารามิเตอร์ และไม่มีราคาที่เผยแพร่ มันทำงานอยู่ภายในแอปผู้บริโภค Doubao ของ ByteDance ฟรี ในรูปแบบเสียงและวิดีโอ และเป็นเช่นนี้มาตั้งแต่เปิดตัว ไม่มีอะไรให้วัดเพราะไม่มีเอนด์พอยต์ให้วัด และไม่มีวิธีเรียกมันเพราะไม่มีอะไรให้เรียก

ในจุดที่พวกเขาต่างกันอย่างแท้จริง และมันไม่ใช่คุณภาพ

ถ้าตั้งกระดานคะแนนไว้ข้างๆ สองโมเดลนี้ก็กำลังทำงานต่างกันคนละห้อง

Grok Voice 3.0 เป็นโมเดลเสียง มันฟังและพูดผ่าน WebSocket แบบดูเพล็กซ์ ตัดสินใจหลายครั้งต่อวินาทีว่าจะฟังต่อ หยุดชั่วคราว ขัดจังหวะ หรือเรียกใช้เครื่องมือจากอาร์เรย์เครื่องมือในการอัปเดตเซสชันของมัน และมันมีคะแนนองค์ประกอบที่วัดได้ห้าค่า บวกกับตำแหน่งสูงสุดในอารีนา รุ่นก่อนหน้าของมันถูกทำการตลาดโดยชูอัตราความผิดพลาดระดับคำใน 24 ภาษา และมีข้อผิดพลาดต่ำกว่าโมเดลถอดเสียงโดยเฉพาะ 1.5 ถึง 2.0 เท่า — เป็นข้อมูลที่ผู้ขายรายงาน ไม่เคยถูกทำซ้ำโดยอิสระ และไม่ถูกกล่าวซ้ำในเนื้อหาการเปิดตัวที่ใหม่กว่า

SeedRealtime ได้ยินและเห็นในเครือข่ายเดียว ByteDance อธิบายกรอบงานแบบรวมเป็นหนึ่งซึ่งการรับรู้ ความเข้าใจ การตัดสินใจ และการสร้างการตอบสนองเกิดขึ้นภายในโมเดลเดียว แทนที่จะเป็นกระบวนการแบบเรียงต่อกันเป็นขั้น โดยการผลัดกันพูดถูกตัดสินภายใน และไม่มีตัวตรวจจับกิจกรรมเสียงจากภายนอกเลย การสาธิตที่เผยแพร่ ได้แก่ งานเลี้ยงอาหารค่ำกลุ่มที่มีเสียงรบกวน ซึ่งโมเดลต้องจับคู่เสียงกับตัวตน การเยี่ยมชมพิพิธภัณฑ์ที่มันให้ข้อมูลเองเมื่อนิทรรศการเป้าหมายปรากฏในสายตา ขั้นตอนการทำเอสเปรสโซที่มันแก้ไขแบบเรียลไทม์ และสถานการณ์สนามบินที่มันเพิกเฉยต่อเสียงพูดคุยที่ไม่เกี่ยวข้อง จำกระดานเที่ยวบินขาออกจากช่วงก่อนหน้าในเซสชัน และเชื่อมต่อออนไลน์เพื่อหาหมายเลขสายพานรับกระเป๋า

• อินพุต — Grok Voice 3.0 รองรับเสียงและข้อความ พร้อมเครื่องมือ; SeedRealtime รวมเสียง วิดีโอ และข้อความไว้ในโมเดลเดียว

• การสลับบทสนทนา — Grok Voice 3.0 ใช้การตรวจจับกิจกรรมเสียงฝั่งเซิร์ฟเวอร์ที่กำหนดค่าแยกตามเซสชัน; SeedRealtime ตัด VAD ภายนอกออก และย้ายการตัดสินใจไปไว้ภายในโมเดล

• พฤติกรรมเชิงรุก — Grok Voice 3.0 ตอบสนองและเรียกใช้เครื่องมือ; SeedRealtime ถูกอธิบายว่าพูดขึ้นมาเองโดยไม่ต้องมีใครกระตุ้น เมื่อมีวัตถุที่เกี่ยวข้องปรากฏขึ้นในมุมมอง

• ความหน่วง — Grok Voice 3.0 เปิดเผยว่าใช้เวลา 0.81 วินาทีถึงเสียงแรก; SeedRealtime ไม่เปิดเผยตัวเลขความหน่วงเลย มีเพียงเป้าหมายในแผนงานที่จะลดความหน่วงแบบ end-to-end

• ราคา — Grok Voice 3.0 ราคา $0.08 ต่อนาที บวก $0.004 ต่อข้อความอินพุต; SeedRealtime ไม่มีราคาและไม่มีข้อเสนอเชิงพาณิชย์ และใช้งานฟรีภายในแอปสำหรับผู้บริโภค

• การเข้าถึงได้ — Grok Voice 3.0 พร้อมใช้งานสำหรับนักพัฒนาแล้ว โดยมี endpoint ที่มีเอกสารกำกับและเส้นทาง ephemeral token สำหรับการเชื่อมต่อฝั่งไคลเอนต์; SeedRealtime มุ่งเน้นจีนแผ่นดินใหญ่เป็นอันดับแรกผ่าน Doubao ซึ่งโดยทั่วไปต้องใช้เบอร์มือถือจีนแผ่นดินใหญ่ในการลงทะเบียน โดยยังไม่มีผลิตภัณฑ์ภาษาอังกฤษแบบโลคัลไลซ์ที่ประกาศออกมา

• หลักฐาน — Grok Voice 3.0 มีการวัดองค์ประกอบอิสระห้ารายการพร้อมคะแนนรวม ส่วน SeedRealtime มีการประเมินโดยมนุษย์ภายในหนึ่งรายการ

ปัญหาหลักฐานที่ระบุไว้อย่างแม่นยำ

ข้อกล่าวอ้างเชิงปริมาณเพียงข้อเดียวที่ ByteDance ระบุเกี่ยวกับ SeedRealtime คือการประเมินโดยมนุษย์แบบ end-to-end แสดงให้เห็นว่ามันลดปัญหาจังหวะการสนทนาลงครึ่งหนึ่งเมื่อเทียบกับระบบ ASR บวกวิชันบวก TTS แบบคาสเคด — มีการตัดบทกลางประโยคน้อยลง, การตอบกลับช้าหลังจากหยุดน้อยลง, การกระตุ้นผิดพลาดจากเสียงพูดคุยในพื้นหลังน้อยลง. ไม่มีขนาดตัวอย่าง, ไม่มีจำนวนผู้ทำแอนโนเทชัน, ไม่มีชื่อ benchmark, ไม่มีระเบียบวิธี และไม่มีตัวเลขที่แน่นอน. ข้อกล่าวอ้างคือปัญหานั้นเบาลงประมาณครึ่งหนึ่ง และมันมาจากทีมที่สร้างโมเดล.

ลองเปรียบเทียบสิ่งนั้นกับสิ่งที่อาจรู้ได้เกี่ยวกับ Grok Voice 3.0 คะแนนรวม 86.9 ของมันแยกออกเป็นค่าตัวเลขด้านการให้เหตุผล ค่าตัวเลขด้านพลวัตการสนทนา คะแนนเชิงเอเจนต์ ค่า Elo ความชอบในอารีนา และอัตราความสำเร็จของงาน โดยแต่ละค่าถูกวัดภายใต้ชุดทดสอบที่เผยแพร่ พร้อมกระดานคะแนนต้นทางที่ใครก็อ่านได้ นั่นไม่ได้ทำให้ตัวเลขเหล่านี้พ้นข้อโต้แย้ง — ดัชนีรวมคือการเลือกวิธีถ่วงน้ำหนัก และองค์ประกอบอารีนาถูกตรึงไว้ ณ จุดที่โมเดลมีสิทธิ์ได้รับการเผยแพร่ แทนที่จะติดตาม Elo แบบสด — แต่มันหมายความว่าทีมภายนอกสามารถตรวจสอบการคำนวณและไม่เห็นด้วยกับข้อสรุปได้ แทนที่จะไม่สามารถตั้งข้อสรุปขึ้นมาได้

โมเดลทั้งสองยังมีคำกล่าวอ้างจากผู้ขายเกี่ยวกับการใช้งานจริงในระบบการผลิตของตนเอง และคำกล่าวอ้างทั้งสองชุดนี้ก็ไม่สามารถตรวจสอบยืนยันได้ในลักษณะเดียวกัน SpaceXAI รายงานว่าศูนย์บริการทางโทรศัพท์ของ Starlink จัดการสายลูกค้า 20,000 สายต่อวันในหลายภาษา โดยประมาณ 70% ได้รับการแก้ไขโดยไม่ต้องมีมนุษย์ และมีบทสนทนาหลายล้านครั้งต่อวันทั่วทั้ง Tesla และ SpaceX ส่วน ByteDance รายงานการเปิดตัวเต็มรูปแบบใน Doubao ครอบคลุมทั้งเสียงและวิดีโอ สิ่งเหล่านี้เป็นสัญญาณที่แข็งแกร่งที่สุดเท่าที่มีอยู่ว่าระบบทำงานได้ในโลกจริง และในขณะเดียวกันก็เป็นหลักฐานที่อ่อนแอที่สุดเท่าที่มีอยู่สำหรับผู้อ่าน เนื่องจากทั้งสองไม่สามารถตรวจสอบได้จากภายนอก และทั้งสองอธิบายถึงบริการมากกว่าโมเดล

สิ่งที่คุณสามารถต่อยอดได้ และสิ่งที่คุณไม่สามารถต่อยอดได้

นี่คือส่วนที่ชี้ขาดการเปรียบเทียบโดยไม่คำนึงถึงความสามารถ ในสองสิ่งนี้ มีเพียงสิ่งเดียวเท่านั้นที่เป็นคอมโพเนนต์ ส่วนอีกสิ่งหนึ่งเป็นการสาธิตให้เห็นว่าสถาปัตยกรรมแบบคอนเวอร์จด์นั้นเป็นอย่างไร

Grok Voice 3.0 เสียบเข้ากับสแต็กได้ด้วยสตริงโมเดล หรือไม่ต้องใส่อะไรเลยหากคุณดีพลอยกับ grok-voice-latest ซึ่งถูกย้ายมาใช้มันโดยอัตโนมัติเมื่อวันที่ 14 ตุลาคม จุดปลายเรียลไทม์เดียวกัน พารามิเตอร์เซสชันเดียวกัน ชื่ออีเวนต์เดียวกัน ชุดเสียงในตัวและจุดปลายเสียงกำหนดเองชุดเดียวกับรุ่นที่มันมาแทนที่ เครื่องมือที่ผูกกับเซสชันช่วยให้เอเจนต์เรียกแบ็กเอนด์ของคุณได้กลางบทสนทนา มีต้นทุนในการอินทิเกรต และมันวัดกันเป็นนาที

SeedRealtime ไม่สามารถแยกออกเป็นส่วนประกอบได้ และนั่นเป็นเรื่องสถาปัตยกรรมมากกว่าเชิงพาณิชย์ ไม่มีส่วนครึ่งหนึ่งด้านการให้เหตุผลให้สลับเปลี่ยน เพราะการคิดนั้นอยู่ภายในเครือข่ายเดียวกับการฟังและการมอง ไม่มีพื้นผิวแบบโฮสต์ให้กำหนดเส้นทางไป ไม่มีโควตาให้ซื้อ ไม่มีคีย์ให้ไปเอามา ความสามารถของมันเป็นของจริง และการสาธิตของมันก็โดดเด่นที่สุดในหมวดนี้ แต่สำหรับใครก็ตามที่อยู่นอกตลาดผู้บริโภคของ ByteDance มันก็ยังไม่ใช่ผลิตภัณฑ์ที่คุณจะนำไปวางตรงหน้าลูกค้าภายในไตรมาสนี้ได้

คำเตือนหนึ่งที่ควรพูดให้ตรงไปตรงมา เพราะมันเป็นโหมดความล้มเหลวที่เกิดขึ้นจริง: อย่างน้อยมีบล็อกของบุคคลที่สามแห่งหนึ่งในปัจจุบันที่อธิบายว่า SeedRealtime สามารถใช้งานได้ผ่านเราเตอร์โมเดล แต่ไม่มีเอนด์พอยต์ใดให้ส่งต่อไป ดังนั้นสิ่งใดก็ตามที่โฆษณาว่าสามารถเข้าถึง SeedRealtime ได้ กำลังโฆษณาสิ่งอื่นอยู่ ในทำนองเดียวกัน การค้นหา API เสียงเรียลไทม์ของ ByteDance จะเผยให้เห็นโมเดลเสียงพูดเรียลไทม์แบบ end-to-end ของ Volcano Engine ซึ่งเป็นระบบที่แตกต่างและใช้เฉพาะเสียง — หากคุณเคยนำโควตาและราคาที่เผยแพร่ของโมเดลนั้นมาเปรียบเทียบกับ Grok Voice 3.0 แสดงว่าคุณกำลังเปรียบเทียบผลิตภัณฑ์ผิดตัวมาตลอด

จุดที่เราเตอร์ลงตัวจริง ๆ

ไม่มีโมเดลใดถูกให้บริการโดย OrcaRouter และควรพูดตรง ๆ ว่าทำไมการวางกรอบแบบนี้จึงมักตีความเรื่องนี้ผิด Grok Voice 3.0 มีแหล่งเดียวจาก xAI และ SeedRealtime ไม่ได้ถูกจำหน่ายโดยใครเลย ไม่มีเลเยอร์การกำหนดเส้นทางใดเปลี่ยนแปลงข้อเท็จจริงทั้งสองข้อนี้ และแพลตฟอร์มที่อ้างเป็นอย่างอื่นก็กำลังบรรยายถึงความสามารถที่ตนไม่มี

สิ่งที่เลเยอร์การจัดเส้นทาง (routing layer) เข้าไปเปลี่ยนคือชั้นข้อความที่อยู่ใต้เสียงลงไป ทุกดีพลอยเมนต์ในกลุ่มนี้คือโมเดลเสียงบวกกับสแตกของโมเดลภาษา: แบ็กเอนด์เครื่องมือที่โมเดลเสียงเรียกใช้ ตัวจำแนกที่อ่านทรานสคริปต์ในภายหลัง ตัวสรุปที่เขียนบันทึก และระบบดึงข้อมูลที่ตอบในส่วนที่เลเยอร์เสียงต้องส่งต่อไป งานนี้คิดค่าบริการตามจำนวนคำขอ และเป็นจุดที่ค่าใช้จ่ายต่อการเรียกหนึ่งครั้งสะสมกันในสัดส่วนที่มีนัยสำคัญ นี่คือสิ่งที่เราดำเนินการ — โมเดลมากกว่า 200 ตัวอยู่เบื้องหลังคีย์เดียว ในราคาตามที่ผู้ให้บริการประกาศไว้โดยไม่บวกเพิ่มเลย, การเฟลโอเวอร์อัตโนมัติระหว่างผู้ให้บริการ และDSL สำหรับการจัดเส้นทางเพื่อประกอบโมเดลหลายตัวเข้าเป็นการเรียกครั้งเดียว — และมันคือครึ่งหนึ่งของผลิตภัณฑ์เสียงที่คุณคงไว้ให้คงที่ได้ ขณะที่โมเดลเสียงที่อยู่ข้างใต้เปลี่ยนไป ซึ่งเมื่อพิจารณาว่าชั้นเสียงถูกสลับเปลี่ยนกันอย่างไม่ใส่ใจเพียงใด จึงเป็นคุณสมบัติที่ควรค่าแก่การมีจริง ๆ

คำตัดสิน

ถ้าคุณกำลังสร้างวอยซ์เอเจนต์ตอนนี้ Grok Voice 3.0 คือตัวเลือกที่ควรเลือก และเหตุผลไม่ใช่ดัชนี นั่นเป็นเพราะมันมีคะแนนรวมสูงสุดและอยู่ในอันดับสูงสุดของอารีนา มันเปิดเผยเวลาตั้งแต่เริ่มจนถึงเริ่มพูดที่เร็วที่สุดในกลุ่มโมเดลแนวหน้า ที่ 0.81 วินาที มีค่าใช้จ่ายต่อนาทีเท่ากับโมเดลที่มันเข้ามาแทนที่ และเปิดใช้งานได้จริงพร้อม endpoint ที่มีเอกสารประกอบแล้วในวันนี้ นั่นคือเหตุผลสี่ข้อที่แยกจากกัน และไม่มีข้อใดต้องเชื่อตัวเลขที่ไม่มีใครตรวจสอบได้

เลือก SeedRealtime — หรือจริง ๆ แล้วคือรอให้มันมาก่อน — เฉพาะเมื่อผลิตภัณฑ์ของคุณพึ่งพาสิ่งเฉพาะที่มันทำได้ซึ่งไม่มีสิ่งอื่นทำได้: การอ่านบรรยากาศในห้อง ระบบเสียง-ภาพแบบฟูลดูเพล็กซ์ที่มีตาเฝ้าฉากอยู่ เป็นความสามารถที่โมเดลเสียงแบบโฮสต์ของตะวันตกยังไม่มีในตอนนี้ และการสาธิตของ ByteDance ก็ชวนให้เชื่อถือ สัญญาณที่ต้องจับตาคือ API สำหรับนักพัฒนาของ ByteDance บน Volcano Engine หรือ BytePlus ที่มีอัตราค่าบริการประกาศไว้ ซึ่งจะเปลี่ยนกรณีศึกษาให้เป็นผลิตภัณฑ์ที่ไม่มีคู่แข่งแบบโฮสต์ จนกว่าสิ่งนั้นจะปรากฏ โมเดลนี้ก็ยังอยู่ในรายการจับตามากกว่าในสถาปัตยกรรม และบทความใดก็ตามที่อ้างว่าเปรียบเทียบมันกับโมเดลบนลีดเดอร์บอร์ด กำลังเปรียบเทียบกระดานคะแนนกับวิดีโอ

การเปรียบเทียบแบบนี้ก็เป็นจุดที่โหมดความล้มเหลวปรากฏให้เห็นเช่นกัน: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในระดับนี้ได้รับการรวบรวมไว้ในthe OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะถูกโต้แย้งเป็นของตนเอง