Grok Voice 3.0 vs Realtime-Venus: Bên có bảng giá thì không thấy được, còn bên có thể thấy lại không có bảng giá

Có một ranh giới rõ ràng chạy xuyên qua lĩnh vực thoại song công toàn phần vào cuối năm 2026, và đó không phải là chất lượng. Grok Voice 3.0, được SpaceXAI công bố vào ngày 14 tháng 10 năm 2026, giữ vị trí đầu bảng của Artificial Analysis Speech to Speech Index với 86,9 ở mức 0,08 USD mỗi phút âm thanh, và nó không cảm nhận được gì ngoài âm thanh. Realtime-Venus, hệ thống 9B với hai checkpoint của Venus Team thuộc Ant Group hợp tác với Đại học Thanh Hoa, có báo cáo kỹ thuật được đăng trên arXiv vào ngày 12 tháng 9 năm 2026, truyền các khung hình camera qua bộ mã hóa SigLIP2 và nói về những gì nó nhìn thấy — và nó không có API, không có giá, không có endpoint được host và không có bất kỳ đánh giá độc lập nào. Mọi thứ bạn có thể mua đều biết nghe. Mọi thứ biết nhìn, bạn phải tự vận hành.

Khoảng cách nhận thức chính là toàn bộ sự so sánh.

Hai thứ này không khác nhau chỉ vài điểm trên một thước đo chung. Chúng khác nhau ở chỗ chúng thực sự có thể tiếp nhận được những gì, và hệ quả thì kéo dài tận tới những gì bạn có thể tạo ra.

• Đầu vào — Grok Voice 3.0 nhận âm thanh và văn bản cùng một mảng công cụ; Realtime-Venus-Omni nhận video hoặc hình ảnh, âm thanh và văn bản, với thị giác được hợp nhất vào cùng một mạng thay vì chỉ gắn thêm bên ngoài.

• Lượt lời — Grok Voice 3.0 sử dụng phát hiện hoạt động giọng nói phía máy chủ được cấu hình theo từng phiên; Realtime-Venus chuyển quyết định vào bên trong mô hình, không có bộ phát hiện bên ngoài nào cả.

• Đầu ra — Grok Voice 3.0 trả về giọng nói và bản chép lời; Realtime-Venus trả về văn bản và, tùy chọn, dạng sóng giọng nói được giải mã từ các token S3 rời rạc bằng bộ giải mã khớp luồng trực tuyến thay vì một giai đoạn chuyển văn bản thành giọng nói riêng biệt.

• Khả năng truy cập — Grok Voice 3.0 đang hoạt động trực tuyến qua WebSocket thời gian thực của SpaceXAI, với code>grok-voice-latest/code> hiện đang trỏ đến nó và phiên bản tiền nhiệm của nó đã bị ngừng hỗ trợ; Realtime-Venus là hai checkpoint BF16 theo Apache-2.0 tại code>inclusionAI/Realtime-Venus/code> trên Hugging Face, và thẻ mô hình nói rõ rằng mô hình không được triển khai bởi bất kỳ nhà cung cấp suy luận nào.

• Khả năng đo lường — Grok Voice 3.0 đạt chỉ số tổng hợp 86,9 với năm thành phần có thể đọc được và Elo đấu trường là 1070; Realtime-Venus chỉ có các con số do chính tác giả báo cáo trong báo cáo kỹ thuật của mình và không có mục nào trên bảng xếp hạng, bởi vì không có endpoint nào để bên thứ ba trỏ harness của mình vào.

• Giá — $0,08 mỗi phút âm thanh cộng $0,004 mỗi đầu vào văn bản, so với việc hoàn toàn không mất phí.

Đọc hai dòng cuối cùng với nhau và hình dạng của quyết định hiện ra: hệ thống với những con số đã được kiểm toán chính là hệ thống không thể nhìn thấy, còn hệ thống có thể nhìn thấy thì chưa từng được đo lường bởi bất kỳ ai không phải là người đã xây dựng nó.

Báo cáo thực sự khẳng định điều gì, và cái giá để kiểm chứng là bao nhiêu

Các số liệu của Realtime-Venus đến từ báo cáo của chính nó và thẻ mô hình của nó, chưa có ai ngoài các tác giả tái lập được chúng, và không có vị trí xếp hạng arena nào để so sánh. Hãy xem chúng như là các đo lường của chính các tác giả.

• Các bài kiểm chuẩn video, Realtime-Venus-Omni — điểm cao nhất ở sáu trong tám bài kiểm chuẩn mà báo cáo sử dụng, bao gồm StreamingBench 70.2, OVO-Bench 64.7 và Daily-Omni 81.3.

• Các benchmark âm thanh, Realtime-Venus-Audio — MMAU 78,0, MMAU-Pro 63,2, Llama Questions 83,8, Speech CMMLU 67,8 và điểm VoiceBench AlpacaEval 4,81 mà báo cáo mô tả là ngang bằng với con số so sánh tốt nhất.

• Full-Duplex-Bench v1.5 — phản hồi 75% các lần người dùng ngắt lời, với tỷ lệ tiếp tục là 97% dưới tín hiệu hưởng ứng, 88% dưới lời nói hướng đến người khác và 86% dưới tiếng nói nền, được cho là vượt Gemini 3.1 Live và GPT-4o trên cả ba chỉ số tiếp tục.

• Ngữ cảnh và định dạng — 40.960 token trên cả hai checkpoint, trọng số BF16, tiếng Anh và tiếng Trung.

Con số Daily-Omni là con số đáng để dừng lại suy ngẫm, vì đây là chỗ những số liệu của chính báo cáo làm được điều hữu ích. MiniCPM-o 4.5, mô hình đa phương thức omni 9B mà OpenBMB mã nguồn mở hồi đầu năm 2026, báo cáo 80.2 trên cùng một benchmark — và thẻ Realtime-Venus nêu rằng checkpoint Omni được chuyển thể từ nó. Realtime-Venus-Omni báo cáo 81.3. Nếu cả hai đều đứng vững, thì cải thiện từ một nỗ lực hậu huấn luyện, runtime và delegation đáng kể là khoảng một điểm trên một benchmark mà mô hình gốc vốn đã xử lý tốt. Đó là một kết quả thực tế cho loại công việc này và là một câu chuyện ít kịch tính hơn nhiều so với "tốt nhất ở sáu trong tám."

So với bảng điểm mà Grok Voice 3.0 đang đứng trên

Đặt hai thứ cạnh nhau một cách trung thực thì sự so sánh ấy bất đối xứng theo cái cách không tôn lên bên nào cả.

Về động lực hội thoại, trục duy nhất mà cả hai hệ thống đều báo cáo điều gì đó, tỷ lệ tiếp tục 97% của Realtime-Venus dưới các backchannel cao hơn mức 97,0% mà Grok Voice 3.0 công bố trên Full Duplex Bench. Các harness khác nhau, các phiên bản khác nhau, và một trong hai chưa từng được bên ngoài chạy — vậy nên cách đọc trung thực là Realtime-Venus tuyên bố ngang bằng hoặc tốt hơn một chút ở chỉ số duy nhất mà các con số thậm chí có thể được nhắc đến trong cùng một câu, và tuyên bố đó chỉ có một người đọc.

Ở mọi khía cạnh khác, hai bên không thể so sánh được, bởi vì chỉ một trong hai nằm trên một bảng xếp hạng. Điểm tổng hợp 86,9 của Grok Voice 3.0 phân rã thành một chỉ số suy luận gần mức trần, điểm song công 97,0%, 71,6% trên τ-Voice, Elo 1070 về mức ưa thích trên đấu trường và 94,8% thành công tác vụ, mỗi chỉ số được đo theo một bộ khung đánh giá đã công bố mà bất kỳ ai cũng có thể đọc và tranh luận. Điểm tổng hợp là một lựa chọn trọng số, và thành phần đấu trường bị đóng băng tại thời điểm một mô hình trở nên đủ điều kiện thay vì bám theo Elo trực tiếp — nhưng một nhóm bên ngoài có thể kiểm tra phép tính và bất đồng với kết luận, thay vì không thể đưa ra kết luận nào.

Đó mới là khác biệt thực sự về chất lượng bằng chứng, và đáng để nói ra mà không cần đến tính từ của bên nào. Cả hai mô hình đều mang theo những tuyên bố từ nhà cung cấp về các triển khai thực tế của chính họ. SpaceXAI báo cáo rằng các trung tâm cuộc gọi của Starlink xử lý 20.000 cuộc gọi khách hàng mỗi ngày bằng nhiều ngôn ngữ, với khoảng 70% được giải quyết mà không cần con người, cùng hàng triệu cuộc trò chuyện mỗi ngày trên Tesla và SpaceX. Ant Group không báo cáo gì về triển khai cả, bởi vì không có triển khai nào — chỉ có một bài báo, một kho mã nguồn và một khung đánh giá. Cả hai tập hợp đều không thể được kiểm toán từ bên ngoài, và chỉ một trong hai thậm chí còn đang cố gắng làm được điều đó.

Chạy Realtime-Venus thực sự bao gồm những gì

Bản tải xuống là thật. Hai thư mục checkpoint với các safetensors được chia nhỏ, mã Transformers tùy chỉnh được nạp bằng code>trust_remote_code=True/code>, một tệp requirements, các tài nguyên token-to-waveform, một giọng tham chiếu và giấy phép Apache-2.0. Truyền phát song công toàn phần được kích hoạt chỉ bằng một thao tác chuyển phương thức, và vòng lặp được tài liệu hóa gồm một giây prefill truyền phát, tiếp nối bằng sinh truyền phát, rồi lặp lại. Bộ nhớ cho video dài được bật bằng một tham số memory-minutes và được mô tả là không cần huấn luyện, điều khá bất thường đối với một năng lực vốn thường đòi hỏi tinh chỉnh.

Hai điều về nó quan trọng hơn cả thông số kỹ thuật.

Đầu tiên là ngưỡng phần cứng tối thiểu. Một mô hình 9B ở BF16 có khoảng mười tám gigabyte trọng số trước khi tính đến bộ nhớ kích hoạt, và suy luận song công âm thanh-hình ảnh còn cộng thêm bộ mã hóa thị giác cùng một vòng lặp truyền phát liên tục một giây lên trên đó. Đó là một triển khai cấp máy chủ, không phải cấp máy tính xách tay — và nó là một đề xuất khác hẳn so với một cuộc gọi điện thoại tốn 0,08 đô la một phút và bắt đầu hoạt động ngay buổi chiều bạn đăng ký.

Điều thứ hai là thành phần thú vị nhất không nằm trong các trọng số. Runtime vòng lặp kép — một vòng lặp tương tác một giây cộng với một bộ lập lịch nền mà bài báo gọi là Realtime-Venus-Harness, thứ thực thi các tác vụ được ủy thác dựa trên một ảnh chụp nhanh trạng thái hội thoại bị cô lập để một công việc chạy dài không thể bị hỏng bởi cuộc hội thoại tiếp diễn — nằm trong một kho lưu trữ GitHub riêng biệt. Việc nắm bắt tác vụ nhân quả là ý tưởng thực sự mới trong báo cáo, và đó là phần bạn tự lắp ráp và tin tưởng.

Điểm cuối cùng đó chính là nơi kiến trúc của hai hệ thống hội tụ, và đó là điều thực tiễn cần rút ra từ sự kết cặp này. Cả hai đều là giao diện phía trước. Grok Voice 3.0 gọi công cụ từ một mảng công cụ trong cập nhật phiên của nó và giao phó mọi thứ nặng hơn cho một backend trả lời đồng bộ. Realtime-Venus phát ra một dấu hiệu giao việc bất đồng bộ vào chuỗi ẩn của chính nó và chuyển công việc cho một harness. Trong cả hai thiết kế, việc suy nghĩ, truy xuất và logic nghiệp vụ đều diễn ra trong một mô hình văn bản thông thường phía sau một lớp hội thoại — và lớp đó chính là phần duy nhất trong cả hai ngăn xếp mà bạn được tự do lựa chọn.

OrcaRouter không cung cấp Grok Voice 3.0 lẫn Realtime-Venus. Phiên Grok Voice thuộc WebSocket của chính SpaceXAI, còn Realtime-Venus là một bản tải xuống mà chúng tôi không phục vụ; mô tả một router như thể nó nằm trong một phiên âm thanh song công là mô tả một thứ không tồn tại. Chặng được ủy quyền thì khác: 207 mô hình từ hơn một tá nhà cung cấp thượng nguồn đằng sau một key duy nhất, theo giá niêm yết của nhà cung cấp với mức phụ phí bằng không, cùng khả năng tự động chuyển đổi dự phòng khi một nhà cung cấp suy giảm và một DSL định tuyến kết hợp nhiều mô hình vào một lệnh gọi. Với một kiến trúc như của Realtime-Venus, nơi một thành phần tự vận hành chưa được kiểm chứng giao việc cho một mô hình văn bản mà bạn cũng chưa đo kiểm, failover là khác biệt giữa một buổi chiều tồi tệ đối với một nhà cung cấp và một cuộc gọi bị rớt.

Nên chọn cái nào, và khi nào câu trả lời thay đổi

Nếu bạn đang phát hành thứ gì đó trong quý này, thì trong hai lựa chọn, chỉ Grok Voice 3.0 là một quyết định chứ không phải một dự án. Nó giữ vị trí đầu trên bảng xếp hạng công khai, bắt đầu nói trong 0,81 giây, có cùng chi phí như mô hình mà nó thay thế, và hôm nay đã có thể gọi qua một endpoint có các tham số phiên không thay đổi. Hãy ghim phiên bản của bạn trước — alias đã thay đổi hai lần trong quý này rồi — rồi hãy phát hành.

Realtime-Venus là câu trả lời đúng cho một câu hỏi hẹp hơn nhiều: liệu bạn có cần một mô hình quan sát một căn phòng và nói về những gì có trong đó, trên phần cứng bạn sở hữu, theo một giấy phép cho phép bạn tinh chỉnh nó hay không? Năng lực đó không có tương đương dạng hosted nào trong cặp kết hợp này. Grok Voice 3.0 hoàn toàn không có đầu vào thị giác, và các mô hình giọng nói tiên phong khác trên bảng cũng vậy. Nếu đó là yêu cầu của bạn, thì bản tải xuống là cánh cửa duy nhất.

Điều có thể thay đổi trang này cũng chính là điều có thể thay đổi phần lớn danh mục này. Một nhà cung cấp suy luận có cung cấp Realtime-Venus kèm mức giá được công bố sẽ biến một hiện vật nghiên cứu thành sản phẩm và khiến việc so sánh trở nên thực chất; một lần tái lập độc lập thứ hai đối với con số 97% về tỷ lệ tiếp tục backchannel sẽ khép lại con số duy nhất mà hai hệ thống hiện có thể chia sẻ. Cho đến khi một trong hai điều đó thành hiện thực, cách tóm tắt chính xác vẫn thẳng thừng: một trong số này bạn có thể mua, còn một cái bạn có thể đọc. Cái bạn có thể đọc là tài liệu thú vị hơn, và cái bạn có thể mua là cái trả lời điện thoại.