Grok Voice 3.0 vs SeedRealtime: Một là mô hình giọng nói tốt nhất trên bảng xếp hạng, cái kia thì không có trên bảng xếp hạng.

So sánh này có một hình dạng khác thường. Grok Voice 3.0 là mô hình speech-to-speech đạt điểm cao nhất mà Artificial Analysis đo lường, ở mức 86,9 trên Speech to Speech Index tính đến ngày 13 tháng 10 năm 2026, có giá 0,08 USD mỗi phút và có thể truy cập ngay hôm nay thông qua API thời gian thực của SpaceXAI. SeedRealtime — tên chính thức là "SeedRealtime: An Audio-Visual Full-Duplex LLM", được nhóm Seed của ByteDance phát hành vào ngày 5 tháng 8 năm 2026 — không xuất hiện trên bảng xếp hạng đó dưới bất kỳ hình thức nào. Không có điểm chỉ số, không có thành phần suy luận, không có số liệu về động lực hội thoại, không có Elo đấu trường, không có tỷ lệ thành công tác vụ, không có thời gian đến âm thanh đầu tiên. Không phải là một điểm thấp. Mà là một hàng trống, bởi vì mô hình chưa từng được đưa vào.

Khoảng trống đó chính là điểm khởi đầu trung thực, bởi vì nó không phải là sự sơ suất của hội đồng quản trị. SeedRealtime không có API công khai, không có ID mô hình, không có trọng số mở, không có báo cáo kỹ thuật, không có số lượng tham số và không có giá được công bố. Nó chạy bên trong ứng dụng tiêu dùng Doubao của ByteDance, miễn phí, ở dạng thoại và video, và đã như vậy kể từ khi phát hành. Không có gì để đo lường vì không có endpoint nào để đo lường, và không có cách nào để gọi nó vì không có gì để gọi.

Ở những điểm chúng thực sự khác biệt, và đó không phải là chất lượng.

Gạt bảng điểm sang một bên, hai mô hình đang đảm nhiệm những công việc khác nhau trong những căn phòng khác nhau.

Grok Voice 3.0 là một mô hình âm thanh. Nó nghe và nói qua WebSocket song công, quyết định nhiều lần mỗi giây xem nên tiếp tục nghe, tạm dừng, ngắt lời hay gọi một công cụ từ mảng công cụ trong bản cập nhật phiên của nó, và nó nắm giữ năm điểm thành phần được đo lường cùng vị trí dẫn đầu trên đấu trường. Thế hệ tiền nhiệm của nó được tiếp thị dựa trên tỷ lệ lỗi từ trên 24 ngôn ngữ và mức lỗi thấp hơn 1,5 đến 2,0 lần so với các mô hình phiên âm chuyên dụng — do nhà cung cấp báo cáo, chưa từng được tái lập độc lập và không được nêu lại trong tài liệu ra mắt mới hơn.

SeedRealtime nghe và nhìn trong một mạng duy nhất. ByteDance mô tả một khuôn khổ thống nhất, trong đó nhận thức, hiểu, ra quyết định và tạo phản hồi diễn ra bên trong một mô hình duy nhất thay vì theo kiểu xếp tầng, với việc luân phiên lượt nói được quyết định nội bộ và không hề có bộ phát hiện hoạt động giọng nói bên ngoài. Các bản trình diễn đã công bố của nó bao gồm một bữa tối nhóm ồn ào, nơi mô hình phải gán giọng nói với danh tính; một chuyến thăm bảo tàng, nơi nó chủ động đưa thông tin khi một hiện vật mục tiêu xuất hiện trong tầm nhìn; một quy trình pha espresso mà nó chỉnh sửa theo thời gian thực; và một tình huống sân bay, nơi nó bỏ qua những câu chuyện phiếm không liên quan, nhớ lại bảng khởi hành từ trước đó trong phiên và truy cập mạng để lấy số băng chuyền hành lý.

• Đầu vào — âm thanh và văn bản của Grok Voice 3.0, cùng với các công cụ; SeedRealtime hợp nhất âm thanh, video và văn bản trong một mô hình duy nhất.

• Lượt lời — Grok Voice 3.0 sử dụng tính năng phát hiện hoạt động giọng nói phía máy chủ được cấu hình theo từng phiên; SeedRealtime loại bỏ VAD bên ngoài và chuyển việc ra quyết định vào bên trong mô hình.

• Hành vi chủ động — Grok Voice 3.0 phản hồi và gọi công cụ; SeedRealtime được mô tả là lên tiếng mà không cần nhắc khi một đối tượng liên quan xuất hiện trong tầm nhìn.

• Độ trễ — Grok Voice 3.0 công bố 0,81 giây tới âm thanh đầu tiên; SeedRealtime hoàn toàn không công bố con số độ trễ nào, chỉ có một mục tiêu trong lộ trình là rút ngắn độ trễ đầu-cuối.

• Giá — Grok Voice 3.0 $0,08 mỗi phút cộng $0,004 mỗi đầu vào văn bản; SeedRealtime không có giá và không có ưu đãi thương mại, đồng thời miễn phí bên trong một ứng dụng dành cho người tiêu dùng.

• Khả năng tiếp cận — Grok Voice 3.0 đã ra mắt cho nhà phát triển với một endpoint được tài liệu hóa và một luồng token tạm thời cho các kết nối phía máy khách; SeedRealtime ưu tiên Trung Quốc đại lục thông qua Doubao, vốn thường yêu cầu số điện thoại di động Trung Quốc đại lục để đăng ký, và chưa có sản phẩm tiếng Anh bản địa hóa nào được công bố.

• Bằng chứng — Grok Voice 3.0 có năm phép đo thành phần độc lập cộng với một chỉ số tổng hợp; SeedRealtime có một đánh giá nội bộ do con người thực hiện.

Vấn đề bằng chứng, được phát biểu một cách chính xác

Tuyên bố định lượng duy nhất mà ByteDance đưa ra về SeedRealtime là các đánh giá của con người từ đầu đến cuối cho thấy nó giảm một nửa các vấn đề về nhịp điệu hội thoại so với các hệ thống xếp tầng ASR + thị giác + TTS — ít bị ngắt giữa câu hơn, ít trả lời chậm sau khoảng dừng hơn, ít kích hoạt nhầm do tiếng trò chuyện nền hơn. Không có cỡ mẫu, không có số lượng người gán nhãn, không có tên benchmark, không có phương pháp luận và không có con số chính xác. Tuyên bố là vấn đề đã giảm khoảng một nửa mức độ nghiêm trọng, và nó đến từ chính nhóm đã xây dựng mô hình.

Hãy so sánh điều đó với những gì có thể biết được về Grok Voice 3.0. Điểm tổng hợp 86,9 của nó phân rã thành một chỉ số suy luận, một chỉ số động lực hội thoại, một điểm năng lực tác nhân, một Elo ưu tiên đấu trường và một tỷ lệ thành công nhiệm vụ, mỗi thứ được đo theo một bộ khung kiểm thử đã công bố, với bảng điểm nền mà bất kỳ ai cũng có thể đọc. Điều đó không khiến các con số trở nên không thể tranh cãi — một chỉ số 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 để công bố thay vì theo dõi Elo trực tiếp — nhưng nó có nghĩa là 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.

Cả hai mô hình cũng đi kèm những tuyên bố của nhà cung cấp về việc triển khai thực tế của chính họ, và cả hai nhóm đều không thể kiểm chứng theo cùng một cách. 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. ByteDance báo cáo đã triển khai đầy đủ trong Doubao trên cả thoại và video. Đây là những tín hiệu sẵn có mạnh nhất cho thấy các hệ thống hoạt động trong thế giới thực, đồng thời là bằng chứng sẵn có yếu nhất đối với người đọc, vì cả hai đều không thể kiểm toán từ bên ngoài và cả hai đều mô tả dịch vụ thay vì mô hình.

Những gì bạn có thể xây dựng dựa trên, và những gì bạn không thể

Đây là phần giải quyết việc so sánh, bất kể năng lực. Chỉ một trong hai thứ này là một thành phần. Thứ còn lại là minh họa cho thấy một kiến trúc hội tụ trông như thế nào.

Grok Voice 3.0 khớp vào một stack với một model string, hoặc không cần gì cả nếu bạn đã triển khai dựa trên grok-voice-latest, vốn đã được tự động chuyển sang nó vào ngày 14 tháng 10. Cùng một realtime endpoint, cùng các tham số phiên, cùng tên sự kiện, cùng bộ giọng nói tích hợp và custom-voice endpoint như thế hệ mà nó thay thế. Các công cụ theo phạm vi phiên cho phép agent gọi backend của bạn giữa cuộc trò chuyện. Có một chi phí tích hợp, và nó được đo bằng phút.

SeedRealtime không thể bị phân rã, và đó là vấn đề mang tính kiến trúc chứ không phải thương mại. Không có nửa phần suy luận nào để hoán đổi, bởi vì việc tư duy nằm trong cùng một mạng với việc nghe và việc nhìn; không có bề mặt được lưu trữ nào để định tuyến tới, không có hạn ngạch nào để mua, không có khóa nào để lấy. Năng lực của nó là thật và các màn trình diễn của nó là ấn tượng nhất trong nhóm. Đồng thời, đối với bất kỳ ai bên ngoài thị trường tiêu dùng của ByteDance, nó không phải là một sản phẩm mà bạn có thể đặt trước mặt khách hàng trong quý này.

Một lời cảnh báo cần nói thẳng, vì đây là một kiểu lỗi đang thực sự diễn ra: ít nhất một blog của bên thứ ba hiện đang mô tả SeedRealtime là có thể truy cập được thông qua một bộ định tuyến mô hình. Không có endpoint nào để định tuyến tới, nên bất cứ thứ gì quảng cáo quyền truy cập SeedRealtime đều đang quảng cáo một thứ gì đó khác. Liên quan đến vấn đề này, các tìm kiếm về API giọng nói thời gian thực của ByteDance sẽ làm lộ ra mô hình giọng nói thời gian thực end-to-end của Volcano Engine, vốn là một hệ thống khác, chỉ có âm thanh — nếu bạn đã từng so sánh hạn ngạch và mức giá được công bố của mô hình đó với Grok Voice 3.0, thì bạn đã so sánh sai sản phẩm.

Nơi router thực sự phù hợp

Cả hai mô hình đều không được OrcaRouter phục vụ, và đáng nói thẳng vì sao cách đặt vấn đề này thường hiểu sai điều đó. Grok Voice 3.0 chỉ có một nguồn duy nhất từ xAI và SeedRealtime không được bất kỳ ai bán. Không lớp định tuyến nào thay đổi được hai sự thật đó, và một nền tảng khẳng định điều ngược lại là đang mô tả một năng lực mà nó không hề có.

Điều mà một lớp định tuyến thay đổi chính là tầng văn bản nằm bên dưới giọng nói. Mỗi một trong những triển khai này đều là một mô hình giọng nói cộng với một chồng mô hình ngôn ngữ: phần backend công cụ mà mô hình giọng nói gọi tới, bộ phân loại đọc bản ghi sau đó, bộ tóm tắt viết nên bản ghi, và phần truy xuất trả lời những gì mà tầng giọng nói đã phải chuyển giao. Công việc đó được tính theo số lượng yêu cầu, và đó chính là nơi một phần đáng kể chi phí mỗi cuộc gọi tích tụ lại. Đó là thứ chúng tôi vận hành — hơn 200 mô hình sau một khóa duy nhất, với giá niêm yết của nhà cung cấp và không cộng thêm markup, tự động chuyển đổi dự phòng giữa các nhà cung cấp, và một DSL định tuyến để kết hợp nhiều mô hình vào một cuộc gọi — và đó là nửa phần của một sản phẩm giọng nói mà bạn có thể giữ nguyên trong khi mô hình âm thanh bên dưới nó thay đổi, và xét việc tầng âm thanh bị hoán đổi một cách tùy tiện đến vậy, thì đây là một đặc tính đáng để có.

Phán quyết

Nếu bạn đang xây dựng một tác nhân thoại ngay bây giờ, Grok Voice 3.0 là lựa chọn, và lý do không nằm ở chỉ số. Đó là vì nó giữ điểm tổng hợp cao nhất và vị trí đứng đầu trên arena, nó công bố thời gian từ lúc bắt đầu đến lúc nói nhanh nhất trong nhóm tiên phong, ở mức 0,81 giây, nó có chi phí mỗi phút ngang bằng mô hình mà nó thay thế, và nó đang hoạt động với một endpoint đã được tài liệu hóa ngay hôm nay. Đó là bốn lý do riêng biệt, và không lý do nào trong số đó đòi hỏi phải tin vào một con số mà không ai có thể kiểm chứng.

Chọn SeedRealtime — hay đúng hơn, hãy chờ nó — chỉ khi sản phẩm của bạn phụ thuộc vào đúng thứ mà nó làm được và không thứ gì khác làm được: đọc vị căn phòng. Song công toàn phần nghe-nhìn với con mắt dõi theo bối cảnh là một năng lực mà chưa có mô hình giọng nói phương Tây nào được host hiện đang cung cấp, và các màn trình diễn của ByteDance về nó rất thuyết phục. Dấu hiệu đáng theo dõi là một API dành cho nhà phát triển của ByteDance trên Volcano Engine hoặc BytePlus với mức giá được công bố, điều đó sẽ biến một nghiên cứu điển hình thành một sản phẩm không có đối thủ được host. Cho đến khi điều đó xuất hiện, mô hình vẫn nằm trong danh sách theo dõi chứ không phải trong kiến trúc, và bất kỳ bài viết nào tuyên bố so sánh nó với một mô hình trên bảng xếp hạng thì đang so sánh một bảng điểm với một video.

Những so sánh như thế này cũng là nơi các kiểu lỗi lộ diện: những sự cố AI được ghi nhận và các lỗi của agent đằng sau những mô hình thuộc lớp này được tập hợp trong the OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.