Grok Voice 3.0 对比 SeedRealtime：一个是榜单上最好的语音模型，另一个却不在榜单上

这个对比呈现出一种不同寻常的形态。Grok Voice 3.0是 Artificial Analysis 所评测的得分最高的语音到语音模型，截至 2026 年 10 月 13 日，在 Speech to Speech Index 上得分为 86.9，定价为每分钟 0.08 美元，如今可通过 SpaceXAI 的实时 API 使用。SeedRealtime——正式名称为“SeedRealtime: An Audio-Visual Full-Duplex LLM”，由字节跳动 Seed 团队于 2026 年 8 月 5 日发布——却没有以任何形式出现在该榜单上。没有索引得分，没有推理组件，没有对话动态数据，没有竞技场 Elo，没有任务成功率，没有首次音频响应时间。不是低分。而是一行空白，因为该模型从未被录入。

那片空白才是最诚实的起点，因为它并非榜单的疏忽。SeedRealtime 没有公开 API，没有模型 ID，没有开放权重，没有技术报告，没有参数量，也没有公布价格。它运行在字节跳动的豆包消费级应用内，免费使用，支持语音与视频，并且自发布以来一直如此。没有什么可测量的，因为根本没有可供测量的端点；也没有办法调用它，因为根本没有什么可调用的。

在它们真正有差异的地方，而这并非质量。

把记分牌放在一边，这两个模型正在不同的房间里做着不同的工作。

Grok Voice 3.0 是一款音频模型。它通过双工 WebSocket 进行听说交互，每秒会多次判断究竟是继续聆听、暂停、打断，还是调用其会话更新中 tools 数组里的某个工具，并且它已测得五项组件得分，还占据着竞技场头名位置。它的上一代产品以覆盖 24 种语言的词错误率作为宣传卖点，号称错误率比专用转写模型低 1.5 到 2.0 倍——这些均由厂商自行报告，从未被独立复现，也未在更新的发布材料中再次提及。

SeedRee 在同一个网络中同时听和看。ByteDance 描述了一个统一框架，其中感知、理解、决策和响应生成都在单一模型内完成，而不是采用级联方式；对话轮次由内部决定，完全不需要外部语音活动检测器。其已发布的演示包括：一场嘈杂的多人聚餐，模型必须把声音与身份对应起来；一次博物馆参观，当目标展品进入视野时它会主动提供信息；一个浓缩咖啡流程，它能实时纠正；以及一个机场场景，它会忽略无关闲聊，回想起本次会话早些时候的出发信息板，并上网查询行李转盘编号。

• 输入 — Grok Voice 3.0 音频与文本，并支持工具；SeedRealtime 将音频、视频与文本融合于单一模型中。

• 轮流发言——Grok Voice 3.0 使用按会话配置的服务器端语音活动检测；SeedRealtime 移除了外部 VAD，并将决策移入模型内部。

• 主动行为 — Grok Voice 3.0 会响应并调用工具；SeedRealtime 被描述为当相关物体出现在视野中时会主动发声。

• 延迟 —— Grok Voice 3.0 公布的首个音频响应时间为 0.81 秒；SeedRealtime 则完全未公布任何延迟数据，只有一个压缩端到端延迟的路线图目标。

• 价格 — Grok Voice 3.0 每分钟 $0.08，外加每次文本输入 $0.004；SeedRealtime 没有价格，也没有商业报价，在消费级应用内免费。

• 可及性 — Grok Voice 3.0 已面向开发者上线，提供有文档记录的端点以及用于客户端连接的临时令牌路径；SeedRealtime 则通过 Doubao 以中国大陆为先，后者通常需要中国大陆手机号才能注册，且尚未宣布任何本地化的英文产品。

• 证据 — Grok Voice 3.0 拥有五项独立的组件测量，外加一项综合测量；SeedRealtime 则有一项内部人工评估。

精确陈述的证据问题

字节跳动就 SeedRealtime 提出的唯一一项量化主张是：端到端的人工评估显示，相对于 ASR 加视觉加 TTS 的级联系统，它把对话节奏问题减少了一半——句中被切断更少，停顿后回复迟缓更少，因背景杂音而误触发更少。没有样本量，没有标注者人数，没有基准测试名称，没有方法论，也没有确切数字。这一主张无非是说问题大约减轻了一半，而它出自构建该模型的团队自己之口。

将这一点与关于 Grok Voice 3.0 所能知道的情况比较一下。它的 86.9 综合得分可分解为一个推理指标、一个对话动态指标、一个智能体得分、一个竞技场偏好 Elo 和一个任务成功率；每一项都是在公开发布的评测框架下测得的，而其底层榜单可供任何人阅读。这并不意味着这些数字就无可争议——综合指数是一种加权选择，而且竞技场部分在模型有资格发布时就被冻结，而不是跟踪实时 Elo——但这意味着外部团队可以核验算术，并对结论提出异议，而不是无法形成结论。

这两个模型也都附带供应商对自身生产部署的宣称，而这两组宣称都以同样的方式无法核实。SpaceXAI 报告称，Starlink 呼叫中心每天用多种语言处理 2 万通客户来电，其中约 70% 无需人工即可解决，并且 Tesla 和 SpaceX 每天有数百万次对话。ByteDance 报告称，Doubao 已在语音和视频方面全面上线。这些是现有信号中最强的，表明这些系统在现实世界中确实有效；同时，对读者来说又是现有证据中最弱的，因为二者都无法从外部审计，而且描述的都是服务而非模型。

你可以依托什么，以及不能依托什么

这就是无论能力如何都能解决这项比较的部分。这两者中只有一个是组件。另一个则是展示融合架构是什么样子的演示。

Grok Voice 3.0 可通过一个模型字符串接入现有技术栈；如果你当初是针对 grok-voice-latest 部署的，那甚至什么都不用改——它已于 10 月 14 日自动迁移到该版本。与它所取代的那一代相同：同样的实时端点、同样的会话参数、同样的事件名称、同样的内置语音集和自定义语音端点。会话级工具让代理能在对话中途调用你的后端。集成确实有成本，但只需几分钟。

SeedRealtime 无法被拆解，这是架构层面的问题，而不是商业层面的问题。没有可供替换的推理那一半，因为思考与聆听、观看处在同一个网络之中；没有可供路由到的托管界面，没有可购买的配额，也没有可获取的密钥。它的能力是真实的，其演示是该类别中最引人注目的。同时，对于 ByteDance 消费市场之外的任何人来说，它都不是一个你能在本季度摆到客户面前的产品。

值得直说的一条警告，因为它是一种正在发生的失效模式：目前至少有一篇第三方博客称 SeedRealtime 可通过模型路由器使用。根本没有可供路由的端点，因此任何宣传可访问 SeedRealtime 的内容，宣传的都是别的东西。与此相关，搜索 ByteDance 的实时语音 API 时，会出现 Volcano Engine 的端到端实时语音模型，而这是一个不同的、纯音频系统——如果你一直在把该模型公布的配额和定价与 Grok Voice 3.0 做比较，那你比较的一直是错误的产品。

路由器实际适合放在哪里

这两个模型都不由 OrcaRouter 提供服务，而值得直截了当地说明，为什么这种说法通常会搞错。Grok Voice 3.0 是来自 xAI 的单一来源产品，SeedRealtime 也不由任何人销售。没有任何路由层能改变这两个事实中的任何一个，而一个声称并非如此的平台，就是在描述自己并不具备的能力。

路由层改变的是语音之下的文本层。这些部署中的每一个都是语音模型加一套语言模型栈：语音模型所调用的工具后端、事后读取转录文本的分类器、撰写记录的摘要器、以及回答语音层不得不转交之问题的检索。这项工作按请求计费，而单次通话成本中相当可观的一部分正是在这里累积起来的。200 多个模型置于单一密钥之后，按供应商标价、零加价，跨供应商自动故障转移，以及用于将多个模型组合成一次调用的路由 DSL——它也是语音产品中可以在其底层音频模型更替时保持不变的那一半；考虑到音频层被替换得如此随意，这一特性着实可贵。

裁决

如果你现在要构建语音代理，Grok Voice 3.0 就是首选，而原因不在于那个指数。原因在于：它拥有最高的综合得分和排名第一的 arena 位置，它公布了前沿组中最快的从启动到开口时间，仅 0.81 秒，它每分钟的成本与被它取代的模型相同，而且它今天已经上线，并提供有文档记录的端点。这是四个相互独立的理由，而且其中没有一个需要你相信一个没人能核实的数字。

选择 SeedRealtime——或者更准确地说，等它——前提是你的产品依赖它独有的、别家都做不到的那件事：读懂现场。带"眼睛"看现场的音视频全双工，是当前任何西方托管语音模型都提供不了的能力，而字节跳动的相关演示很有说服力。值得关注的触发信号，是火山引擎或 BytePlus 上出现一个公布定价的字节跳动开发者 API——那会把一个案例研究变成一款没有托管竞争对手的产品。在那出现之前，这个模型应留在观察名单上，而不是进入架构；任何声称把它与排行榜模型作比较的文章，都是在拿记分牌和视频作比较。

像这样的比较，也正是故障模式暴露之处：OrcaRouter AI Incident Archive 收录了这类模型背后有记录的 AI 事件和智能体故障，其中每个条目都带有各自的来源、严重程度、置信度等级和争议标记。