Grok Voice 3.0 對決 SeedRealtime：一個是排行榜上最強的語音模型，另一個則根本不在榜上

這項比較呈現出並不尋常的樣貌。 Grok Voice 3.0是 Artificial Analysis 所測評的語音轉語音模型中得分最高者，截至 2026 年 10 月 13 日，在 Speech to Speech Index 上得分 86.9，價格為每分鐘 $0.08，且今日即可透過 SpaceXAI 的即時 API 使用。 SeedRealtime——正式名稱為「SeedRealtime: An Audio-Visual Full-Duplex LLM」，由 ByteDance 的 Seed 團隊於 2026 年 8 月 5 日發布——並未以任何形式出現在該排行榜上。沒有指數分數，沒有推理組成部分，沒有對話動態數據，沒有 arena Elo，沒有任務成功率，沒有首次音訊時間。不是低分。而是一列空白，因為該模型從未被提交。

那個空白是誠實的起點，因為那並不是董事會的疏漏。SeedRealtime 沒有公開 API、沒有模型 ID、沒有開放權重、沒有技術報告、沒有參數數量，也沒有公布價格。它在 ByteDance 的 Doubao 消費端應用程式內運行，免費，支援語音與視訊，而且自推出以來一直如此。沒有東西可測量，因為沒有可測量的端點；也沒有辦法呼叫它，因為沒有東西可呼叫。

在它們真正不同的地方，而那並不是品質

撇開計分板不談，這兩個模型在不同的房間裡做著不同的工作。

Grok Voice 3.0 是一款音訊模型。它透過全雙工 WebSocket 聆聽與說話，每秒會多次決定要繼續聆聽、暫停、打斷，或從其 session update 中的 tools 陣列叫用工具，並持有五項實測元件分數，外加頂尖的競技場排名。它的前一代以涵蓋 24 種語言的詞錯誤率為行銷訴求，錯誤率比專用轉錄模型低 1.5 至 2.0 倍——這些數字由供應商自行回報，從未經獨立重現，也未在較新的發表資料中重述。

SeedRealtime 在單一網路中同時聆聽與觀看。ByteDance 描述了一個統一框架，其中感知、理解、決策與回應生成都在單一模型內發生，而不是以串接方式進行；發話輪替由內部決定，完全不需要外部的語音活動偵測器。其公開展示包括：一場吵雜的團體晚餐，模型必須把聲音與身分對應起來；一趟博物館參觀，當目標展品進入視野時，它會主動提供資訊；一個義式濃縮咖啡流程，它會即時糾正；以及一個機場情境，它會忽略無關的閒聊，回想起工作階段較早時看過的出發資訊看板，並上網查詢行李轉盤編號。

• 輸入 — Grok Voice 3.0 的音訊與文字，並支援工具；SeedRealtime 則將音訊、視訊與文字融合於單一模型中。

• 輪流發言 —— Grok Voice 3.0 採用依各工作階段設定的伺服器端語音活動偵測；SeedRealtime 則移除外部 VAD，將判斷移入模型內部。

• 主動行為 — Grok Voice 3.0 會回應並呼叫工具；SeedRealtime 被描述為當相關物件出現在視野中時，會未經提示地主動發聲。

• 延遲 — Grok Voice 3.0 公布首個音訊的延遲為 0.81 秒；SeedRealtime 則完全未公布任何延遲數據，只有一項縮短端到端延遲的路線圖目標。

• 價格 — Grok Voice 3.0 每分鐘 $0.08，另加每筆文字輸入 $0.004；SeedRealtime 沒有價格，也沒有商業方案，並且在消費者應用程式內免費。

• 可及性 — Grok Voice 3.0 已向開發者推出，提供有文件記錄的端點，以及供用戶端連線使用的臨時權杖路徑；SeedRealtime 透過 Doubao 以中國大陸為優先，通常需要中國大陸手機號碼才能註冊，且尚未宣布推出本地化的英文產品。

• 證據 — Grok Voice 3.0 有五項獨立元件量測，外加一項綜合量測；SeedRealtime 則有一項內部人工評估。

證據問題，精確陳述

ByteDance 針對 SeedRealtime 提出的唯一量化主張是：端到端的人工評估顯示，相較於串聯式 ASR-plus-vision-plus-TTS 系統，它能將對話節奏問題減半——更少在句子中途被打斷、更少在停頓後出現緩慢回覆、更少因背景雜談而誤觸發。這裡沒有樣本數、沒有標註者人數、沒有基準名稱、沒有方法論，也沒有確切數字。這項主張是：問題大致改善了一半，而且它來自打造該模型的團隊。

將這點與關於 Grok Voice 3.0 所能得知的資訊相比。其 86.9 的綜合分數可分解為一項推理數值、一項對話動態數值、一個代理能力分數、一個競技場偏好 Elo，以及一個任務成功率；每一項都是在已公開的評測框架下測得，且底層排行榜任何人都能查看。這並不代表這些數字無可爭議——綜合指數是一種權重選擇，而競技場部分是在模型符合發布資格的那一刻凍結，而非追蹤即時 Elo——但這意味著外部團隊可以核對其算術並對結論提出異議，而不是無法形成任何結論。

兩個模型也都帶有廠商對自家實際部署的聲稱，而這兩組說法同樣無法驗證。SpaceXAI 報告指出，Starlink 客服中心每天以多種語言處理 20,000 通客戶來電，約 70% 無需真人即可解決，並且在 Tesla 與 SpaceX 每天有數百萬次對話。ByteDance 報告指出，Doubao 已在語音與視訊方面全面推出。這些是現有最強的訊號，顯示這些系統在真實世界中確實可行，但同時也是讀者所能取得的最弱證據，因為兩者都無法從外部稽核，而且兩者描述的都是服務，而非模型。

你可以建立在什麼之上，以及你不能建立在什麼之上

這裡是無論能力如何都能釐清這項比較的部分。這兩者中只有一個是元件，另一個則是展示融合式架構樣貌的示範。

Grok Voice 3.0 只要用模型字串就能接入堆疊，若你當初是部署對應 grok-voice-latest，甚至完全不用任何設定，因為它已於 10 月 14 日自動移轉至該版本。與它所取代的世代相同：相同的即時端點、相同的工作階段參數、相同的事件名稱、相同的內建語音集，以及相同的自訂語音端點。工作階段範圍的工具可讓代理程式在對話中途呼叫你的後端。整合確實有成本，而且這成本以分鐘計。

SeedRealtime 無法被拆解，而這是架構上的問題，不是商業上的問題。沒有可替換的推理那一半，因為思考與聆聽、觀看位在同一個網路之中；沒有可路由到的託管介面，沒有配額可買，沒有金鑰可取得。它的能力是真實的，它的展示是同類別中最引人注目的。而對 ByteDance 消費者市場以外的任何人來說，它也不是能在本季就放到客戶面前的產品。

有一點警告值得直說，因為這是一個正在發生的失效模式：目前至少有一個第三方部落格把 SeedRealtime 描述成可透過某個模型路由器取得。根本沒有可路由的端點，所以任何宣傳可存取 SeedRealtime 的東西，宣傳的其實是別的東西。相關的是，搜尋 ByteDance 的即時語音 API 會浮現出 Volcano Engine 的端對端即時語音模型，而那是一個不同的、僅支援音訊的系統——如果你一直拿那個模型已公布的配額與定價來跟 Grok Voice 3.0 比較，那你一直比較的是錯的產品。

路由器實際上適合的位置

OrcaRouter 並未提供這兩個模型，而值得直言不諱地說明，為什麼這種說法通常會搞錯。Grok Voice 3.0 是來自 xAI 的單一來源，而 SeedRealtime 並未由任何人販售。沒有任何路由層能改變這兩項事實；若有平台宣稱並非如此，那它所述的就是自身並不具備的能力。

路由層所改變的，是語音之下的文字層級。這些部署每一個都是語音模型加上一套語言模型堆疊：語音模型所呼叫的工具後端、之後讀取逐字稿的分類器、撰寫紀錄的摘要器，以及負責回應語音層不得不轉交之查詢的檢索機制。這些工作按請求計費，而每次通話成本中相當可觀的一部分正是在此累積。這正是我們所提供的——以供應商定價、零加價，用單一金鑰存取 200 多個模型、跨供應商自動容錯移轉，以及一套能將多個模型組合成單次呼叫的路由 DSL——而這正是語音產品中，能在底層音訊模型更動時保持恆定的那一半；有鑑於音訊層被替換得多麼隨性，這是一項值得擁有的特性。

裁決結果

如果你現在正在打造語音代理，Grok Voice 3.0 就是首選，而原因不在於那個指數。原因在於它拿下了最高的綜合評分與頂尖的競技場排名，它在前沿組中公布最快的開始說話時間，為 0.81 秒，它的每分鐘成本與它所汰換的模型相同，而且它今天已經上線，並有文件記載的端點。這是四個各自獨立的理由，而且它們都不需要你信任一個沒有人能查證的數字。

選擇 SeedRealtime——或者更確切地說，先等它問世——唯有當你的產品取決於它獨有而別無他者能做到的特定能力：讀懂現場氛圍。具備畫面感知的影音全雙工，是目前沒有任何西方託管語音模型提供的能力，而 ByteDance 對它的展示極具說服力。值得觀察的觸發點，是 Volcano Engine 或 BytePlus 上出現一個公開費率的 ByteDance 開發者 API，這會把一個案例研究變成一個沒有託管競爭對手的產品。在那出現之前，這個模型仍留在觀察清單，而不是放進架構裡；任何聲稱要把它跟排行榜模型相比的文章，都是在拿計分板比影片。

像這樣的比較，也正是失效模式會浮現的地方：這一類模型背後有紀錄的 AI 事故與代理失效，都彙集在OrcaRouter AI 事故檔案庫，其中每一筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。