xAI представила Grok Voice 3.0, модель обробки мовлення з мовлення

xAI представила Grok Voice 3.0, модель обробки мовлення з мовлення, яку компанія називає найінтелектуальнішою голосовою моделлю у світі. Реліз встановив новий рекорд за кількістю позитивних відгуків користувачів, пропонує затримену менше однієї секунди та коштує дешевше, ніж конкурентна Frontier Labs модель, повідомляється у заяві.

Результати бенчмарків

У незалежному тестуванні Artificial Analysis Grok Voice 3.0 посів перше місце в Speech-to-Speech Index з результатом 86,9 балів, випередивши GPT-Live-1 (Astra, Medium) з 83,2 балами, Gemini 3.8 Live (Ext. Thinking, High) з 82,6 балами та попередню версію Grok Voice 2.0 з 81,3 балами. Індекс об'єднує якість розмови, tau-Voice, а також перевагу та успішність виконання завдань у сліпих двосторонніх дзвінках.

Grok Voice 3.0 набирає 98,5% в Big Bench Audio на якість розмови, 1070 очок на Speech Agent Arena Elo для людської переваги, показник успішності завдань становить 94,8%, а в Full Duplex Bench — 97,0%, який вимірює, наскільки природно модель обробляє паузи, чергування в розмові та переривання. У tau-Voice, який тестує підтримку розмови з різними акцентами, фоновим шумом та перериваннями, результат становить 71,6%, що порівнянно з GPT-Live-1 (Astra) з 74,5%, однак зі затрименю на 40% нижчою.

Вартість та корпоративна продуктивність

Artificial Analysis у рамках свого тесту Big Bench Audio вимірює вартість виконання завдань, і Grok Voice 3.0 коштує $0,025 за одне завдання, що нижче за GPT-Live-1 (Astra, Medium) з $0,030 і GPT-Realtime-2.1 (High) з $0,055.

На EVA-Bench, бенчмарку з відкритим кодом ServiceNow для корпоративних голосових агентів, який охоплює понад 200 реальних сценаріїв, Grok Voice 3.0 досягає найвищого балу точності — 74% і є найкращою моделлю, коли точність і досвід користувача оцінюються разом. Старший директор з управління продуктами Agentic Evals and RAI у ServiceNow Nitin Aggarwal заявив, що модель встановлює новий парето-фронтір на EVA-Bench і поєднує найвищу точність з природною, реактивною розмовою.

Впровадження в Tesla та SpaceX

Grok Voice щоденно обслуговує мільйони розмов у Tesla та SpaceX. У автомобілях Tesla водії використовують Connectors для простих запитів, наприклад для перевірки календаря або відповіді на електронну пошту, тоді як Grok Bot призначений для більших завдань, таких як замовлення кави або бронювання вечері, все без використання рук. Grok Voice 3.0 також обробляє голосовий режим Grok Bot.

Кол-центри Starlink використовують Grok Voice, щоб щоденно відповідати на 20 000 дзвінків користувачів кількома мовами. Приблизно 70% дзвінків завершується без участі людини, а один з чотирьох продажів завершується покупкою ще до того, як абонент покладе слухавку. Агент на базі Grok Voice 3.0 перевіряє користувачів, усуває технічні проблеми, надає кредити та відправляє замінне обладнання.

Ціна та доступність

Grok Voice 3.0 доступна з сьогодні у Voice Agent API за $0,08 за хвилину ($4,80 за годину) за тією ж ціною, що й Grok Voice 2.0. Агенти, які використовують grok-voice-latest, автоматично перемикаються без необхідності внесення змін.

Джерела: Spacexsi