xAI představuje model převodu řeči na řeč Grok Voice 3.0 pro hlasové agenty

Společnost xAI oznámila Grok Voice 3.0 14. října 2026 a zpřístupnila tento model převodu řeči na řeč ve svém rozhraní Voice Agent API za cenu 0,08 USD za minutu. Podle společnosti jde o nejinteligentnější hlasový model na světě, který zároveň stanovil nový rekord v řešení hovorů zákaznické podpory. Jeho latence je kratší než jedna sekunda a provozní náklady nižší než u ostatních nejpokročilejších modelů.

Podle xAI zajišťuje Grok Voice každý den miliony konverzací napříč společnostmi Tesla a SpaceX. Nová verze byla uvedena za stejnou cenu jako její předchůdce.

Výsledky benchmarků uváděné společností xAI

Oznámení xAI citovalo nezávislé testování, které Artificial Analysis zveřejnila 13. října 2026. Grok Voice 3.0 se v něm umístil na prvním místě v indexu převodu řeči na řeč se skóre 86,9. Srovnávací tabulka zveřejněná spolu s oznámením uvádí GPT-Live-1 (Astra, Medium) se skóre 83,2, Gemini 3.8 Live (Extended Thinking, High) se skóre 82,6 a Grok Voice 2.0 se skóre 81,3.

xAI uvedla, že Grok Voice 3.0 dosáhl v jednotlivých částech indexu skóre 98,5 % v oblasti uvažování nad řečí v Big Bench Audio, Elo skóre 1070 v preferencích Speech Agent Arena, 94,8% úspěšnosti při plnění úloh a 97,0 % v Full Duplex Bench, který měří, jak přirozeně model zvládá pauzy, střídání v konverzaci a přerušování. Hodnoty uvedené ve stejné tabulce pro Grok Voice 2.0 byly 97,2 %, 1011, 94,6 % a 95,1 %.

V benchmarku tau-Voice, který vychází ze simulovaných hovorů se zákaznickou podporou, dosáhl podle xAI Grok Voice 3.0 skóre 71,6 %. Společnost výsledek označila za srovnatelný s GPT-Live-1 (Astra), přičemž latence je o 40 % nižší. Zveřejněný graf uvádí GPT-Live-1 (Astra, Medium) se skóre 74,5 %, Gemini 3.8 Live (Extended Thinking, High) se skóre 68,6 % a Grok Voice 2.0 se skóre 56,5 %.

xAI také uvedla, že podle měření Artificial Analysis činily průměrné náklady na jednu úlohu při testu Big Bench Audio 0,025 USD u Grok Voice 3.0, oproti 0,030 USD u GPT-Live-1 (Astra, Medium) a 0,055 USD u GPT-Realtime-2.1 (High).

Jak Artificial Analysis hodnotí hlasové modely

Artificial Analysis definuje svůj index převodu řeči na řeč jako skóre, v němž mají všechny čtyři složky stejnou váhu: uvažování nad řečí v Big Bench Audio, schopnosti agentů v tau-Voice, preference v aréně a úspěšnost při plnění úloh. Aby model získal skóre indexu, musí mít výsledky ve všech čtyřech složkách.

Big Bench Audio obsahuje 1 000 zvukových otázek převzatých z Big Bench Hard, přičemž na každou ze čtyř kategorií připadá 250 otázek: Formal Fallacies, Navigate, Object Counting a Web of Lies. Modely dostávají každou otázku ve zvukové podobě a vytvářejí zvukovou odpověď, která se hodnotí jako správná, nebo nesprávná.

V tau-Voice volá simulátor hlasového uživatele testovanému modelu, který vystupuje jako agent zákaznické podpory s přístupem k oborově specifickým nástrojům a dokumentu s pravidly. Každá úloha má jediný platný konečný stav databáze; při vyhodnocení se konečný stav porovnává s tímto referenčním stavem a výsledky v grafech se tam, kde jsou k dispozici, průměrují ze tří pokusů. Složka hodnocení preferencí v aréně využívá párové Elo skóre vypočtené na základě lidských účastníků, kteří absolvují stejný scénář se dvěma anonymními modely.

Full Duplex Bench v1 zahrnuje zvládání pauz a střídání v konverzaci; verze v1.5 přidává zvládání přerušení ze strany uživatele a také průběžné potvrzovací reakce, například správné pokračování, když volající řekne „jo“ nebo „dobře“. Artificial Analysis definuje dobu do prvního zvukového výstupu jako počet sekund potřebných k vygenerování prvního zvukového tokenu.

Výsledek EVA-Bench od ServiceNow

xAI uvedla, že Grok Voice 3.0 dosáhl v EVA-Bench, benchmarku ServiceNow pro hlasové agenty v podnikovém prostředí, nejvyšší přesnosti: 74 %. Šlo také o nejvýkonnější model při společném hodnocení přesnosti a zákaznické zkušenosti.

Nitin Aggarwal, senior director produktového managementu pro Agentic Evals a RAI ve společnosti ServiceNow, v prohlášení zveřejněném spolu s oznámením uvedl, že Grok Voice 3.0 „stanovuje novou Pareto hranici v EVA-Bench, open-source benchmarku společnosti ServiceNow, který hodnotí přesnost a zákaznickou zkušenost hlasových agentů ve více než 200 realistických podnikových scénářích“.

ServiceNow AI Research popisuje EVA-Bench jako open-source evaluační rámec, který pomocí architektury bot-to-bot měří hlasové agenty v úplných mluvených konverzacích s více koly. Benchmark pokrývá tři oblasti: zákaznický servis s 15 nástroji a 50 scénáři zahrnujícími změnu rezervace při narušení letového provozu, dobrovolné změny rezervací, rušení a poukázky; správu IT služeb s 59 nástroji a 80 scénáři; a oblast lidských zdrojů se 47 nástroji a 83 scénáři týkajícími se benefitů, plánování, volna a dotazů na pravidla. Agenti se hodnotí ve dvou dimenzích: EVA-A měří, zda agent úlohu správně dokončil, a EVA-X hodnotí kvalitu konverzační zkušenosti. EVA-Bench je součástí sady benchmarků NOWAI-Bench společnosti ServiceNow.

Nasazení ve vozech Tesla a ve službě Starlink

Podle xAI zajišťuje Grok Voice 3.0 každý den miliony konverzací ve vozech Tesla. Řidiči mohou pomocí funkce Connectors zadávat požadavky, například kontrolovat kalendář nebo odpovídat na e-mail, a pomocí Grok Bot řešit složitější úkoly, jako je objednání kávy nebo rezervace večeře, a to vše bez použití rukou. Tento model pohání také hlasový režim Grok Bot.

Zákaznická centra Starlinku využívají Grok Voice k vyřizování 20 000 zákaznických hovorů denně v několika jazycích, uvedla společnost xAI. Přibližně 70 % hovorů se vyřeší bez zásahu člověka a každý čtvrtý prodejní hovor končí nákupem ještě předtím, než volající zavěsí. Jediný agent postavený na Grok Voice 3.0 ověřuje zákazníky, řeší problémy s hardwarem, vystavuje dobropisy a odesílá náhradní zařízení.

Cena a dostupnost

Grok Voice 3.0 je k dispozici v rozhraní Voice Agent API za 0,08 $ za minutu, tedy 4,80 $ za hodinu, což je stejná cena jako u Grok Voice 2.0. Agenti používající grok-voice-latest byli automaticky převedeni na novou verzi a nebyly nutné žádné změny, uvedla společnost xAI.