xAI lancerer tale-til-tale-modellen Grok Voice 3.0 til stemmeagenter

xAI annoncerede Grok Voice 3.0 den 14. oktober 2026 og gjorde tale-til-tale-modellen tilgængelig i sin Voice Agent API til 0,08 USD pr. minut. Virksomheden beskrev Grok Voice 3.0 som verdens mest intelligente stemmemodel og sagde, at den sætter ny rekord for løsning af kundesupportopkald med en latenstid på under ét sekund og lavere driftsomkostninger end andre førende modeller.

Ifølge xAI driver Grok Voice millioner af samtaler om dagen på tværs af Tesla og SpaceX, og den nye version blev lanceret til samme pris som forgængeren.

Benchmarkresultater omtalt af xAI

I sin annoncering henviste xAI til uafhængige test udført af Artificial Analysis den 13. oktober 2026. Her fremgik det, at Grok Voice 3.0 ligger øverst på Speech-to-Speech-indekset med en score på 86,9. Sammenligningstabellen, der blev offentliggjort sammen med annonceringen, angiver GPT-Live-1 (Astra, Medium) til 83,2, Gemini 3.8 Live (Extended Thinking, High) til 82,6 og Grok Voice 2.0 til 81,3.

På tværs af indekskomponenterne rapporterede xAI en score på 98,5 % i tale ræsonneringstesten Big Bench Audio, en Elo-præferencevurdering på 1070 i Speech Agent Arena, en succesrate på 94,8 % for opgaver og en score på 97,0 % i Full Duplex Bench, der måler, hvor naturligt en model håndterer pauser, turtagning og afbrydelser. Tallene for Grok Voice 2.0 i samme tabel var henholdsvis 97,2 %, 1011, 94,6 % og 95,1 %.

I tau-Voice, et benchmark baseret på simulerede kundesupportopkald, rapporterede xAI en score på 71,6 % for Grok Voice 3.0 og beskrev resultatet som sammenligneligt med GPT-Live-1 (Astra), men med 40 % lavere latenstid. Det offentliggjorte diagram angiver GPT-Live-1 (Astra, Medium) til 74,5 %, Gemini 3.8 Live (Extended Thinking, High) til 68,6 % og Grok Voice 2.0 til 56,5 %.

xAI rapporterede også, at Artificial Analysis målte en gennemsnitlig pris pr. opgave på 0,025 USD for Grok Voice 3.0 i sin Big Bench Audio-test, sammenlignet med 0,030 USD for GPT-Live-1 (Astra, Medium) og 0,055 USD for GPT-Realtime-2.1 (High).

Sådan bedømmer Artificial Analysis stemmemodeller

Artificial Analysis definerer sit Speech-to-Speech-indeks som en score, hvor fire komponenter vægter lige meget: taleforståelse fra Big Bench Audio, agentpræstation fra tau-Voice, præference i arenaen og succesrate for opgaver. En model skal have resultater i alle fire komponenter for at få en indeksscore.

Big Bench Audio består af 1.000 lydspørgsmål, der er tilpasset fra Big Bench Hard, med 250 spørgsmål i hver af fire kategorier: Formal Fallacies, Navigate, Object Counting og Web of Lies. Modellerne modtager hvert spørgsmål som lyd og genererer et lydsvar, der bedømmes som korrekt eller forkert.

I tau-Voice ringer en stemmebaseret brugersimulator til den model, der testes. Modellen fungerer som kundesupportagent med adgang til domænespecifikke værktøjer og et politikdokument. Hver opgave har én gyldig sluttilstand i databasen, evalueringen sammenligner den endelige tilstand med den korrekte facitværdi, og de viste resultater beregnes som et gennemsnit af tre forsøg, når sådanne foreligger. Arenaens præferencekomponent er en parvis Elo-rating, der tilpasses på baggrund af menneskelige deltagere, som gennemfører det samme scenarie med to ikke-identificerede modeller.

Full Duplex Bench v1 dækker håndtering af pauser og turtagning, mens v1.5 også omfatter håndtering af brugerafbrydelser og korte bekræftende indskud, for eksempel at fortsætte korrekt, når en person i telefonen siger »ja« eller »okay«. Artificial Analysis definerer tiden til den første lyd som det antal sekunder, det tager at generere den første lydbid.

Resultat for EVA-Bench fra ServiceNow

xAI rapporterede, at Grok Voice 3.0 opnåede den højeste nøjagtighedsscore på EVA-Bench, ServiceNows benchmark for stemmeagenter til virksomheder, med 74 %, og var den bedst præsterende model, når nøjagtighed og kundeoplevelse blev bedømt samlet.

Nitin Aggarwal, Senior Director of Product Management for Agentic Evals and RAI hos ServiceNow, sagde i en udtalelse, der blev offentliggjort sammen med annonceringen, at Grok Voice 3.0 »sætter en ny Pareto-front på EVA-Bench, ServiceNows benchmark med åben kildekode, der bedømmer stemmeagenter på nøjagtighed og kundeoplevelse i mere end 200 realistiske virksomhedsscenarier«.

ServiceNow AI Research beskriver EVA-Bench som en evalueringsramme med åben kildekode, der måler stemmeagenter gennem komplette talesamtaler med flere turtagninger ved hjælp af en bot-til-bot-arkitektur. Benchmarket dækker tre områder: kundeservice med 15 værktøjer og 50 scenarier om ombooking ved flyforstyrrelser, frivillige ændringer, aflysninger og værdikuponer; IT-servicestyring med 59 værktøjer og 80 scenarier; samt HR med 47 værktøjer og 83 scenarier om personalegoder, planlægning, orlov og spørgsmål om politikker. Agenterne bedømmes på to dimensioner: EVA-A måler, om agenten har løst opgaven korrekt, mens EVA-X måler kvaliteten af samtaleoplevelsen. EVA-Bench er en del af ServiceNows benchmarkpakke NOWAI-Bench.

Udrulning hos Tesla og Starlink

Ifølge xAI håndterer Grok Voice 3.0 millioner af samtaler om dagen i Tesla-biler. Her kan førere bruge Connectors til forespørgsler som at tjekke kalenderen eller besvare en e-mail, og Grok Bot til større opgaver som at bestille en kop kaffe eller reservere bord til middag – alt sammen håndfrit. Modellen driver også Grok Bots stemmetilstand.

xAI oplyste, at Starlinks callcentre bruger Grok Voice til at besvare 20.000 kundeopkald om dagen på flere sprog. Omkring 70 % af opkaldene løses uden menneskelig indblanding, og hvert fjerde salgsopkald ender med et køb, inden kunden lægger på. En enkelt agent, der er baseret på Grok Voice 3.0, verificerer kunder, fejlsøger på hardware, udsteder kreditter og sender erstatningsudstyr.

Priser og tilgængelighed

Grok Voice 3.0 er tilgængelig via Voice Agent API til 0,08 $ pr. minut eller 4,80 $ pr. time – samme pris som Grok Voice 2.0. Agenter, der bruger grok-voice-latest, er automatisk blevet overført, så der ikke er behov for ændringer, oplyste xAI.