Η xAI παρουσιάζει το Grok Voice 3.0, ένα μοντέλο μετατροπής ομιλίας σε ομιλία για φωνητικούς πράκτορες

Η xAI ανακοίνωσε το Grok Voice 3.0 στις 14 Οκτωβρίου 2026, διαθέτοντας το μοντέλο μετατροπής ομιλίας σε ομιλία μέσω του Voice Agent API της, με χρέωση 0,08 δολαρίων ανά λεπτό. Η εταιρεία περιέγραψε το Grok Voice 3.0 ως το πιο έξυπνο φωνητικό μοντέλο στον κόσμο και δήλωσε ότι καταγράφει νέο ρεκόρ στην επίλυση κλήσεων εξυπηρέτησης πελατών, με καθυστέρηση μικρότερη του ενός δευτερολέπτου και χαμηλότερο κόστος λειτουργίας από άλλα προηγμένα μοντέλα.

Σύμφωνα με την xAI, το Grok Voice υποστηρίζει εκατομμύρια συνομιλίες την ημέρα στην Tesla και τη SpaceX, ενώ η νέα έκδοση κυκλοφόρησε στην ίδια τιμή με την προηγούμενη.

Αποτελέσματα συγκριτικών δοκιμών που επικαλείται η xAI

Στην ανακοίνωσή της, η xAI παρέθεσε ανεξάρτητη δοκιμή της Artificial Analysis, με ημερομηνία 13 Οκτωβρίου 2026, σύμφωνα με την οποία το Grok Voice 3.0 κατατάσσεται πρώτο στον Δείκτη μετατροπής ομιλίας σε ομιλία, με βαθμολογία 86,9. Ο συγκριτικός πίνακας που δημοσιεύτηκε μαζί με την ανακοίνωση κατατάσσει το GPT-Live-1 (Astra, Medium) στους 83,2 βαθμούς, το Gemini 3.8 Live (Extended Thinking, High) στους 82,6 και το Grok Voice 2.0 στους 81,3.

Για τις επιμέρους μετρήσεις του δείκτη, η xAI ανέφερε επίδοση 98,5% στο Big Bench Audio για τον συλλογισμό σε ομιλία, βαθμολογία Elo προτίμησης 1.070 στο Speech Agent Arena, ποσοστό επιτυχίας εργασιών 94,8% και επίδοση 97,0% στο Full Duplex Bench, το οποίο μετρά πόσο φυσικά διαχειρίζεται ένα μοντέλο τις παύσεις, την εναλλαγή σειράς ομιλίας και τις διακοπές. Οι αντίστοιχες τιμές που παρατίθενται στον ίδιο πίνακα για το Grok Voice 2.0 ήταν 97,2%, 1.011, 94,6% και 95,1%.

Στο tau-Voice, ένα συγκριτικό τεστ που βασίζεται σε προσομοιωμένες κλήσεις εξυπηρέτησης πελατών, η xAI ανέφερε επίδοση 71,6% για το Grok Voice 3.0 και χαρακτήρισε το αποτέλεσμα συγκρίσιμο με εκείνο του GPT-Live-1 (Astra), με 40% χαμηλότερη καθυστέρηση. Το δημοσιευμένο γράφημα κατατάσσει το GPT-Live-1 (Astra, Medium) στο 74,5%, το Gemini 3.8 Live (Extended Thinking, High) στο 68,6% και το Grok Voice 2.0 στο 56,5%.

Η xAI ανέφερε επίσης ότι, κατά τη δοκιμή Big Bench Audio της Artificial Analysis, το μέσο κόστος ανά εργασία ήταν 0,025 δολάρια για το Grok Voice 3.0, έναντι 0,030 δολαρίων για το GPT-Live-1 (Astra, Medium) και 0,055 δολαρίων για το GPT-Realtime-2.1 (High).

Πώς βαθμολογεί η Artificial Analysis τα φωνητικά μοντέλα

Η Artificial Analysis ορίζει τον Δείκτη μετατροπής ομιλίας σε ομιλία ως βαθμολογία με ίση στάθμιση τεσσάρων συνιστωσών: τον συλλογισμό σε ομιλία, όπως μετράται από το Big Bench Audio· την ικανότητα εκτέλεσης ενεργειών από πράκτορες, όπως μετράται από το tau-Voice· την προτίμηση στην αρένα· και το ποσοστό επιτυχίας εργασιών. Για να λάβει βαθμολογία δείκτη, ένα μοντέλο πρέπει να έχει αποτελέσματα και στις τέσσερις συνιστώσες.

Το Big Bench Audio περιλαμβάνει 1.000 ηχητικές ερωτήσεις, προσαρμοσμένες από το Big Bench Hard, με 250 ερωτήσεις σε καθεμία από τις τέσσερις κατηγορίες: Τυπικές πλάνες, Πλοήγηση, Καταμέτρηση αντικειμένων και Ιστός ψεμάτων. Τα μοντέλα λαμβάνουν κάθε ερώτηση σε μορφή ήχου και παράγουν ηχητική απάντηση, η οποία βαθμολογείται ως σωστή ή λανθασμένη.

Στο tau-Voice, ένας προσομοιωτής φωνητικού χρήστη καλεί το υπό δοκιμή μοντέλο, το οποίο λειτουργεί ως εκπρόσωπος εξυπηρέτησης πελατών και έχει πρόσβαση σε εργαλεία ειδικά για τον εκάστοτε τομέα, καθώς και σε ένα έγγραφο πολιτικών. Κάθε εργασία έχει μία και μοναδική έγκυρη τελική κατάσταση στη βάση δεδομένων· η αξιολόγηση συγκρίνει την τελική κατάσταση με αυτή την κατάσταση αναφοράς, ενώ τα αποτελέσματα που παρουσιάζονται σε γραφήματα είναι ο μέσος όρος τριών δοκιμών, όπου υπάρχουν διαθέσιμα στοιχεία. Η συνιστώσα προτίμησης στην αρένα είναι μια βαθμολογία Elo από ζεύγη μοντέλων, προσαρμοσμένη βάσει των απαντήσεων ανθρώπινων συμμετεχόντων που ολοκληρώνουν το ίδιο σενάριο με δύο μοντέλα των οποίων η ταυτότητα δεν αποκαλύπτεται.

Το Full Duplex Bench v1 καλύπτει τη διαχείριση παύσεων και την εναλλαγή σειράς ομιλίας, ενώ η έκδοση v1.5 προσθέτει τη διαχείριση διακοπών από τον χρήστη, καθώς και την ανταπόκριση με σύντομες επιβεβαιώσεις, όπως η ορθή συνέχιση της συνομιλίας όταν ο καλών λέει «ναι» ή «εντάξει». Η Artificial Analysis ορίζει τον χρόνο μέχρι τον πρώτο ήχο ως τον αριθμό των δευτερολέπτων που απαιτούνται για την παραγωγή του πρώτου ηχητικού διακριτού στοιχείου.

Το αποτέλεσμα του ServiceNow στο EVA-Bench

Η xAI ανέφερε ότι το Grok Voice 3.0 πέτυχε την υψηλότερη βαθμολογία ακρίβειας στο EVA-Bench, το συγκριτικό τεστ της ServiceNow για φωνητικούς πράκτορες επιχειρήσεων, με επίδοση 74%, και ότι ήταν το μοντέλο με τις καλύτερες επιδόσεις όταν η ακρίβεια και η εμπειρία πελατών βαθμολογήθηκαν από κοινού.

Ο Nitin Aggarwal, ανώτερος διευθυντής διαχείρισης προϊόντων για τις αξιολογήσεις πρακτόρων και την υπεύθυνη ΤΝ (RAI) στη ServiceNow, δήλωσε σε ανακοίνωση που δημοσιεύτηκε μαζί με την παρουσίαση ότι το Grok Voice 3.0 «καθορίζει ένα νέο μέτωπο Pareto στο EVA-Bench, το ανοικτού κώδικα συγκριτικό τεστ της ServiceNow, το οποίο βαθμολογεί φωνητικούς πράκτορες ως προς την ακρίβεια και την εμπειρία σε περισσότερα από 200 ρεαλιστικά επιχειρησιακά σενάρια».

Η ServiceNow AI Research περιγράφει το EVA-Bench ως ένα ανοικτού κώδικα πλαίσιο αξιολόγησης που μετρά τις επιδόσεις φωνητικών πρακτόρων σε ολοκληρωμένες προφορικές συνομιλίες πολλών διαδοχικών γύρων, με αρχιτεκτονική επικοινωνίας μεταξύ bot. Το συγκριτικό τεστ καλύπτει τρεις τομείς: την εξυπηρέτηση πελατών, με 15 εργαλεία και 50 σενάρια που αφορούν την εκ νέου κράτηση πτήσεων μετά από διαταραχές, τις προαιρετικές αλλαγές, τις ακυρώσεις και τα κουπόνια· τη διαχείριση υπηρεσιών πληροφορικής, με 59 εργαλεία και 80 σενάρια· και το ανθρώπινο δυναμικό, με 47 εργαλεία και 83 σενάρια που αφορούν παροχές, προγραμματισμό, άδειες και ερωτήματα σχετικά με πολιτικές. Οι πράκτορες βαθμολογούνται σε δύο διαστάσεις: η EVA-A μετρά αν ο πράκτορας ολοκλήρωσε σωστά την εργασία, ενώ η EVA-X μετρά την ποιότητα της συνομιλιακής εμπειρίας. Το EVA-Bench αποτελεί μέρος της σειράς συγκριτικών δοκιμών NOWAI-Bench της ServiceNow.

Εφαρμογή στην Tesla και το Starlink

Σύμφωνα με την xAI, το Grok Voice 3.0 διαχειρίζεται εκατομμύρια συνομιλίες την ημέρα σε οχήματα Tesla, όπου οι οδηγοί μπορούν να χρησιμοποιούν τα Connectors για αιτήματα όπως ο έλεγχος του ημερολογίου τους ή η απάντηση σε ένα email, και το Grok Bot για πιο σύνθετες εργασίες, όπως η παραγγελία ενός καφέ ή η κράτηση δείπνου, χωρίς να χρησιμοποιούν τα χέρια τους. Το μοντέλο υποστηρίζει επίσης τη λειτουργία φωνής του Grok Bot.

Όπως δήλωσε η xAI, τα τηλεφωνικά κέντρα της Starlink χρησιμοποιούν το Grok Voice για να απαντούν καθημερινά σε 20.000 κλήσεις πελατών σε πολλές γλώσσες. Περίπου το 70% των κλήσεων διεκπεραιώνεται χωρίς ανθρώπινη παρέμβαση, ενώ μία στις τέσσερις κλήσεις πωλήσεων καταλήγει σε αγορά προτού κλείσει ο καλών. Ένας και μόνο πράκτορας που βασίζεται στο Grok Voice 3.0 επαληθεύει τους πελάτες, αντιμετωπίζει προβλήματα υλικού, χορηγεί πιστώσεις και αποστέλλει εξοπλισμό αντικατάστασης.

Τιμολόγηση και διαθεσιμότητα

Το Grok Voice 3.0 διατίθεται μέσω του Voice Agent API με κόστος 0,08 $ ανά λεπτό ή 4,80 $ ανά ώρα, στην ίδια τιμή με το Grok Voice 2.0. Οι πράκτορες που χρησιμοποιούν το grok-voice-latest μεταφέρθηκαν αυτόματα στη νέα έκδοση, χωρίς να απαιτούνται αλλαγές, δήλωσε η xAI.