xAI esittelee Grok Voice 3.0:n puheesta puheeksi -mallin puheagenteille

xAI julkisti Grok Voice 3.0:n 14. lokakuuta 2026 ja toi puheesta puheeksi -mallin saataville Voice Agent API -rajapinnassaan hintaan 0,08 dollaria minuutilta. Yhtiö kuvaili Grok Voice 3.0:a maailman älykkäimmäksi puhemalliksi ja kertoi sen asettavan uuden ennätyksen asiakaspalvelupuheluiden ratkaisemisessa: viive jää alle sekunnin, ja käyttökustannukset ovat pienemmät kuin muilla huippumalleilla.

xAI:n mukaan Grok Voice käsittelee miljoonia keskusteluja päivässä Teslan ja SpaceX:n palveluissa, ja uusi versio julkaistiin samaan hintaan kuin edeltäjänsä.

xAI:n mainitsemat vertailutulokset

xAI:n julkistuksessa viitattiin Artificial Analysisin riippumattomaan testaukseen, joka oli päivätty 13. lokakuuta 2026. Sen mukaan Grok Voice 3.0 sijoittui Speech-to-Speech-indeksin kärkeen pistein 86,9. Julkistuksen yhteydessä julkaistussa vertailutaulukossa GPT-Live-1 (Astra, Medium) sai 83,2 pistettä, Gemini 3.8 Live (Extended Thinking, High) 82,6 pistettä ja Grok Voice 2.0 81,3 pistettä.

xAI ilmoitti indeksin eri osa-alueiden tuloksiksi 98,5 % Big Bench Audion puheen päättelytehtävässä, Speech Agent Arenan mieltymyksiin perustuvassa Elo-luokituksessa 1070, tehtävien onnistumisasteeksi 94,8 % sekä Full Duplex Benchissä 97,0 %. Full Duplex Bench mittaa, kuinka luontevasti malli käsittelee taukoja, vuorottelua ja keskeytyksiä. Samassa taulukossa Grok Voice 2.0:n vastaavat tulokset olivat 97,2 %, 1011, 94,6 % ja 95,1 %.

Simuloiduista asiakaspalvelupuheluista koostuvassa tau-Voice-vertailussa xAI ilmoitti Grok Voice 3.0:n tulokseksi 71,6 % ja kuvaili sitä GPT-Live-1:n (Astra) tulokseen verrattavaksi, vaikka viive oli 40 % pienempi. Julkaistussa kaaviossa GPT-Live-1 (Astra, Medium) sai 74,5 %, Gemini 3.8 Live (Extended Thinking, High) 68,6 % ja Grok Voice 2.0 56,5 %.

xAI kertoi myös, että Artificial Analysisin Big Bench Audio -ajossa mittaama keskimääräinen tehtäväkohtainen kustannus oli Grok Voice 3.0:lla 0,025 dollaria, GPT-Live-1:llä (Astra, Medium) 0,030 dollaria ja GPT-Realtime-2.1:llä (High) 0,055 dollaria.

Näin Artificial Analysis pisteyttää puhemalleja

Artificial Analysis määrittelee Speech-to-Speech-indeksin neljän osa-alueen tasapainotetuksi kokonaispistemääräksi. Osa-alueet ovat Big Bench Audion puheen päättely, tau-Voicen agenttisuorituskyky, areenamieltymys ja tehtävien onnistumisaste. Malli saa indeksipisteet vain, jos siitä on tulokset kaikilta neljältä osa-alueelta.

Big Bench Audio koostuu 1 000 äänikysymyksestä, jotka on muokattu Big Bench Hard -aineistosta. Kysymykset jakautuvat tasan neljään luokkaan, joissa kussakin on 250 kysymystä: Formal Fallacies, Navigate, Object Counting ja Web of Lies. Mallit saavat kunkin kysymyksen äänimuodossa ja tuottavat siihen äänivastauksen, joka arvioidaan oikeaksi tai vääräksi.

tau-Voicessa puhekäyttöliittymän käyttäjäsimulaattori soittaa testattavalle mallille, joka toimii asiakaspalvelijana ja jolla on käytössään toimialakohtaisia työkaluja sekä toimintaohje. Jokaisella tehtävällä on tietokannassa yksi hyväksyttävä lopputila. Arvioinnissa lopputilaa verrataan tähän vertailutilaan, ja kaaviossa esitetyt tulokset ovat saatavilla olevien kolmen kokeilun keskiarvoja. Areenamieltymyksen osatekijä on parivertailuihin perustuva Elo-luokitus, joka määritetään ihmisten arvioiden pohjalta. Arvioijat suorittavat saman tilanteen kahdella mallilla, joiden henkilöllisyyttä ei paljasteta.

Full Duplex Bench v1 mittaa taukojen käsittelyä ja vuorottelua. Versio 1.5 lisää mukaan käyttäjän keskeytysten ja kuuntelun aikaisten myötäilevien reaktioiden käsittelyn. Mallin on esimerkiksi osattava jatkaa luontevasti, kun soittaja sanoo ”joo” tai ”selvä”. Artificial Analysis määrittelee ensimmäisen äänitulosteen tuottamiseen kuluvaksi ajaksi niiden sekuntien määrän, jotka tarvitaan äänen ensimmäisen tokenin luomiseen.

ServiceNow’n EVA-Bench-tulos

xAI ilmoitti, että Grok Voice 3.0 sai parhaan tarkkuustuloksen EVA-Benchissä, ServiceNow’n yrityskäyttöön tarkoitettujen puheagenttien vertailussa: tulos oli 74 %. Se oli myös parhaiten suoriutuva malli, kun tarkkuus ja asiakaskokemus pisteytettiin yhdessä.

ServiceNow’n Agentic Evals and RAI -tuotehallinnan vanhempi johtaja Nitin Aggarwal totesi julkistuksen yhteydessä julkaistussa lausunnossa, että Grok Voice 3.0 ”asettaa uuden Pareto-rintaman EVA-Benchissä, ServiceNow’n avoimen lähdekoodin vertailussa, jossa puheagenttien tarkkuutta ja käyttökokemusta arvioidaan yli 200 realistisessa yrityskäyttöön liittyvässä tilanteessa”.

ServiceNow AI Research kuvailee EVA-Benchiä avoimen lähdekoodin arviointikehykseksi, jolla mitataan puheagenttien suoriutumista kokonaisissa, useita vuoroja sisältävissä puhutuissa keskusteluissa bottien väliseen vuorovaikutukseen perustuvalla arkkitehtuurilla. Vertailu kattaa kolme toimialaa. Asiakaspalveluun kuuluu 15 työkalua ja 50 tilannetta, jotka käsittelevät häiriintyneiden lentojen uudelleenvarausta, vapaaehtoisia muutoksia, peruutuksia ja palveluseteleitä. IT-palvelunhallintaan kuuluu 59 työkalua ja 80 tilannetta. Henkilöstöhallintoon kuuluu 47 työkalua ja 83 tilannetta, jotka käsittelevät etuja, työvuorosuunnittelua, poissaoloja ja käytäntöjä koskevia kysymyksiä. Agentteja arvioidaan kahdella osa-alueella: EVA-A mittaa, suorittiko agentti tehtävän oikein, ja EVA-X mittaa keskustelukokemuksen laatua. EVA-Bench kuuluu ServiceNow’n NOWAI-Bench-vertailukokonaisuuteen.

Käyttöönotto Teslassa ja Starlinkissä

xAI:n mukaan Grok Voice 3.0 käsittelee Teslan ajoneuvoissa miljoonia keskusteluja päivässä. Kuljettajat voivat käyttää Connectors-toimintoa esimerkiksi kalenterin tarkistamiseen tai sähköpostiin vastaamiseen ja Grok Botia vaativampiin tehtäviin, kuten kahvin tilaamiseen tai illallispöydän varaamiseen – kaikki onnistuu käsiä käyttämättä. Malli toimii myös Grok Botin äänitilan perustana.

xAI:n mukaan Starlinkin puhelinpalvelukeskukset käyttävät Grok Voicea 20 000 asiakaspuheluun päivittäin useilla kielillä. Noin 70 % puheluista ratkaistaan ilman ihmisen osallistumista, ja joka neljäs myyntipuhelu johtaa ostoon ennen kuin soittaja ehtii katkaista puhelun. Yksi Grok Voice 3.0:n pohjalta rakennettu agentti varmentaa asiakkaat, selvittää laitteisto-ongelmia, myöntää hyvityksiä ja lähettää korvaavia laitteita.

Hinnoittelu ja saatavuus

Grok Voice 3.0 on saatavilla Voice Agent API:ssa hintaan 0,08 $ minuutilta eli 4,80 $ tunnilta – samaan hintaan kuin Grok Voice 2.0. xAI:n mukaan grok-voice-latest-mallia käyttävät agentit on siirretty uuteen versioon automaattisesti, eikä muutoksia tarvita.