xAI ने वॉइस एजेंटों के लिए Grok Voice 3.0 स्पीच-टू-स्पीच मॉडल पेश किया

xAI ने 14 अक्टूबर 2026 को Grok Voice 3.0 की घोषणा की। यह स्पीच-टू-स्पीच मॉडल उसके Voice Agent API में $0.08 प्रति मिनट की दर से उपलब्ध है। कंपनी ने Grok Voice 3.0 को दुनिया का सबसे बुद्धिमान वॉइस मॉडल बताया और कहा कि यह ग्राहक सहायता कॉल हल करने में नया रिकॉर्ड बनाता है। इसकी विलंबता एक सेकंड से कम है और इसे चलाने की लागत अन्य अग्रणी मॉडलों से कम है।

xAI के अनुसार, Grok Voice Tesla और SpaceX में रोज़ाना लाखों बातचीत को संचालित करता है। नया संस्करण अपने पिछले संस्करण की ही कीमत पर पेश किया गया।

xAI द्वारा उद्धृत बेंचमार्क नतीजे

xAI की घोषणा में Artificial Analysis द्वारा 13 अक्टूबर 2026 को किए गए स्वतंत्र परीक्षण का हवाला दिया गया। इसके मुताबिक, Grok Voice 3.0 ने स्पीच-टू-स्पीच सूचकांक में 86.9 अंक के साथ पहला स्थान हासिल किया। घोषणा के साथ प्रकाशित तुलना तालिका में GPT-Live-1 (Astra, मध्यम) के 83.2, Gemini 3.8 Live (विस्तारित विचार, उच्च) के 82.6 और Grok Voice 2.0 के 81.3 अंक दर्ज हैं।

सूचकांक के अलग-अलग घटकों में xAI ने Big Bench Audio के वाक्-तर्क परीक्षण में 98.5%, Speech Agent Arena की वरीयता-आधारित Elo रेटिंग में 1070, कार्य-सफलता दर में 94.8% और Full Duplex Bench में 97.0% अंक बताए। Full Duplex Bench यह मापता है कि कोई मॉडल विराम, बातचीत में बारी लेने और बीच में टोके जाने को कितनी स्वाभाविकता से संभालता है। उसी तालिका में Grok Voice 2.0 के लिए क्रमशः 97.2%, 1011, 94.6% और 95.1% अंक दिए गए थे।

सिम्युलेटेड ग्राहक सहायता कॉल पर आधारित बेंचमार्क tau-Voice में xAI ने Grok Voice 3.0 के लिए 71.6% अंक बताए और इस नतीजे को GPT-Live-1 (Astra) के प्रदर्शन के बराबर बताया, जबकि इसकी विलंबता 40% कम थी। प्रकाशित चार्ट में GPT-Live-1 (Astra, मध्यम) के 74.5%, Gemini 3.8 Live (विस्तारित विचार, उच्च) के 68.6% और Grok Voice 2.0 के 56.5% अंक दर्ज हैं।

xAI ने यह भी बताया कि Artificial Analysis के Big Bench Audio परीक्षण में प्रति कार्य औसत लागत Grok Voice 3.0 के लिए $0.025 थी। इसकी तुलना में GPT-Live-1 (Astra, मध्यम) की लागत $0.030 और GPT-Realtime-2.1 (उच्च) की $0.055 थी।

Artificial Analysis वॉइस मॉडलों का मूल्यांकन कैसे करता है

Artificial Analysis के अनुसार, उसका स्पीच-टू-स्पीच सूचकांक चार घटकों के समान भार वाले अंकों से बनता है: Big Bench Audio से वाक्-तर्क, tau-Voice से एजेंट-आधारित प्रदर्शन, एरिना में वरीयता और कार्य-सफलता दर। सूचकांक में अंक पाने के लिए किसी मॉडल को चारों घटकों में नतीजे देने होते हैं।

Big Bench Audio में Big Bench Hard से अनुकूलित 1,000 ऑडियो प्रश्न हैं। चार श्रेणियों—औपचारिक तर्क-दोष, नेविगेशन, वस्तुओं की गिनती और झूठ का जाल—में से प्रत्येक में 250 प्रश्न हैं। मॉडलों को हर प्रश्न ऑडियो के रूप में दिया जाता है और वे ऑडियो में जवाब देते हैं, जिसे सही या गलत के रूप में आँका जाता है।

tau-Voice में एक वॉइस उपयोगकर्ता सिम्युलेटर परीक्षणाधीन मॉडल को कॉल करता है। यह मॉडल ग्राहक सहायता एजेंट की तरह काम करता है और उसे डोमेन-विशिष्ट टूल तथा नीति दस्तावेज़ का उपयोग करने की सुविधा होती है। हर कार्य के लिए डेटाबेस की केवल एक अंतिम स्थिति सही होती है। मूल्यांकन में अंतिम स्थिति की तुलना उस सही संदर्भ स्थिति से की जाती है, और जहाँ तीन परीक्षण उपलब्ध हों, वहाँ चार्ट में दिखाए गए नतीजों का औसत लिया जाता है। एरिना की वरीयता वाला घटक, उन मानव प्रतिभागियों के नतीजों से तैयार की गई जोड़ी-आधारित Elo रेटिंग है, जो एक ही परिदृश्य को दो अज्ञात मॉडलों के साथ पूरा करते हैं।

Full Duplex Bench v1 में विरामों को संभालने और बातचीत में बारी लेने की क्षमता शामिल है। v1.5 में उपयोगकर्ता के बीच में टोकने और उसकी छोटी प्रतिक्रियाओं को संभालने की क्षमता भी जोड़ी गई है—जैसे, कॉल करने वाला “हाँ” या “ठीक है” कहे तो बातचीत को सही ढंग से जारी रखना। Artificial Analysis के अनुसार, पहली ऑडियो प्रतिक्रिया तक का समय वह सेकंडों की संख्या है, जो ऑडियो आउटपुट का पहला टोकन तैयार करने में लगती है।

ServiceNow के EVA-Bench पर नतीजे

xAI ने बताया कि Grok Voice 3.0 ने EVA-Bench पर सबसे अधिक सटीकता अंक हासिल किए। उद्यमों के वॉइस एजेंटों के लिए ServiceNow के इस बेंचमार्क पर इसके 74% अंक रहे। सटीकता और ग्राहक अनुभव को मिलाकर आँकने पर भी यह सबसे अच्छा प्रदर्शन करने वाला मॉडल था।

ServiceNow में एजेंट-आधारित मूल्यांकन और RAI के उत्पाद प्रबंधन के वरिष्ठ निदेशक Nitin Aggarwal ने घोषणा के साथ प्रकाशित बयान में कहा, “Grok Voice 3.0 ने EVA-Bench पर नया Pareto frontier स्थापित किया है। ServiceNow का यह ओपन-सोर्स बेंचमार्क 200 से अधिक यथार्थपरक उद्यम परिदृश्यों में वॉइस एजेंटों की सटीकता और अनुभव का मूल्यांकन करता है।”

ServiceNow AI Research के अनुसार, EVA-Bench एक ओपन-सोर्स मूल्यांकन ढाँचा है, जो बॉट-से-बॉट संरचना का उपयोग करके पूरी, कई चरणों वाली मौखिक बातचीत में वॉइस एजेंटों के प्रदर्शन को मापता है। इस बेंचमार्क में तीन क्षेत्र शामिल हैं। ग्राहक सेवा में 15 टूल और 50 परिदृश्य हैं, जिनमें बाधित उड़ानों के लिए दोबारा बुकिंग, स्वैच्छिक बदलाव, रद्दीकरण और वाउचर शामिल हैं। IT सेवा प्रबंधन में 59 टूल और 80 परिदृश्य हैं। मानव संसाधन में 47 टूल और 83 परिदृश्य हैं, जिनमें लाभ, समय-सारणी, अवकाश और नीतियों से जुड़े प्रश्न शामिल हैं। एजेंटों को दो पैमानों पर आँका जाता है: EVA-A यह मापता है कि एजेंट ने कार्य सही ढंग से पूरा किया या नहीं, जबकि EVA-X बातचीत के अनुभव की गुणवत्ता मापता है। EVA-Bench, ServiceNow के NOWAI-Bench बेंचमार्क समूह का हिस्सा है।

Tesla और Starlink में तैनाती

xAI के अनुसार, Grok Voice 3.0 Tesla वाहनों में रोज़ाना लाखों बातचीत संभालता है। चालक हाथों का इस्तेमाल किए बिना, कैलेंडर देखने या ईमेल का जवाब देने जैसे अनुरोधों के लिए Connectors और कॉफी मँगाने या रात के खाने की बुकिंग जैसे बड़े कामों के लिए Grok Bot का इस्तेमाल कर सकते हैं। यह मॉडल Grok Bot के वॉइस मोड को भी संचालित करता है।

xAI ने कहा कि Starlink के कॉल सेंटर कई भाषाओं में हर दिन ग्राहकों के 20,000 कॉल का जवाब देने के लिए Grok Voice का इस्तेमाल करते हैं। इनमें से लगभग 70% कॉल का समाधान बिना किसी मानवीय हस्तक्षेप के हो जाता है, और बिक्री से जुड़ी हर चार में से एक कॉल में कॉल करने वाले के फोन रखने से पहले खरीदारी हो जाती है। Grok Voice 3.0 पर बना एक ही एजेंट ग्राहकों की पहचान सत्यापित करता है, हार्डवेयर की समस्याओं का निवारण करता है, क्रेडिट जारी करता है और बदले के उपकरण भेजता है।

मूल्य और उपलब्धता

Grok Voice 3.0, Voice Agent API में $0.08 प्रति मिनट या $4.80 प्रति घंटे की दर से उपलब्ध है—यह Grok Voice 2.0 की कीमत के समान है। xAI ने कहा कि grok-voice-latest का इस्तेमाल करने वाले एजेंटों को अपने-आप इस पर स्थानांतरित कर दिया गया है और किसी बदलाव की ज़रूरत नहीं पड़ी।