xAI Memperkenalkan Model Suara-ke-Suara Grok Voice 3.0 untuk Agen Suara

xAI mengumumkan Grok Voice 3.0 pada 14 Oktober 2026, dan model suara-ke-suara tersebut tersedia melalui Voice Agent API dengan tarif $0.08 per menit. Perusahaan itu menyebut Grok Voice 3.0 sebagai model suara paling cerdas di dunia dan mengatakan bahwa model ini mencetak rekor baru dalam menangani panggilan dukungan pelanggan, dengan latensi di bawah satu detik dan biaya operasional lebih rendah daripada model terdepan lainnya.

Menurut xAI, Grok Voice mendukung jutaan percakapan setiap hari di Tesla dan SpaceX, dan versi baru ini diluncurkan dengan harga yang sama seperti pendahulunya.

Hasil Tolok Ukur yang Dikutip xAI

Dalam pengumumannya, xAI mengutip pengujian independen oleh Artificial Analysis tertanggal 13 Oktober 2026, yang melaporkan bahwa Grok Voice 3.0 menempati peringkat pertama dalam Speech-to-Speech Index dengan skor 86.9. Tabel perbandingan yang diterbitkan bersama pengumuman itu mencantumkan GPT-Live-1 (Astra, Sedang) dengan skor 83.2, Gemini 3.8 Live (Penalaran Diperluas, Tinggi) dengan skor 82.6, dan Grok Voice 2.0 dengan skor 81.3.

Untuk komponen indeks tersebut, xAI melaporkan skor 98.5% dalam penalaran audio Big Bench Audio, skor Elo preferensi Speech Agent Arena sebesar 1070, tingkat keberhasilan tugas 94.8%, serta skor 97.0% dalam Full Duplex Bench, yang mengukur seberapa alami model menangani jeda, pergiliran bicara, dan interupsi. Angka yang tercantum untuk Grok Voice 2.0 dalam tabel yang sama adalah 97.2%, 1011, 94.6%, dan 95.1%.

Pada tau-Voice, tolok ukur yang dibuat berdasarkan simulasi panggilan dukungan pelanggan, xAI melaporkan skor 71.6% untuk Grok Voice 3.0 dan menyebut hasil tersebut sebanding dengan GPT-Live-1 (Astra), dengan latensi 40% lebih rendah. Bagan yang diterbitkan mencantumkan GPT-Live-1 (Astra, Sedang) dengan skor 74.5%, Gemini 3.8 Live (Penalaran Diperluas, Tinggi) dengan skor 68.6%, dan Grok Voice 2.0 dengan skor 56.5%.

xAI juga melaporkan bahwa Artificial Analysis mengukur biaya rata-rata per tugas dalam pengujian Big Bench Audio sebesar $0.025 untuk Grok Voice 3.0, dibandingkan dengan $0.030 untuk GPT-Live-1 (Astra, Sedang) dan $0.055 untuk GPT-Realtime-2.1 (Tinggi).

Cara Artificial Analysis Menilai Model Suara

Artificial Analysis mendefinisikan Speech-to-Speech Index sebagai skor berbobot sama yang mencakup empat komponen: penalaran audio dari Big Bench Audio, kinerja agen dari tau-Voice, preferensi arena, dan tingkat keberhasilan tugas. Model harus memiliki hasil pada keempat komponen agar memperoleh skor indeks.

Big Bench Audio terdiri atas 1,000 pertanyaan audio yang diadaptasi dari Big Bench Hard, dengan 250 pertanyaan dalam masing-masing dari empat kategori: Kekeliruan Formal, Navigasi, Penghitungan Objek, dan Jaringan Kebohongan. Model menerima setiap pertanyaan dalam bentuk audio dan menghasilkan jawaban audio yang dinilai benar atau salah.

Dalam tau-Voice, simulator pengguna suara menelepon model yang diuji, yang beroperasi sebagai agen dukungan pelanggan dengan akses ke alat khusus untuk bidang terkait dan dokumen kebijakan. Setiap tugas memiliki satu keadaan akhir basis data yang valid; evaluasi membandingkan keadaan akhir dengan acuan yang benar, dan hasil yang ditampilkan dalam bagan merupakan rata-rata dari tiga uji coba jika tersedia. Komponen preferensi arena berupa skor Elo berpasangan yang dihitung berdasarkan peserta manusia yang menyelesaikan skenario yang sama dengan dua model yang identitasnya tidak diungkapkan.

Full Duplex Bench v1 mencakup penanganan jeda dan pergiliran bicara, sedangkan v1.5 menambahkan penanganan interupsi pengguna serta respons pendukung, misalnya melanjutkan percakapan dengan tepat saat penelepon mengatakan “ya” atau “baik”. Artificial Analysis mendefinisikan waktu hingga audio pertama sebagai jumlah detik yang diperlukan untuk menghasilkan token pertama dari keluaran audio.

Hasil EVA-Bench ServiceNow

xAI melaporkan bahwa Grok Voice 3.0 meraih skor akurasi tertinggi pada EVA-Bench, tolok ukur ServiceNow untuk agen suara perusahaan, dengan skor 74%, serta menjadi model berkinerja terbaik ketika akurasi dan pengalaman pelanggan dinilai secara bersamaan.

Nitin Aggarwal, Direktur Senior Manajemen Produk untuk Agentic Evals dan RAI di ServiceNow, mengatakan dalam pernyataan yang diterbitkan bersama pengumuman tersebut bahwa Grok Voice 3.0 “menetapkan batas Pareto baru pada EVA-Bench, tolok ukur sumber terbuka ServiceNow yang menilai akurasi dan pengalaman agen suara dalam lebih dari 200 skenario perusahaan yang realistis.”

ServiceNow AI Research menjelaskan EVA-Bench sebagai kerangka evaluasi sumber terbuka yang mengukur kinerja agen suara melalui percakapan lisan lengkap yang terdiri atas beberapa giliran, dengan menggunakan arsitektur bot-ke-bot. Tolok ukur ini mencakup tiga bidang: layanan pelanggan, dengan 15 alat dan 50 skenario yang meliputi pemesanan ulang penerbangan akibat gangguan, perubahan sukarela, pembatalan, dan voucher; manajemen layanan TI, dengan 59 alat dan 80 skenario; serta SDM, dengan 47 alat dan 83 skenario yang mencakup tunjangan, penjadwalan, cuti, dan pertanyaan kebijakan. Agen dinilai berdasarkan dua dimensi: EVA-A, yang mengukur apakah agen menyelesaikan tugas dengan benar, dan EVA-X, yang mengukur kualitas pengalaman percakapan. EVA-Bench merupakan bagian dari rangkaian tolok ukur NOWAI-Bench milik ServiceNow.

Penerapan di Tesla dan Starlink

Menurut xAI, Grok Voice 3.0 menangani jutaan percakapan setiap hari di kendaraan Tesla. Pengemudi dapat menggunakan Connectors untuk permintaan seperti memeriksa kalender atau membalas email, serta Grok Bot untuk tugas yang lebih besar, seperti memesan kopi atau memesan tempat untuk makan malam, semuanya tanpa perlu menggunakan tangan. Model ini juga mendukung mode suara Grok Bot.

Menurut xAI, pusat panggilan Starlink menggunakan Grok Voice untuk menjawab 20.000 panggilan pelanggan setiap hari dalam berbagai bahasa. Sekitar 70% panggilan terselesaikan tanpa campur tangan manusia, dan satu dari setiap empat panggilan penjualan berakhir dengan pembelian sebelum penelepon menutup telepon. Satu agen yang dibangun dengan Grok Voice 3.0 memverifikasi pelanggan, mengatasi masalah perangkat keras, memberikan kredit, dan mengirimkan perangkat pengganti.

Harga dan Ketersediaan

Grok Voice 3.0 tersedia melalui Voice Agent API dengan biaya $0.08 per menit atau $4.80 per jam, sama seperti Grok Voice 2.0. Menurut xAI, agen yang menggunakan grok-voice-latest telah dialihkan secara otomatis, tanpa perlu perubahan.