xAI presenta Grok Voice 3.0, un modello speech-to-speech per agenti vocali

Il 14 ottobre 2026 xAI ha annunciato Grok Voice 3.0, rendendo disponibile il modello speech-to-speech nella sua API Voice Agent al costo di $0,08 al minuto. L’azienda ha descritto Grok Voice 3.0 come il modello vocale più intelligente al mondo e ha dichiarato che stabilisce un nuovo record nella risoluzione delle chiamate all’assistenza clienti, con una latenza inferiore a un secondo e costi di utilizzo più bassi rispetto ad altri modelli di frontiera.

Secondo xAI, Grok Voice gestisce milioni di conversazioni al giorno tra Tesla e SpaceX; la nuova versione è stata lanciata allo stesso prezzo della precedente.

Risultati dei benchmark citati da xAI

Nell’annuncio, xAI ha citato i test indipendenti condotti da Artificial Analysis il 13 ottobre 2026, secondo i quali Grok Voice 3.0 è al primo posto nello Speech-to-Speech Index con un punteggio di 86,9. La tabella comparativa pubblicata insieme all’annuncio riporta GPT-Live-1 (Astra, Medio) a 83,2, Gemini 3.8 Live (Ragionamento esteso, Alto) a 82,6 e Grok Voice 2.0 a 81,3.

Per le diverse componenti dell’indice, xAI ha dichiarato di aver ottenuto il 98,5% nel ragionamento vocale di Big Bench Audio, un Elo di preferenza di 1070 in Speech Agent Arena, un tasso di successo delle attività del 94,8% e il 97,0% in Full Duplex Bench, che misura quanto naturalmente un modello gestisce le pause, l’alternanza dei turni e le interruzioni. Nella stessa tabella, i valori riportati per Grok Voice 2.0 erano rispettivamente 97,2%, 1011, 94,6% e 95,1%.

Nel benchmark tau-Voice, basato su chiamate simulate all’assistenza clienti, xAI ha riportato un risultato del 71,6% per Grok Voice 3.0 e ha descritto la prestazione come paragonabile a quella di GPT-Live-1 (Astra), con una latenza inferiore del 40%. Il grafico pubblicato riporta GPT-Live-1 (Astra, Medio) al 74,5%, Gemini 3.8 Live (Ragionamento esteso, Alto) al 68,6% e Grok Voice 2.0 al 56,5%.

xAI ha inoltre riferito che, nell’esecuzione di Big Bench Audio, Artificial Analysis ha misurato un costo medio per attività di $0,025 per Grok Voice 3.0, rispetto a $0,030 per GPT-Live-1 (Astra, Medio) e $0,055 per GPT-Realtime-2.1 (Alto).

Come Artificial Analysis valuta i modelli vocali

Artificial Analysis definisce il proprio Speech-to-Speech Index come un punteggio con ponderazione uniforme basato su quattro componenti: il ragionamento vocale di Big Bench Audio, le prestazioni agentiche di tau-Voice, la preferenza nell’arena e il tasso di successo delle attività. Per ottenere un punteggio nell’indice, un modello deve aver registrato risultati in tutte e quattro le componenti.

Big Bench Audio comprende 1.000 domande audio adattate da Big Bench Hard, con 250 domande in ciascuna delle quattro categorie: Formal Fallacies, Navigate, Object Counting e Web of Lies. I modelli ricevono ogni domanda in formato audio e generano una risposta audio, valutata come corretta o errata.

In tau-Voice, un simulatore vocale dell’utente chiama il modello sottoposto a test, che opera come agente dell’assistenza clienti e può accedere a strumenti specifici del dominio e a un documento con le procedure. Ogni attività prevede un unico stato finale valido nel database; la valutazione confronta lo stato finale con quello di riferimento e, quando disponibili, i risultati riportati nei grafici sono la media di tre prove. La componente di preferenza nell’arena è un Elo a coppie, calcolato sulla base dei partecipanti umani che completano lo stesso scenario con due modelli non identificati.

Full Duplex Bench v1 valuta la gestione delle pause e l’alternanza dei turni, mentre v1.5 aggiunge la gestione delle interruzioni da parte dell’utente e dei segnali di ascolto, per esempio la capacità di proseguire correttamente quando chi chiama dice «sì» o «va bene». Artificial Analysis definisce il tempo al primo audio come il numero di secondi necessari per generare il primo token dell’output audio.

Il risultato di Grok Voice 3.0 in EVA-Bench di ServiceNow

xAI ha dichiarato che Grok Voice 3.0 ha ottenuto il punteggio di accuratezza più alto in EVA-Bench, il benchmark di ServiceNow per gli agenti vocali aziendali, con il 74%, e che è stato il modello con le migliori prestazioni considerando insieme accuratezza ed esperienza del cliente.

Nitin Aggarwal, Senior Director of Product Management for Agentic Evals and RAI presso ServiceNow, ha dichiarato in una nota pubblicata insieme all’annuncio che Grok Voice 3.0 «stabilisce una nuova frontiera di Pareto in EVA-Bench, il benchmark open source di ServiceNow che valuta l’accuratezza e l’esperienza degli agenti vocali in oltre 200 scenari aziendali realistici».

ServiceNow AI Research descrive EVA-Bench come un framework di valutazione open source che misura le prestazioni degli agenti vocali attraverso conversazioni parlate complete e articolate in più turni, utilizzando un’architettura bot-to-bot. Il benchmark copre tre ambiti: assistenza clienti, con 15 strumenti e 50 scenari che includono la riprenotazione dopo la cancellazione di un volo, modifiche volontarie, cancellazioni e voucher; gestione dei servizi IT, con 59 strumenti e 80 scenari; e risorse umane, con 47 strumenti e 83 scenari relativi a benefit, pianificazione, congedi e domande sulle policy. Gli agenti sono valutati su due dimensioni: EVA-A, che misura se l’agente ha completato correttamente l’attività, ed EVA-X, che misura la qualità dell’esperienza conversazionale. EVA-Bench fa parte della suite di benchmark NOWAI-Bench di ServiceNow.

Implementazione su Tesla e Starlink

Secondo xAI, Grok Voice 3.0 gestisce milioni di conversazioni al giorno nei veicoli Tesla, dove i conducenti possono usare Connectors per richieste come controllare il calendario o rispondere a un’e-mail, e Grok Bot per attività più complesse, come ordinare un caffè o prenotare una cena, tutto a mani libere. Il modello alimenta anche la modalità vocale di Grok Bot.

Secondo quanto dichiarato da xAI, i centri assistenza telefonica di Starlink usano Grok Voice per rispondere ogni giorno a 20.000 chiamate dei clienti in più lingue. Circa il 70% delle chiamate viene risolto senza intervento umano e una chiamata di vendita su quattro si conclude con un acquisto prima che il cliente riagganci. Un singolo agente basato su Grok Voice 3.0 verifica l’identità dei clienti, risolve i problemi hardware, eroga crediti e spedisce apparecchiature sostitutive.

Prezzi e disponibilità

Grok Voice 3.0 è disponibile tramite Voice Agent API al costo di 0,08 $ al minuto, ovvero 4,80 $ all’ora, lo stesso prezzo di Grok Voice 2.0. Secondo quanto dichiarato da xAI, gli agenti che usano grok-voice-latest sono stati migrati automaticamente, senza bisogno di apportare modifiche.