xAI lanserer tale-til-tale-modellen Grok Voice 3.0 for stemmeagenter

xAI kunngjorde Grok Voice 3.0 14. oktober 2026 og gjorde tale-til-tale-modellen tilgjengelig i sitt Voice Agent API til $0,08 per minutt. Selskapet beskrev Grok Voice 3.0 som verdens mest intelligente stemmemodell og sa at den setter ny rekord for å løse kundeservicesamtaler, med en forsinkelse på under ett sekund og lavere driftskostnader enn andre ledende modeller.

Ifølge xAI håndterer Grok Voice millioner av samtaler hver dag på tvers av Tesla og SpaceX, og den nye versjonen ble lansert til samme pris som forgjengeren.

Referanseverdier som xAI viser til

I kunngjøringen viste xAI til uavhengige tester utført av Artificial Analysis 13. oktober 2026. Testene viste at Grok Voice 3.0 ligger på førsteplass på Speech-to-Speech Index med en poengsum på 86,9. Sammenligningstabellen som ble publisert sammen med kunngjøringen, viser GPT-Live-1 (Astra, Medium) med 83,2, Gemini 3.8 Live (Extended Thinking, High) med 82,6 og Grok Voice 2.0 med 81,3.

For de ulike delene av indeksen rapporterte xAI en poengsum på 98,5 % for taleresonnering i Big Bench Audio, en Elo-rating på 1070 for preferanser i Speech Agent Arena, en oppgavesuksessrate på 94,8 % og 97,0 % på Full Duplex Bench, som måler hvor naturlig en modell håndterer pauser, turtaking og avbrytelser. Tallene for Grok Voice 2.0 i samme tabell var henholdsvis 97,2 %, 1011, 94,6 % og 95,1 %.

For tau-Voice, en referansetest basert på simulerte kundeservicesamtaler, rapporterte xAI en poengsum på 71,6 % for Grok Voice 3.0 og beskrev resultatet som sammenlignbart med GPT-Live-1 (Astra), men med 40 % lavere forsinkelse. Den publiserte grafen viser GPT-Live-1 (Astra, Medium) med 74,5 %, Gemini 3.8 Live (Extended Thinking, High) med 68,6 % og Grok Voice 2.0 med 56,5 %.

xAI rapporterte også at Artificial Analysis målte en gjennomsnittlig kostnad per oppgave på $0,025 for Grok Voice 3.0 i Big Bench Audio-testen, sammenlignet med $0,030 for GPT-Live-1 (Astra, Medium) og $0,055 for GPT-Realtime-2.1 (High).

Slik vurderer Artificial Analysis stemmemodeller

Artificial Analysis definerer sin Speech-to-Speech Index som en poengsum der fire komponenter vektes likt: taleresonnering fra Big Bench Audio, agentytelse fra tau-Voice, preferanser i arenaen og oppgavesuksessrate. En modell må ha resultater i alle fire komponentene for å få en indeksverdi.

Big Bench Audio består av 1 000 lydspørsmål tilpasset fra Big Bench Hard, med 250 spørsmål i hver av fire kategorier: Formal Fallacies, Navigate, Object Counting og Web of Lies. Modellene får hvert spørsmål som lyd og genererer et lydsvar som vurderes som riktig eller galt.

I tau-Voice ringer en talesimulator for brukere til modellen som testes. Modellen fungerer da som en kundeservicemedarbeider med tilgang til domenespesifikke verktøy og et retningslinjedokument. Hver oppgave har én gyldig sluttilstand i databasen, evalueringen sammenligner sluttresultatet med fasiten, og resultatene i grafen er gjennomsnittet av tre forsøk der slike resultater foreligger. Preferansekomponenten i arenaen er en Elo-rating basert på parvise sammenligninger, tilpasset svarene fra menneskelige deltakere som gjennomfører samme scenario med to modeller de ikke kjenner identiteten til.

Full Duplex Bench v1 dekker håndtering av pauser og turtaking, mens v1.5 i tillegg måler håndtering av brukeravbrytelser og bekreftende småord, for eksempel om modellen klarer å fortsette på riktig måte når en innringer sier «ja» eller «greit». Artificial Analysis definerer tiden til første lyd som antall sekunder det tar å generere den første lydtokenen.

ServiceNows resultat på EVA-Bench

xAI rapporterte at Grok Voice 3.0 oppnådde den høyeste nøyaktighetspoengsummen på EVA-Bench, ServiceNows referansetest for stemmeagenter i virksomheter, med 74 %, og at modellen presterte best når nøyaktighet og kundeopplevelse ble vurdert samlet.

Nitin Aggarwal, Senior Director of Product Management for Agentic Evals and RAI hos ServiceNow, sa i en uttalelse som ble publisert sammen med kunngjøringen, at Grok Voice 3.0 «setter en ny Pareto-front på EVA-Bench, ServiceNows referansetest med åpen kildekode som vurderer stemmeagenters nøyaktighet og brukeropplevelse i mer enn 200 realistiske scenarier fra næringslivet».

ServiceNow AI Research beskriver EVA-Bench som et evalueringsrammeverk med åpen kildekode som måler stemmeagenter gjennom komplette, flerturs talesamtaler ved hjelp av en bot-til-bot-arkitektur. Referansetesten dekker tre områder: kundeservice, med 15 verktøy og 50 scenarier som omfatter ombooking etter flyforstyrrelser, frivillige endringer, kanselleringer og kuponger; IT-tjenesteadministrasjon, med 59 verktøy og 80 scenarier; og HR, med 47 verktøy og 83 scenarier som omfatter spørsmål om goder, timeplanlegging, permisjon og retningslinjer. Agentene vurderes etter to kriterier: EVA-A, som måler om agenten fullførte oppgaven riktig, og EVA-X, som måler kvaliteten på samtaleopplevelsen. EVA-Bench er en del av ServiceNows referansetestserie NOWAI-Bench.

I bruk hos Tesla og Starlink

Ifølge xAI håndterer Grok Voice 3.0 millioner av samtaler hver dag i Tesla-biler. Der kan førerne bruke Connectors til forespørsler som å sjekke kalenderen eller svare på en e-post, og Grok Bot til større oppgaver som å bestille kaffe eller reservere bord til middag – alt helt håndfritt. Modellen driver også talefunksjonen til Grok Bot.

xAI opplyser at Starlinks kundesentre bruker Grok Voice til å besvare 20 000 kundehenvendelser hver dag på flere språk. Omtrent 70 % av henvendelsene løses uten menneskelig innblanding, og én av fire salgssamtaler ender med et kjøp før kunden legger på. Én enkelt agent basert på Grok Voice 3.0 bekrefter kundenes identitet, feilsøker maskinvare, utsteder kreditter og sender erstatningsutstyr.

Pris og tilgjengelighet

Grok Voice 3.0 er tilgjengelig i Voice Agent API til 0,08 dollar per minutt eller 4,80 dollar per time, samme pris som Grok Voice 2.0. Agenter som bruker grok-voice-latest, er automatisk blitt byttet over, uten at det kreves noen endringer, opplyser xAI.