xAI przedstawia Grok Voice 3.0 — model przetwarzający mowę na mowę dla agentów głosowych

14 października 2026 r. xAI ogłosiło premierę Grok Voice 3.0, udostępniając model przetwarzający mowę na mowę w ramach interfejsu API Voice Agent w cenie 0,08 USD za minutę. Firma określiła Grok Voice 3.0 jako najinteligentniejszy model głosowy na świecie i poinformowała, że ustanawia on nowy rekord w rozwiązywaniu problemów zgłaszanych podczas rozmów z obsługą klienta, przy opóźnieniu poniżej jednej sekundy i niższych kosztach działania niż w przypadku innych modeli czołowej klasy.

Według xAI Grok Voice obsługuje miliony rozmów dziennie w Tesli i SpaceX, a nową wersję wprowadzono w tej samej cenie co poprzednią.

Wyniki testów porównawczych przytoczone przez xAI

W ogłoszeniu xAI powołało się na niezależne testy przeprowadzone przez Artificial Analysis 13 października 2026 r. i podało, że Grok Voice 3.0 zajmuje pierwsze miejsce w indeksie Speech-to-Speech z wynikiem 86,9. W opublikowanej wraz z ogłoszeniem tabeli porównawczej wymieniono GPT-Live-1 (Astra, Medium) z wynikiem 83,2, Gemini 3.8 Live (Extended Thinking, High) z wynikiem 82,6 oraz Grok Voice 2.0 z wynikiem 81,3.

W poszczególnych składowych indeksu xAI podało wynik 98,5% w teście rozumowania na podstawie mowy Big Bench Audio, wynik Elo 1070 w rankingu preferencji Speech Agent Arena, skuteczność zadań na poziomie 94,8% oraz wynik 97,0% w Full Duplex Bench, który mierzy, jak naturalnie model radzi sobie z pauzami, zabieraniem głosu na zmianę i przerwaniem wypowiedzi. W tej samej tabeli wyniki Grok Voice 2.0 wynosiły odpowiednio 97,2%, 1011, 94,6% i 95,1%.

W teście tau-Voice, opartym na symulowanych rozmowach z obsługą klienta, xAI podało wynik 71,6% dla Grok Voice 3.0 i określiło go jako porównywalny z wynikiem GPT-Live-1 (Astra), przy opóźnieniu mniejszym o 40%. W opublikowanym wykresie GPT-Live-1 (Astra, Medium) uzyskał 74,5%, Gemini 3.8 Live (Extended Thinking, High) — 68,6%, a Grok Voice 2.0 — 56,5%.

xAI poinformowało również, że w teście Big Bench Audio przeprowadzonym przez Artificial Analysis średni koszt wykonania zadania wyniósł 0,025 USD dla Grok Voice 3.0, w porównaniu z 0,030 USD dla GPT-Live-1 (Astra, Medium) i 0,055 USD dla GPT-Realtime-2.1 (High).

Jak Artificial Analysis ocenia modele głosowe

Artificial Analysis definiuje indeks Speech-to-Speech jako wynik ważony jednakowo dla czterech składowych: rozumowania na podstawie mowy w Big Bench Audio, zdolności agentowych w tau-Voice, preferencji użytkowników w rankingu oraz skuteczności wykonywania zadań. Model musi uzyskać wyniki we wszystkich czterech składowych, aby otrzymać wynik indeksu.

Big Bench Audio obejmuje 1000 pytań audio zaadaptowanych z Big Bench Hard, po 250 pytań w każdej z czterech kategorii: Formal Fallacies, Navigate, Object Counting i Web of Lies. Modele otrzymują każde pytanie w formie audio i generują odpowiedź audio, która jest oceniana jako poprawna lub niepoprawna.

W tau-Voice symulator użytkownika głosowego dzwoni do testowanego modelu, który działa jako agent obsługi klienta z dostępem do narzędzi specjalistycznych dla danej dziedziny oraz dokumentu zawierającego zasady. Każde zadanie ma jeden prawidłowy końcowy stan bazy danych; w ramach oceny porównuje się stan końcowy z tym wzorcowym stanem, a wyniki przedstawione na wykresie są uśredniane z trzech prób, jeśli są dostępne. Składową dotyczącą preferencji użytkowników jest ranking Elo oparty na porównaniach parami, wyliczany na podstawie odpowiedzi uczestników, którzy realizują ten sam scenariusz z dwoma niezidentyfikowanymi modelami.

Full Duplex Bench v1 obejmuje obsługę pauz i zabieranie głosu na zmianę, a wersja v1.5 dodaje obsługę przerwań ze strony użytkownika oraz sygnałów potwierdzających, takich jak prawidłowe kontynuowanie wypowiedzi, gdy rozmówca mówi „tak” lub „w porządku”. Artificial Analysis definiuje czas do pierwszego dźwięku jako liczbę sekund potrzebną do wygenerowania pierwszego tokenu wyjściowego sygnału audio.

Wynik ServiceNow w EVA-Bench

xAI poinformowało, że Grok Voice 3.0 uzyskał najwyższy wynik dokładności w teście porównawczym EVA-Bench firmy ServiceNow, przeznaczonym dla głosowych agentów korporacyjnych — 74% — i był modelem osiągającym najlepsze wyniki przy łącznej ocenie dokładności i jakości obsługi klienta.

Nitin Aggarwal, starszy dyrektor ds. zarządzania produktami w obszarze agentowych testów ewaluacyjnych i RAI w ServiceNow, powiedział w oświadczeniu opublikowanym wraz z ogłoszeniem, że Grok Voice 3.0 „wyznacza nową granicę Pareto w EVA-Bench, otwartym teście porównawczym ServiceNow, który ocenia dokładność i jakość obsługi głosowych agentów w ponad 200 realistycznych scenariuszach korporacyjnych”.

ServiceNow AI Research opisuje EVA-Bench jako otwarty zestaw narzędzi do ewaluacji, który ocenia głosowych agentów podczas pełnych, wieloetapowych rozmów głosowych w architekturze bot–bot. Test obejmuje trzy obszary: obsługę klienta, z 15 narzędziami i 50 scenariuszami dotyczącymi zmiany rezerwacji po zakłóceniu lotu, dobrowolnych zmian rezerwacji, odwołań i voucherów; zarządzanie usługami IT, z 59 narzędziami i 80 scenariuszami; oraz zasoby ludzkie, z 47 narzędziami i 83 scenariuszami dotyczącymi świadczeń, planowania, urlopów i pytań o zasady. Agentów ocenia się w dwóch wymiarach: EVA-A mierzy, czy agent prawidłowo wykonał zadanie, a EVA-X — jakość rozmowy. EVA-Bench należy do zestawu testów porównawczych NOWAI-Bench firmy ServiceNow.

Wdrożenie w Tesli i Starlink

Według xAI Grok Voice 3.0 obsługuje miliony rozmów dziennie w samochodach Tesli. Kierowcy mogą bez użycia rąk korzystać z funkcji Connectors, by na przykład sprawdzić kalendarz lub odpowiedzieć na wiadomość e-mail, a także z Grok Bot, by zlecać bardziej złożone zadania, takie jak zamówienie kawy lub rezerwacja kolacji. Model obsługuje również tryb głosowy Grok Bot.

Jak poinformowała xAI, centra obsługi telefonicznej Starlink wykorzystują Grok Voice do odbierania 20 000 połączeń od klientów dziennie w wielu językach. Około 70% spraw jest rozwiązywanych bez udziału człowieka, a co czwarte połączenie sprzedażowe kończy się zakupem, zanim dzwoniący się rozłączy. Pojedynczy agent oparty na Grok Voice 3.0 weryfikuje klientów, diagnozuje problemy ze sprzętem, przyznaje środki na konta i wysyła urządzenia zastępcze.

Cennik i dostępność

Grok Voice 3.0 jest dostępny w interfejsie Voice Agent API w cenie 0,08 USD za minutę, czyli 4,80 USD za godzinę — tyle samo co Grok Voice 2.0. Agenci korzystający z grok-voice-latest zostali automatycznie przeniesieni na nową wersję, bez konieczności wprowadzania zmian — poinformowała xAI.