xAI lansează Grok Voice 3.0, un model de tip vorbire-la-vorbire pentru agenți vocali

xAI a anunțat Grok Voice 3.0 pe 14 octombrie 2026, punând modelul de tip vorbire-la-vorbire la dispoziție prin API-ul său Voice Agent, la un tarif de 0,08 USD pe minut. Compania a descris Grok Voice 3.0 drept cel mai inteligent model vocal din lume și a afirmat că acesta stabilește un nou record în soluționarea apelurilor către serviciul de asistență pentru clienți, cu o latență sub o secundă și costuri de operare mai mici decât cele ale altor modele de vârf.

Potrivit xAI, Grok Voice stă la baza a milioane de conversații zilnice prin Tesla și SpaceX, iar noua versiune a fost lansată la același preț ca versiunea anterioară.

Rezultatele testelor comparative citate de xAI

În anunțul xAI au fost citate testele independente realizate de Artificial Analysis, datate 13 octombrie 2026, potrivit cărora Grok Voice 3.0 ocupă primul loc în Speech-to-Speech Index, cu un scor de 86,9. Tabelul comparativ publicat împreună cu anunțul indică scoruri de 83,2 pentru GPT-Live-1 (Astra, mediu), 82,6 pentru Gemini 3.8 Live (raționament extins, ridicat) și 81,3 pentru Grok Voice 2.0.

Pentru componentele indicelui, xAI a raportat un scor de 98,5% la raționamentul vocal din Big Bench Audio, un scor Elo de 1070 pentru preferința în Speech Agent Arena, o rată de succes a sarcinilor de 94,8% și un scor de 97,0% la Full Duplex Bench, care măsoară cât de natural gestionează un model pauzele, alternarea vorbirii și întreruperile. În același tabel, valorile indicate pentru Grok Voice 2.0 au fost 97,2%, 1011, 94,6% și 95,1%.

La tau-Voice, un test comparativ bazat pe apeluri simulate către serviciul de asistență pentru clienți, xAI a raportat un scor de 71,6% pentru Grok Voice 3.0 și a descris rezultatul ca fiind comparabil cu cel al GPT-Live-1 (Astra), la o latență cu 40% mai mică. Graficul publicat indică scoruri de 74,5% pentru GPT-Live-1 (Astra, mediu), 68,6% pentru Gemini 3.8 Live (raționament extins, ridicat) și 56,5% pentru Grok Voice 2.0.

xAI a mai raportat că, în testarea Big Bench Audio realizată de Artificial Analysis, costul mediu per sarcină a fost de 0,025 USD pentru Grok Voice 3.0, comparativ cu 0,030 USD pentru GPT-Live-1 (Astra, mediu) și 0,055 USD pentru GPT-Realtime-2.1 (ridicat).

Cum evaluează Artificial Analysis modelele vocale

Artificial Analysis definește Speech-to-Speech Index ca un scor cu ponderi egale, calculat pe baza a patru componente: raționamentul vocal din Big Bench Audio, performanța agentică din tau-Voice, preferința în arena de evaluare și rata de succes a sarcinilor. Pentru a primi un scor în indice, un model trebuie să aibă rezultate la toate cele patru componente.

Big Bench Audio cuprinde 1.000 de întrebări audio adaptate din Big Bench Hard, cu câte 250 de întrebări în fiecare dintre cele patru categorii: erori formale, navigare, numărarea obiectelor și minciuni pe web. Modelele primesc fiecare întrebare în format audio și generează un răspuns audio, evaluat ca fiind corect sau incorect.

În tau-Voice, un simulator vocal de utilizator apelează modelul evaluat, care funcționează ca agent de asistență pentru clienți și are acces la instrumente specifice domeniului și la un document de politici. Fiecare sarcină are o singură stare finală validă în baza de date; evaluarea compară starea finală cu rezultatul de referință, iar rezultatele afișate în grafic sunt mediate pe baza a trei teste, atunci când sunt disponibile. Componenta de preferință în arena de evaluare folosește un scor Elo pentru comparații în perechi, calculat pe baza participanților umani care parcurg același scenariu cu două modele a căror identitate nu le este dezvăluită.

Full Duplex Bench v1 acoperă gestionarea pauzelor și alternarea vorbirii, iar v1.5 adaugă gestionarea întreruperilor din partea utilizatorului și a reacțiilor scurte de confirmare, de exemplu continuarea corectă a conversației atunci când apelantul spune „da” sau „în regulă”. Artificial Analysis definește timpul până la primul fragment audio drept numărul de secunde necesar pentru generarea primului token al rezultatului audio.

Rezultatul EVA-Bench obținut de ServiceNow

xAI a raportat că Grok Voice 3.0 a obținut cel mai mare scor de acuratețe la EVA-Bench, testul comparativ al ServiceNow pentru agenți vocali destinați companiilor, cu 74%, și că a fost modelul cu cele mai bune rezultate atunci când acuratețea și experiența clienților au fost evaluate împreună.

Nitin Aggarwal, director senior de management al produselor pentru evaluări agentice și RAI la ServiceNow, a declarat într-un comunicat publicat împreună cu anunțul că Grok Voice 3.0 „stabilește o nouă frontieră Pareto la EVA-Bench, testul comparativ open-source al ServiceNow, care evaluează acuratețea și experiența agenților vocali în peste 200 de scenarii realiste din mediul enterprise”.

ServiceNow AI Research descrie EVA-Bench drept un cadru de evaluare open-source care măsoară performanța agenților vocali în conversații rostite complete, cu mai multe rânduri de dialog, folosind o arhitectură bot-la-bot. Testul comparativ acoperă trei domenii: serviciul pentru clienți, cu 15 instrumente și 50 de scenarii privind reprogramarea zborurilor perturbate, modificările voluntare, anulările și voucherele; gestionarea serviciilor IT, cu 59 de instrumente și 80 de scenarii; și resursele umane, cu 47 de instrumente și 83 de scenarii despre beneficii, programare, concedii și întrebări despre politici. Agenții sunt evaluați pe două dimensiuni: EVA-A, care măsoară dacă agentul a îndeplinit corect sarcina, și EVA-X, care măsoară calitatea experienței conversaționale. EVA-Bench face parte din suita de teste comparative NOWAI-Bench a ServiceNow.

Implementare la Tesla și Starlink

Potrivit xAI, Grok Voice 3.0 gestionează milioane de conversații pe zi în vehiculele Tesla, unde șoferii pot folosi Conectorii pentru solicitări precum verificarea calendarului sau răspunsul la un e-mail și Grok Bot pentru sarcini mai complexe, cum ar fi comandarea unei cafele sau rezervarea unei cine, totul fără să folosească mâinile. Modelul stă, de asemenea, la baza modului vocal al Grok Bot.

xAI a declarat că centrele de apeluri Starlink folosesc Grok Voice pentru a răspunde zilnic la 20.000 de apeluri ale clienților, în mai multe limbi. Aproximativ 70% dintre apeluri sunt soluționate fără intervenția unui operator, iar unul din patru apeluri de vânzări se încheie cu o achiziție înainte ca apelantul să închidă. Un singur agent bazat pe Grok Voice 3.0 verifică identitatea clienților, depanează echipamentele, acordă credite și expediază echipamente de înlocuire.

Prețuri și disponibilitate

Grok Voice 3.0 este disponibil în Voice Agent API la prețul de 0,08 USD pe minut sau 4,80 USD pe oră, același preț ca pentru Grok Voice 2.0. Agenții care folosesc grok-voice-latest au fost trecuți automat la noua versiune, fără să fie necesare modificări, a declarat xAI.