xAI представляет Grok Voice 3.0 — модель преобразования речи в речь для голосовых агентов

14 октября 2026 года xAI объявила о выпуске Grok Voice 3.0 и сделала модель преобразования речи в речь доступной через Voice Agent API по цене 0,08 доллара за минуту. Компания назвала Grok Voice 3.0 самой интеллектуальной голосовой моделью в мире и заявила, что она установила новый рекорд по решению обращений в службу поддержки клиентов: задержка составляет менее одной секунды, а эксплуатация обходится дешевле, чем у других передовых моделей.

По данным xAI, Grok Voice обрабатывает миллионы диалогов в день в Tesla и SpaceX, а новая версия вышла по той же цене, что и предшественница.

Результаты тестирования, приведённые xAI

В объявлении xAI ссылалась на независимое тестирование, проведённое Artificial Analysis 13 октября 2026 года: согласно его результатам, Grok Voice 3.0 занимает первое место в индексе Speech-to-Speech с результатом 86,9. В опубликованной вместе с объявлением сравнительной таблице указаны следующие результаты: GPT-Live-1 (Astra, средний уровень) — 83,2, Gemini 3.8 Live (расширенное рассуждение, высокий уровень) — 82,6, Grok Voice 2.0 — 81,3.

По отдельным компонентам индекса xAI сообщила о результатах 98,5% в тесте на речевые рассуждения Big Bench Audio, рейтинге предпочтений Speech Agent Arena Elo — 1070, успешном выполнении задач в 94,8% случаев и результате 97,0% в Full Duplex Bench, где оценивается, насколько естественно модель справляется с паузами, сменой очереди реплик и перебиваниями. В той же таблице для Grok Voice 2.0 указаны результаты 97,2%, 1011, 94,6% и 95,1%.

В tau-Voice — тесте, основанном на смоделированных звонках в службу поддержки клиентов, — xAI сообщила о результате Grok Voice 3.0 в 71,6% и назвала его сопоставимым с результатом GPT-Live-1 (Astra) при задержке на 40% ниже. В опубликованной диаграмме указаны результаты GPT-Live-1 (Astra, средний уровень) — 74,5%, Gemini 3.8 Live (расширенное рассуждение, высокий уровень) — 68,6%, Grok Voice 2.0 — 56,5%.

xAI также сообщила, что по результатам теста Big Bench Audio от Artificial Analysis средняя стоимость выполнения одной задачи составила 0,025 доллара для Grok Voice 3.0, 0,030 доллара для GPT-Live-1 (Astra, средний уровень) и 0,055 доллара для GPT-Realtime-2.1 (высокий уровень).

Как Artificial Analysis оценивает голосовые модели

Artificial Analysis определяет индекс Speech-to-Speech как оценку, в которой с одинаковым весом учитываются четыре компонента: речевые рассуждения в Big Bench Audio, способность агента выполнять задачи в tau-Voice, предпочтения участников тестирования и доля успешно выполненных задач. Чтобы получить оценку по индексу, модель должна показать результаты по всем четырём компонентам.

Big Bench Audio включает 1000 аудиовопросов, адаптированных из Big Bench Hard: по 250 вопросов в каждой из четырёх категорий — формальные ошибки рассуждения, навигация, подсчёт объектов и паутина лжи. Модели получают каждый вопрос в аудиоформате и генерируют аудиоответ, который оценивается как правильный или неправильный.

В tau-Voice голосовой симулятор пользователя звонит тестируемой модели, которая работает как агент службы поддержки клиентов и имеет доступ к специализированным для данной области инструментам и документу с правилами. Для каждой задачи предусмотрено единственное допустимое конечное состояние базы данных; при оценке итоговое состояние сравнивается с эталонным, а результаты на диаграммах усредняются по трём испытаниям, если такие данные доступны. Компонент оценки предпочтений участников — это парный рейтинг Elo, рассчитанный по результатам людей, которые проходят один и тот же сценарий с двумя неидентифицированными моделями.

Full Duplex Bench v1 охватывает обработку пауз и смену очереди реплик, а в версии 1.5 добавлена обработка перебиваний пользователя и сигналов внимания в разговоре — например, способность правильно продолжить речь, когда звонящий говорит «да» или «ладно». Artificial Analysis определяет время до первого аудио как количество секунд, необходимое для генерации первого токена аудиовыхода.

Результат ServiceNow в EVA-Bench

xAI сообщила, что Grok Voice 3.0 показала наивысшую точность в EVA-Bench — тесте ServiceNow для корпоративных голосовых агентов — с результатом 74% и стала лучшей моделью при совместной оценке точности и качества обслуживания клиентов.

Нитин Агарвал, старший директор по управлению продуктами в подразделении оценки агентных систем и ответственного ИИ (RAI) ServiceNow, заявил в сообщении, опубликованном вместе с объявлением, что Grok Voice 3.0 «задаёт новую границу Парето в EVA-Bench — открытом тесте ServiceNow, оценивающем точность и качество взаимодействия голосовых агентов в более чем 200 реалистичных корпоративных сценариях».

ServiceNow AI Research описывает EVA-Bench как открытую платформу для оценки голосовых агентов в полноценных многоэтапных устных диалогах с использованием архитектуры взаимодействия ботов друг с другом. Тест охватывает три области: обслуживание клиентов — 15 инструментов и 50 сценариев, включая перебронирование билетов при сбоях авиарейсов, добровольное изменение бронирования, отмену и ваучеры; управление ИТ-услугами — 59 инструментов и 80 сценариев; управление персоналом — 47 инструментов и 83 сценария, посвящённых льготам, расписанию, отпускам и вопросам о правилах. Агентов оценивают по двум критериям: EVA-A показывает, правильно ли агент выполнил задачу, а EVA-X — качество диалогового взаимодействия. EVA-Bench входит в набор тестов ServiceNow NOWAI-Bench.

Внедрение в Tesla и Starlink

По данным xAI, Grok Voice 3.0 обрабатывает миллионы диалогов в день в автомобилях Tesla. Водители могут без помощи рук пользоваться функцией Connectors, чтобы, например, проверить календарь или ответить на электронное письмо, а также обращаться к Grok Bot с более сложными задачами — например, заказать кофе или забронировать столик на ужин. Эта модель также обеспечивает работу голосового режима Grok Bot.

По словам xAI, в кол-центрах Starlink с помощью Grok Voice ежедневно отвечают на 20 000 звонков клиентов на нескольких языках. Примерно 70% обращений удается обработать без участия человека, а каждый четвертый звонок по продажам заканчивается покупкой еще до того, как звонящий кладет трубку. Один агент на базе Grok Voice 3.0 проверяет данные клиентов, помогает устранить неполадки с оборудованием, начисляет компенсации и отправляет замену оборудования.

Цены и доступность

Grok Voice 3.0 доступна через Voice Agent API по цене $0,08 за минуту или $4,80 за час — столько же стоит Grok Voice 2.0. Агенты, использующие grok-voice-latest, были автоматически переведены на новую версию, и никаких изменений не потребовалось, сообщили в xAI.