xAI lanserar tal-till-tal-modellen Grok Voice 3.0 för röstassistenter

xAI tillkännagav Grok Voice 3.0 den 14 oktober 2026 och gjorde tal-till-tal-modellen tillgänglig via företagets Voice Agent API för 0,08 dollar per minut. Företaget beskrev Grok Voice 3.0 som världens mest intelligenta röstmodell och uppgav att den sätter ett nytt rekord för att lösa kundtjänstsamtal, med en fördröjning på under en sekund och lägre driftskostnad än andra avancerade modeller.

Enligt xAI hanterar Grok Voice miljontals samtal om dagen via Tesla och SpaceX, och den nya versionen lanserades till samma pris som föregångaren.

Benchmarkresultat som xAI hänvisar till

I sitt tillkännagivande hänvisade xAI till oberoende tester från Artificial Analysis, daterade den 13 oktober 2026. Enligt testerna rankas Grok Voice 3.0 högst på Speech-to-Speech Index med poängen 86,9. I jämförelsetabellen som publicerades tillsammans med tillkännagivandet listas GPT-Live-1 (Astra, Medium) med 83,2, Gemini 3.8 Live (Extended Thinking, High) med 82,6 och Grok Voice 2.0 med 81,3.

För indexets olika delmoment rapporterade xAI 98,5 % på talresonemangstestet Big Bench Audio, ett Elo-tal på 1070 för preferenser i Speech Agent Arena, en uppgiftsframgång på 94,8 % och 97,0 % på Full Duplex Bench, som mäter hur naturligt en modell hanterar pauser, turtagning och avbrott. I samma tabell angavs följande värden för Grok Voice 2.0: 97,2 %, 1011, 94,6 % och 95,1 %.

På tau-Voice, ett benchmark som bygger på simulerade kundtjänstsamtal, rapporterade xAI 71,6 % för Grok Voice 3.0 och beskrev resultatet som jämförbart med GPT-Live-1 (Astra), men med 40 % lägre fördröjning. I det publicerade diagrammet listas GPT-Live-1 (Astra, Medium) med 74,5 %, Gemini 3.8 Live (Extended Thinking, High) med 68,6 % och Grok Voice 2.0 med 56,5 %.

xAI uppgav också att Artificial Analysis uppmätte en genomsnittlig kostnad per uppgift på 0,025 dollar för Grok Voice 3.0 i sitt Big Bench Audio-test, jämfört med 0,030 dollar för GPT-Live-1 (Astra, Medium) och 0,055 dollar för GPT-Realtime-2.1 (High).

Så poängsätter Artificial Analysis röstmodeller

Artificial Analysis definierar Speech-to-Speech Index som ett lika viktat resultat från fyra delmoment: talresonemang från Big Bench Audio, agentprestanda från tau-Voice, preferenser i jämförelser och uppgiftsframgång. En modell måste ha resultat i alla fyra delmomenten för att få ett indexresultat.

Big Bench Audio består av 1 000 ljudfrågor som har anpassats från Big Bench Hard, med 250 frågor i var och en av fyra kategorier: Formal Fallacies, Navigate, Object Counting och Web of Lies. Modellerna får varje fråga i ljudformat och genererar ett ljudsvar som bedöms som rätt eller fel.

I tau-Voice ringer en simulerad röstbaserad användare upp den modell som testas. Modellen fungerar då som en kundtjänstmedarbetare med tillgång till domänspecifika verktyg och ett policydokument. Varje uppgift har ett enda giltigt sluttillstånd i databasen, utvärderingen jämför slutläget med facit och resultaten i diagrammen är genomsnittet av tre försök där sådana finns. Preferenskomponenten i jämförelserna är ett Elo-tal för parvisa jämförelser, beräknat utifrån deltagare som genomför samma scenario med två modeller vars identitet inte avslöjas.

Full Duplex Bench v1 omfattar hantering av pauser och turtagning, medan v1.5 även omfattar hantering av användaravbrott och instämmande ljud, till exempel att fortsätta på rätt sätt när en uppringare säger ”ja” eller ”okej”. Artificial Analysis definierar tiden till det första ljudet som antalet sekunder det tar att generera den första ljudtokenen.

ServiceNows resultat på EVA-Bench

xAI uppgav att Grok Voice 3.0 fick den högsta träffsäkerheten på EVA-Bench, ServiceNows benchmark för röstassistenter för företag, med 74 %. Modellen presterade också bäst när träffsäkerhet och kundupplevelse poängsattes tillsammans.

Nitin Aggarwal, Senior Director of Product Management for Agentic Evals and RAI på ServiceNow, sade i ett uttalande som publicerades tillsammans med tillkännagivandet att Grok Voice 3.0 ”skapar en ny Paretofront på EVA-Bench, ServiceNows benchmark med öppen källkod som poängsätter röstassistenter utifrån träffsäkerhet och användarupplevelse i fler än 200 realistiska företagsscenarier”.

ServiceNow AI Research beskriver EVA-Bench som ett utvärderingsramverk med öppen källkod som mäter röstassistenters förmåga genom kompletta talade samtal med flera turer, med en bot-till-bot-arkitektur. Benchmarktestet omfattar tre områden: kundtjänst, med 15 verktyg och 50 scenarier som täcker ombokning vid flygstörningar, frivilliga ändringar, avbokningar och värdecheckar; IT-tjänstehantering, med 59 verktyg och 80 scenarier; samt HR, med 47 verktyg och 83 scenarier som omfattar förmåner, schemaläggning, ledighet och policyfrågor. Assistenterna poängsätts utifrån två dimensioner: EVA-A, som mäter om assistenten slutförde uppgiften korrekt, och EVA-X, som mäter kvaliteten på samtalsupplevelsen. EVA-Bench ingår i ServiceNows benchmarksvit NOWAI-Bench.

Användning hos Tesla och Starlink

Enligt xAI hanterar Grok Voice 3.0 miljontals samtal om dagen i Tesla-fordon. Där kan förare använda Connectors för önskemål som att kontrollera kalendern eller svara på ett mejl, och Grok Bot för mer omfattande uppgifter som att beställa kaffe eller boka middag, helt handsfree. Modellen driver också Grok Bots röstläge.

xAI uppgav att Starlinks kundtjänstcentraler använder Grok Voice för att besvara 20 000 kundsamtal varje dag på flera språk. Ungefär 70 % av samtalen löses utan mänsklig inblandning, och ett av fyra säljsamtal leder till ett köp innan den som ringer lägger på. En enda agent byggd på Grok Voice 3.0 verifierar kunder, felsöker maskinvara, utfärdar tillgodohavanden och skickar ersättningsutrustning.

Priser och tillgänglighet

Grok Voice 3.0 finns tillgänglig via Voice Agent API för 0,08 dollar per minut eller 4,80 dollar per timme, samma pris som Grok Voice 2.0. Agenter som använder grok-voice-latest har automatiskt flyttats över, utan att några ändringar behövs, uppgav xAI.