xAI เปิดตัวโมเดลแปลงเสียงพูดเป็นเสียงพูด Grok Voice 3.0 สำหรับเอเจนต์เสียง

เมื่อวันที่ 14 ตุลาคม 2026 xAI ประกาศเปิดตัว Grok Voice 3.0 โดยเปิดให้ใช้งานโมเดลแปลงเสียงพูดเป็นเสียงพูดผ่าน Voice Agent API ในราคา 0.08 ดอลลาร์ต่อนาที บริษัทระบุว่า Grok Voice 3.0 เป็นโมเดลเสียงที่ชาญฉลาดที่สุดในโลก และกล่าวว่าโมเดลนี้สร้างสถิติใหม่ด้านการแก้ไขปัญหาในการโทรติดต่อฝ่ายบริการลูกค้า โดยมีเวลาแฝงต่ำกว่า 1 วินาทีและมีค่าใช้จ่ายในการทำงานต่ำกว่าโมเดลแนวหน้ารุ่นอื่น ๆ

xAI ระบุว่า Grok รองรับการสนทนาหลายล้านครั้งต่อวันผ่าน Tesla และ SpaceX และเวอร์ชันใหม่นี้เปิดตัวในราคาเดียวกับเวอร์ชันก่อนหน้า

ผลการทดสอบมาตรฐานที่ xAI อ้างอิง

ประกาศของ xAI อ้างถึงผลการทดสอบอิสระโดย Artificial Analysis ซึ่งเผยแพร่เมื่อวันที่ 13 ตุลาคม 2026 โดยรายงานว่า Grok Voice 3.0 อยู่ในอันดับหนึ่งของดัชนี Speech-to-Speech ด้วยคะแนน 86.9 ตารางเปรียบเทียบที่เผยแพร่พร้อมประกาศระบุว่า GPT-Live-1 (Astra, Medium) ได้ 83.2, Gemini 3.8 Live (Extended Thinking, High) ได้ 82.6 และ Grok Voice 2.0 ได้ 81.3

xAI รายงานผลในองค์ประกอบต่าง ๆ ของดัชนีว่าได้ 98.5% ในการให้เหตุผลด้านเสียงของ Big Bench Audio, Elo ความพึงพอใจใน Speech Agent Arena ที่ 1070, อัตราความสำเร็จของงาน 94.8% และ 97.0% ใน Full Duplex Bench ซึ่งวัดว่าโมเดลจัดการกับการหยุดเว้นช่วง การผลัดกันพูด และการพูดแทรกได้เป็นธรรมชาติเพียงใด ตัวเลขของ Grok Voice 2.0 ที่ระบุในตารางเดียวกันคือ 97.2%, 1011, 94.6% และ 95.1%

สำหรับ tau-Voice ซึ่งเป็นการทดสอบมาตรฐานที่สร้างจากสถานการณ์จำลองการโทรติดต่อฝ่ายบริการลูกค้า xAI รายงานว่า Grok Voice 3.0 ได้ 71.6% และระบุว่าผลลัพธ์นี้ใกล้เคียงกับ GPT-Live-1 (Astra) โดยมีเวลาแฝงต่ำกว่า 40% กราฟที่เผยแพร่ระบุว่า GPT-Live-1 (Astra, Medium) ได้ 74.5%, Gemini 3.8 Live (Extended Thinking, High) ได้ 68.6% และ Grok Voice 2.0 ได้ 56.5%

xAI ยังรายงานด้วยว่า Artificial Analysis วัดค่าใช้จ่ายเฉลี่ยต่องานจากการทดสอบ Big Bench Audio ได้ 0.025 ดอลลาร์สำหรับ Grok Voice 3.0 เทียบกับ 0.030 ดอลลาร์สำหรับ GPT-Live-1 (Astra, Medium) และ 0.055 ดอลลาร์สำหรับ GPT-Realtime-2.1 (High)

วิธีให้คะแนนโมเดลเสียงของ Artificial Analysis

Artificial Analysis กำหนดให้ดัชนี Speech-to-Speech เป็นคะแนนที่ให้น้ำหนักเท่ากันแก่ 4 องค์ประกอบ ได้แก่ ความสามารถในการให้เหตุผลด้านเสียงจาก Big Bench Audio, ประสิทธิภาพของเอเจนต์จาก tau-Voice, ความพึงพอใจจากการประเมินแบบแข่งขัน และอัตราความสำเร็จของงาน โมเดลต้องมีผลการทดสอบครบทั้ง 4 องค์ประกอบจึงจะได้รับคะแนนดัชนี

Big Bench Audio ประกอบด้วยคำถามด้านเสียง 1,000 ข้อที่ดัดแปลงจาก Big Bench Hard โดยแบ่งเป็น 4 หมวด หมวดละ 250 ข้อ ได้แก่ Formal Fallacies, Navigate, Object Counting และ Web of Lies โมเดลจะได้รับคำถามแต่ละข้อในรูปแบบเสียง และสร้างคำตอบเป็นเสียงซึ่งจะถูกตัดสินว่าถูกหรือผิด

ในการทดสอบ tau-Voice โปรแกรมจำลองผู้ใช้ด้วยเสียงจะโทรหาโมเดลที่นำมาทดสอบ ซึ่งทำหน้าที่เป็นเจ้าหน้าที่บริการลูกค้าและเข้าถึงเครื่องมือเฉพาะโดเมนกับเอกสารนโยบายได้ แต่ละงานมีสถานะสุดท้ายในฐานข้อมูลที่ถูกต้องได้เพียงแบบเดียว การประเมินจะเปรียบเทียบสถานะสุดท้ายกับข้อมูลอ้างอิงดังกล่าว และผลที่แสดงในกราฟจะเป็นค่าเฉลี่ยจากการทดลอง 3 ครั้งในกรณีที่มีข้อมูลครบ ส่วนองค์ประกอบด้านความพึงพอใจจากการประเมินแบบแข่งขันคำนวณด้วยคะแนน Elo จากการเปรียบเทียบเป็นคู่ โดยปรับคะแนนจากผู้เข้าร่วมที่เป็นมนุษย์ ซึ่งทำสถานการณ์เดียวกันกับโมเดล 2 ตัวที่ไม่เปิดเผยชื่อ

Full Duplex Bench v1 ครอบคลุมการจัดการช่วงหยุดเว้นวรรคและการผลัดกันพูด ส่วน v1.5 เพิ่มการจัดการเมื่อผู้ใช้พูดแทรกและการตอบรับสั้น ๆ ระหว่างบทสนทนา เช่น การพูดต่อได้อย่างถูกต้องเมื่อผู้โทรพูดว่า “ใช่” หรือ “ได้เลย” Artificial Analysis กำหนดเวลาไปจนถึงเสียงแรกว่าเป็นจำนวนวินาทีที่ต้องใช้ในการสร้างโทเค็นแรกของเอาต์พุตเสียง

ผลการทดสอบ EVA-Bench ของ ServiceNow

xAI รายงานว่า Grok Voice 3.0 ทำคะแนนความแม่นยำสูงสุดที่ 74% บน EVA-Bench ซึ่งเป็นการทดสอบมาตรฐานของ ServiceNow สำหรับเอเจนต์เสียงระดับองค์กร และเป็นโมเดลที่ทำผลงานได้ดีที่สุดเมื่อให้คะแนนความแม่นยำและประสบการณ์ของลูกค้าร่วมกัน

Nitin Aggarwal ผู้อำนวยการอาวุโสฝ่ายบริหารผลิตภัณฑ์สำหรับ Agentic Evals และ RAI ที่ ServiceNow กล่าวในแถลงการณ์ที่เผยแพร่พร้อมประกาศว่า Grok Voice 3.0 “สร้างแนวหน้าพาเรโตใหม่บน EVA-Bench ซึ่งเป็นการทดสอบมาตรฐานแบบโอเพนซอร์สของ ServiceNow ที่ให้คะแนนเอเจนต์เสียงด้านความแม่นยำและประสบการณ์จากสถานการณ์จำลองระดับองค์กรที่สมจริงกว่า 200 รูปแบบ”

ServiceNow AI Research อธิบายว่า EVA-Bench เป็นกรอบการประเมินแบบโอเพนซอร์สที่วัดประสิทธิภาพของเอเจนต์เสียงผ่านบทสนทนาด้วยเสียงแบบหลายรอบที่สมบูรณ์ โดยใช้สถาปัตยกรรมบอตโต้ตอบกับบอต การทดสอบมาตรฐานครอบคลุม 3 โดเมน ได้แก่ งานบริการลูกค้า ซึ่งมีเครื่องมือ 15 รายการและสถานการณ์ 50 รูปแบบ ครอบคลุมการจองเที่ยวบินใหม่เมื่อเที่ยวบินถูกรบกวน การเปลี่ยนแปลงการจองโดยสมัครใจ การยกเลิก และบัตรกำนัล; การจัดการบริการไอที ซึ่งมีเครื่องมือ 59 รายการและสถานการณ์ 80 รูปแบบ; และทรัพยากรบุคคล ซึ่งมีเครื่องมือ 47 รายการและสถานการณ์ 83 รูปแบบ ครอบคลุมสวัสดิการ การจัดตารางเวลา การลา และคำถามเกี่ยวกับนโยบาย เอเจนต์จะได้รับคะแนนใน 2 ด้าน ได้แก่ EVA-A ซึ่งวัดว่าเอเจนต์ทำงานสำเร็จอย่างถูกต้องหรือไม่ และ EVA-X ซึ่งวัดคุณภาพของประสบการณ์การสนทนา EVA-Bench เป็นส่วนหนึ่งของชุดการทดสอบมาตรฐาน NOWAI-Bench ของ ServiceNow

การนำไปใช้งานใน Tesla และ Starlink

xAI ระบุว่า Grok Voice 3.0 รองรับการสนทนาหลายล้านครั้งต่อวันในรถยนต์ Tesla โดยผู้ขับขี่สามารถใช้ Connectors เพื่อขอให้ทำสิ่งต่าง ๆ เช่น ตรวจสอบปฏิทินหรือตอบอีเมล และใช้ Grok Bot ทำงานที่ซับซ้อนขึ้น เช่น สั่งกาแฟหรือจองมื้อค่ำได้โดยไม่ต้องใช้มือ โมเดลนี้ยังขับเคลื่อนโหมดเสียงของ Grok Bot ด้วย

xAI ระบุว่า ศูนย์บริการทางโทรศัพท์ของ Starlink ใช้ Grok Voice รับสายลูกค้าวันละ 20,000 สายในหลายภาษา โดยประมาณ 70% ของสายได้รับการจัดการจนเสร็จโดยไม่มีมนุษย์เข้ามาเกี่ยวข้อง และสายการขาย 1 ใน 4 จบลงด้วยการซื้อสินค้าก่อนที่ผู้โทรจะวางสาย เอเจนต์ตัวเดียวที่สร้างขึ้นบน Grok Voice 3.0 สามารถยืนยันตัวตนลูกค้า แก้ไขปัญหาฮาร์ดแวร์ ออกเครดิตชดเชย และจัดส่งอุปกรณ์ทดแทนได้

ราคาและการให้บริการ

Grok Voice 3.0 เปิดให้ใช้งานผ่าน Voice Agent API ในราคา 0.08 ดอลลาร์ต่อนาที หรือ 4.80 ดอลลาร์ต่อชั่วโมง ซึ่งเป็นราคาเดียวกับ Grok Voice 2.0 xAI ระบุว่า เอเจนต์ที่ใช้ grok-voice-latest ได้รับการเปลี่ยนไปใช้เวอร์ชันใหม่นี้โดยอัตโนมัติ โดยไม่จำเป็นต้องเปลี่ยนแปลงสิ่งใด