xAI представляє модель перетворення мовлення на мовлення Grok Voice 3.0 для голосових агентів

14 жовтня 2026 року xAI оголосила про випуск Grok Voice 3.0 і зробила модель перетворення мовлення на мовлення доступною у своєму API Voice Agent за ціною 0,08 долара за хвилину. Компанія назвала Grok Voice 3.0 найінтелектуальнішою голосовою моделлю у світі та заявила, що вона встановила новий рекорд у розв’язанні звернень до служби підтримки клієнтів: затримка становить менш як одну секунду, а вартість роботи нижча, ніж у інших передових моделей.

За даними xAI, Grok Voice забезпечує мільйони розмов щодня в Tesla та SpaceX, а нову версію запустили за тією самою ціною, що й попередню.

Результати тестування, на які посилається xAI

У своєму оголошенні xAI послалася на незалежне тестування Artificial Analysis від 13 жовтня 2026 року, згідно з яким Grok Voice 3.0 посідає перше місце в індексі мовлення-мовлення з результатом 86,9 бала. У таблиці порівняння, опублікованій разом з оголошенням, наведено такі результати: GPT-Live-1 (Astra, середній рівень) — 83,2 бала, Gemini 3.8 Live (розширене мислення, високий рівень) — 82,6 бала, а Grok Voice 2.0 — 81,3 бала.

За даними xAI, за окремими складниками індексу модель набрала 98,5% у тесті мовленнєвого міркування Big Bench Audio, отримала 1070 балів Elo за вподобаннями в Speech Agent Arena, досягла 94,8% успішного виконання завдань і набрала 97,0% у Full Duplex Bench, де оцінюють, наскільки природно модель справляється з паузами, черговістю реплік і перебиваннями. У тій самій таблиці для Grok Voice 2.0 наведено відповідно 97,2%, 1011, 94,6% і 95,1%.

У tau-Voice — тесті, створеному на основі змодельованих дзвінків до служби підтримки клієнтів, — xAI повідомила про результат Grok Voice 3.0 у 71,6% і назвала його зіставним із результатом GPT-Live-1 (Astra), досягнутим за затримки на 40% меншої. В опублікованій діаграмі для GPT-Live-1 (Astra, середній рівень) наведено 74,5%, для Gemini 3.8 Live (розширене мислення, високий рівень) — 68,6%, а для Grok Voice 2.0 — 56,5%.

xAI також повідомила, що за вимірюваннями Artificial Analysis середня вартість одного завдання під час тестування Big Bench Audio становила 0,025 долара для Grok Voice 3.0, порівняно з 0,030 долара для GPT-Live-1 (Astra, середній рівень) і 0,055 долара для GPT-Realtime-2.1 (високий рівень).

Як Artificial Analysis оцінює голосові моделі

Artificial Analysis визначає свій індекс мовлення-мовлення як показник із рівною вагою чотирьох складників: мовленнєвого міркування за тестом Big Bench Audio, агентних можливостей за тестом tau-Voice, оцінки вподобань у змагальному порівнянні та частки успішно виконаних завдань. Щоб отримати оцінку за індексом, модель має показати результати за всіма чотирма складниками.

Big Bench Audio містить 1000 аудіозапитань, адаптованих із Big Bench Hard, — по 250 запитань у кожній із чотирьох категорій: Formal Fallacies, Navigate, Object Counting і Web of Lies. Моделі отримують кожне запитання в аудіоформаті й генерують аудіовідповідь, яку оцінюють як правильну або неправильну.

У tau-Voice симулятор голосового користувача телефонує моделі, яку тестують; вона працює як агент служби підтримки клієнтів і має доступ до спеціалізованих для певної галузі інструментів та документа з політиками. Для кожного завдання є лише один правильний кінцевий стан бази даних; під час оцінювання кінцевий стан порівнюють із цим еталоном, а результати на діаграмі усереднюють за трьома випробуваннями, якщо такі дані доступні. Складник оцінки вподобань у змагальному порівнянні — це парний рейтинг Elo, побудований на основі даних учасників-людей, які проходять однаковий сценарій із двома моделями, назви яких їм не розкривають.

Full Duplex Bench v1 охоплює обробку пауз і чергування реплік, а у версії v1.5 додано обробку перебивань користувача та коротких реплік-підтверджень — наприклад, здатність правильно продовжити розмову, коли співрозмовник каже «так» або «гаразд». Artificial Analysis визначає час до першого аудіо як кількість секунд, потрібну для генерування першого аудіотокена.

Результат ServiceNow у тесті EVA-Bench

За даними xAI, Grok Voice 3.0 здобула найвищий результат за точністю — 74% — у EVA-Bench, тесті ServiceNow для голосових агентів корпоративного рівня, а також стала найкращою моделлю за спільною оцінкою точності та якості взаємодії з клієнтами.

Нітін Аггарвал, старший директор із продуктового менеджменту напряму оцінювання агентів і RAI у ServiceNow, заявив у повідомленні, опублікованому разом з оголошенням, що Grok Voice 3.0 «встановлює нову межу Парето в EVA-Bench — відкритому тесті ServiceNow, який оцінює точність і якість взаємодії голосових агентів у понад 200 реалістичних корпоративних сценаріях».

ServiceNow AI Research описує EVA-Bench як відкриту систему оцінювання голосових агентів у повноцінних багатокрокових усних розмовах із використанням архітектури взаємодії бота з ботом. Тест охоплює три сфери: обслуговування клієнтів — 15 інструментів і 50 сценаріїв, зокрема перебронювання квитків на рейси, порушені через збої, добровільну зміну бронювання, скасування та ваучери; управління ІТ-послугами — 59 інструментів і 80 сценаріїв; а також HR — 47 інструментів і 83 сценарії, присвячені пільгам, плануванню графіків, відпусткам і запитанням щодо політик. Агентів оцінюють за двома показниками: EVA-A вимірює, чи правильно агент виконав завдання, а EVA-X — якість розмови. EVA-Bench входить до набору тестів ServiceNow NOWAI-Bench.

Розгортання в Tesla та Starlink

За даними xAI, Grok Voice 3.0 забезпечує мільйони розмов щодня в автомобілях Tesla. Водії можуть без допомоги рук користуватися Connectors, щоб, наприклад, перевірити календар або відповісти на електронний лист, а також Grok Bot — для складніших завдань, як-от замовити каву чи забронювати столик на вечерю. Модель також забезпечує голосовий режим Grok Bot.

За словами xAI, кол-центри Starlink використовують Grok Voice, щоб щодня відповідати на 20 000 дзвінків клієнтів різними мовами. Приблизно 70% звернень вдається вирішити без участі людини, а кожен четвертий дзвінок із продажу завершується покупкою ще до того, як абонент кладе слухавку. Один агент на базі Grok Voice 3.0 перевіряє дані клієнтів, усуває несправності обладнання, нараховує кредити та надсилає обладнання на заміну.

Ціни та доступність

Grok Voice 3.0 доступна в API Voice Agent за ціною $0,08 за хвилину або $4,80 за годину — стільки ж коштує Grok Voice 2.0. Агентів, які використовують grok-voice-latest, автоматично перевели на нову версію, тож нічого змінювати не потрібно, повідомила xAI.