xAI ra mắt mô hình chuyển giọng nói thành giọng nói Grok Voice 3.0 dành cho các tác nhân thoại

Ngày 14 tháng 10 năm 2026, xAI công bố Grok Voice 3.0, đưa mô hình chuyển giọng nói thành giọng nói này vào sử dụng trong Voice Agent API với mức giá 0,08 USD mỗi phút. Công ty mô tả Grok Voice 3.0 là mô hình giọng nói thông minh nhất thế giới, đồng thời cho biết mô hình lập kỷ lục mới về khả năng xử lý các cuộc gọi hỗ trợ khách hàng, với độ trễ dưới một giây và chi phí vận hành thấp hơn các mô hình tiên tiến khác.

Theo xAI, Grok Voice hỗ trợ hàng triệu cuộc hội thoại mỗi ngày trên các nền tảng của Tesla và SpaceX; phiên bản mới được ra mắt với mức giá tương đương phiên bản tiền nhiệm.

Kết quả đo điểm chuẩn được xAI trích dẫn

Thông báo của xAI dẫn kết quả thử nghiệm độc lập do Artificial Analysis thực hiện và công bố ngày 13 tháng 10 năm 2026. Theo đó, Grok Voice 3.0 đứng đầu Chỉ số Speech-to-Speech với điểm số 86,9. Bảng so sánh được công bố cùng thông báo xếp GPT-Live-1 (Astra, Medium) ở mức 83,2, Gemini 3.8 Live (Extended Thinking, High) ở mức 82,6 và Grok Voice 2.0 ở mức 81,3.

Trong các thành phần của chỉ số, xAI báo cáo kết quả 98,5% ở bài kiểm tra suy luận giọng nói Big Bench Audio, điểm Elo về mức độ ưa thích trong Speech Agent Arena là 1070, tỷ lệ hoàn thành nhiệm vụ thành công là 94,8% và điểm 97,0% ở Full Duplex Bench, bài kiểm tra đo lường mức độ tự nhiên khi mô hình xử lý khoảng ngừng, lượt hội thoại và sự ngắt lời. Các số liệu được liệt kê cho Grok Voice 2.0 trong cùng bảng lần lượt là 97,2%, 1011, 94,6% và 95,1%.

Trong tau-Voice, một bài kiểm tra điểm chuẩn dựa trên các cuộc gọi hỗ trợ khách hàng mô phỏng, xAI báo cáo Grok Voice 3.0 đạt 71,6% và mô tả kết quả này là tương đương với GPT-Live-1 (Astra), nhưng độ trễ thấp hơn 40%. Biểu đồ được công bố ghi GPT-Live-1 (Astra, Medium) đạt 74,5%, Gemini 3.8 Live (Extended Thinking, High) đạt 68,6% và Grok Voice 2.0 đạt 56,5%.

xAI cũng cho biết Artificial Analysis đo được chi phí trung bình cho mỗi nhiệm vụ trong lần chạy Big Bench Audio là 0,025 USD đối với Grok Voice 3.0, so với 0,030 USD đối với GPT-Live-1 (Astra, Medium) và 0,055 USD đối với GPT-Realtime-2.1 (High).

Artificial Analysis chấm điểm các mô hình giọng nói như thế nào

Artificial Analysis định nghĩa Chỉ số Speech-to-Speech là điểm số có trọng số ngang nhau giữa bốn thành phần: khả năng suy luận bằng giọng nói trong Big Bench Audio, hiệu suất của tác nhân trong tau-Voice, mức độ ưa thích trong đấu trường và tỷ lệ hoàn thành nhiệm vụ thành công. Mô hình phải có kết quả ở cả bốn thành phần mới được tính điểm chỉ số.

Big Bench Audio gồm 1.000 câu hỏi âm thanh được điều chỉnh từ Big Bench Hard, với 250 câu hỏi trong mỗi nhóm thuộc bốn nhóm: Ngụy biện hình thức, Điều hướng, Đếm đối tượng và Lời nói dối trên web. Mô hình nhận từng câu hỏi dưới dạng âm thanh và tạo câu trả lời bằng âm thanh; câu trả lời được chấm là đúng hoặc sai.

Trong tau-Voice, một trình mô phỏng người dùng bằng giọng nói gọi cho mô hình được kiểm tra. Mô hình hoạt động như một tác nhân hỗ trợ khách hàng, được quyền sử dụng các công cụ chuyên biệt theo lĩnh vực và một tài liệu chính sách. Mỗi nhiệm vụ chỉ có một trạng thái cuối hợp lệ trong cơ sở dữ liệu; phần đánh giá so sánh trạng thái cuối với trạng thái chuẩn đó, còn kết quả trên biểu đồ là mức trung bình của ba lần thử nghiệm khi có dữ liệu. Thành phần đánh giá mức độ ưa thích trong đấu trường sử dụng điểm Elo theo từng cặp, được tính dựa trên những người tham gia là con người cùng hoàn thành một kịch bản với hai mô hình không được tiết lộ danh tính.

Full Duplex Bench v1 đánh giá khả năng xử lý khoảng ngừng và luân phiên lượt nói; phiên bản v1.5 bổ sung khả năng xử lý việc người dùng ngắt lời và các tín hiệu hồi đáp ngắn, chẳng hạn như tiếp tục đúng lúc khi người gọi nói “yeah” hoặc “alright”. Artificial Analysis định nghĩa thời gian phát âm thanh đầu tiên là số giây cần để tạo ra mã thông báo đầu tiên của đầu ra âm thanh.

Kết quả của ServiceNow trên EVA-Bench

xAI cho biết Grok Voice 3.0 đạt điểm độ chính xác cao nhất trên EVA-Bench, bài kiểm tra điểm chuẩn của ServiceNow dành cho các tác nhân thoại doanh nghiệp, với mức 74%; đây cũng là mô hình có hiệu suất tốt nhất khi chấm đồng thời độ chính xác và trải nghiệm khách hàng.

Nitin Aggarwal, Giám đốc cấp cao phụ trách Quản lý sản phẩm cho Agentic Evals và RAI tại ServiceNow, cho biết trong tuyên bố được công bố cùng thông báo rằng Grok Voice 3.0 “thiết lập một biên Pareto mới trên EVA-Bench, bài kiểm tra điểm chuẩn mã nguồn mở của ServiceNow, chấm điểm độ chính xác và trải nghiệm của các tác nhân thoại trong hơn 200 kịch bản doanh nghiệp thực tế”.

ServiceNow AI Research mô tả EVA-Bench là một khuôn khổ đánh giá mã nguồn mở, đo lường hiệu suất của các tác nhân thoại qua những cuộc hội thoại bằng giọng nói hoàn chỉnh, nhiều lượt, sử dụng kiến trúc bot giao tiếp với bot. Bài kiểm tra điểm chuẩn này bao gồm ba lĩnh vực: dịch vụ khách hàng, với 15 công cụ và 50 kịch bản về đặt lại chuyến bay bị gián đoạn, thay đổi chuyến bay theo yêu cầu của khách, hủy chuyến và phiếu mua hàng; quản lý dịch vụ CNTT, với 59 công cụ và 80 kịch bản; và nhân sự, với 47 công cụ và 83 kịch bản về phúc lợi, lên lịch, nghỉ phép và các câu hỏi về chính sách. Các tác nhân được chấm điểm theo hai khía cạnh: EVA-A đo lường việc tác nhân có hoàn thành chính xác nhiệm vụ hay không, còn EVA-X đo lường chất lượng trải nghiệm hội thoại. EVA-Bench là một phần trong bộ bài kiểm tra điểm chuẩn NOWAI-Bench của ServiceNow.

Triển khai trên Tesla và Starlink

Theo xAI, Grok Voice 3.0 xử lý hàng triệu cuộc hội thoại mỗi ngày trên các xe Tesla. Tài xế có thể dùng Connectors để thực hiện các yêu cầu như kiểm tra lịch hoặc trả lời email, và dùng Grok Bot cho những việc phức tạp hơn, chẳng hạn như gọi cà phê hoặc đặt bữa tối; tất cả đều được thực hiện rảnh tay. Mô hình này cũng cung cấp sức mạnh cho chế độ giọng nói của Grok Bot.

xAI cho biết các trung tâm chăm sóc khách hàng của Starlink sử dụng Grok Voice để trả lời 20.000 cuộc gọi của khách hàng mỗi ngày bằng nhiều ngôn ngữ. Khoảng 70% cuộc gọi được xử lý mà không cần nhân viên hỗ trợ, và cứ bốn cuộc gọi bán hàng thì có một cuộc kết thúc bằng việc khách hàng mua hàng trước khi gác máy. Một tác nhân duy nhất được xây dựng trên Grok Voice 3.0 có thể xác minh danh tính khách hàng, khắc phục sự cố phần cứng, cấp khoản tín dụng và gửi thiết bị thay thế.

Giá cả và khả năng cung cấp

Grok Voice 3.0 hiện có trong Voice Agent API với mức giá 0,08 USD mỗi phút hoặc 4,80 USD mỗi giờ, bằng giá của Grok Voice 2.0. xAI cho biết các tác nhân sử dụng grok-voice-latest đã được tự động chuyển sang phiên bản này mà không cần thay đổi gì.