Inilabas ng xAI ang Grok Voice 3.0 sa naka-host nitong Voice Agent API noong Oktubre 14. Para sa team na pumipili ng voice agent para sa customer support, ipinapakita ng kasalukuyang speech-to-speech table ng Artificial Analysis ang pagtaas ng 15.1 percentage points sa mga simulated support task kumpara sa Grok Voice 2.0, maliit na pagbabago sa hiwalay nitong sukatan ng tagumpay sa gawain, at mas mabagal na unang audio response.

Ayon sa xAI, ang alias na grok-voice-latest ay awtomatiko nang tumuturo sa 3.0. Nag-aalok din ang kasalukuyang gabay sa API ng pangalang may bersyon na grok-voice-3.0 para sa mga team na kailangang magtakda ng partikular na release. Ayon sa xAI, kapareho pa rin ng 2.0 ang WebSocket endpoint, mga session parameter at event. Hindi kailangang ilipat ang application ng mga gumagamit ng alias, bagaman dahilan ang bagong modelong nasa likod ng nababagong alias upang ulitin ang sariling mga call test ng application.

Ang malaking pagbabago

  • Ano ang nagbago: Pinalitan ng Grok Voice 3.0 ang 2.0 sa likod ng API alias na grok-voice-latest. Nag-uulat na ngayon ang Artificial Analysis ng 71.6% sa simulated customer-support benchmark nito, mula sa 56.5% ng 2.0.
  • Bakit mahalaga: Sinusubok ng sukatang iyon kung naaabot ng agent ang tamang estado ng database sa mga nakaiskrip na problema sa airline, retail at telecom. Mas kaugnay ito sa daloy ng support work kaysa sa pangkalahatang audio reasoning score, bagaman simulation pa rin ito.
  • Ano ang dapat bantayan: Sinukat ng parehong evaluator ang 0.81 segundo bago ang unang audio para sa 3.0, kumpara sa 0.70 segundo para sa 2.0. Dapat suriin ng mga team ang sarili nilang response time, pagkumpleto ng gawain at sinisingil na haba ng session bago baguhin ang deployment na nakatakda sa partikular na bersyon.

Ang support score at pagkaantala ng tugon

Inilalarawan ng Artificial Analysis sa metodolohiya nito ang τ-Voice test bilang isang simulated customer na tumatawag sa agent na may dokumento ng patakaran at mga tool na tiyak sa larangan. May nakatakdang huling estado ng database ang mga gawain sa airline, retail at telecom, at ang score ay average ng tatlong pagsubok. Sa kasalukuyang table, may 71.6% ang Grok Voice 3.0, kumpara sa 56.5% ng Grok Voice 2.0: pagtaas ng 15.1 percentage points sa mga kondisyong iyon ng pagsubok. Gumagamit ang pagsusuri ng simulated customer, nabuong pananalita, transcription at modelong tagamarka. Hindi nito sinusukat ang bahagi ng mga totoong tumatawag na nalulutas ang problema ng naka-deploy na serbisyo.

Ang hiwalay na task-success figure ng Speech Agent Arena ay bahagya lamang na tumataas mula 94.6% para sa 2.0 tungo sa 94.8% para sa 3.0. Binibilang nito ang mga kwalipikadong usapan na may tamang huling tool calls na kumukumpleto ng gawain; ibang test ang gamit nito kaysa sa τ-Voice. Tumataas ang kabuuang Artificial Analysis index mula 81.3 tungo sa 86.9. Sa kasalukuyang bersyon nito, pantay ang bigat ng audio reasoning, τ-Voice, pagpili ng tumatawag nang hindi alam ang pagkakakilanlan ng modelo, at tagumpay sa gawain sa Arena. Wala sa mga numerong iyon nang mag-isa ang nagpapatunay ng pagbuti sa bawat gawain sa customer service.

Para sa bilis, iniulat ng Artificial Analysis ang average na oras bago ang unang audio sa mga tanong nito sa Big Bench Audio. Umaabot sa 0.81 segundo ang Grok Voice 3.0 at 0.70 segundo ang 2.0. Kaya mas matagal nang 0.11 segundo bago nagsimulang magsalita ang bagong modelo sa test na iyon, kahit inilalarawan ng xAI ang latency nito bilang “wala pang isang segundo” sa anunsyo ng release. Nagtatapos ang pagsukat sa unang audio output; hindi nito sinusukat ang latency ng buong tawag o oras ng paglutas ng problema.

Ano ang saklaw ng nakalistang presyo ng boses

Nakalista sa xAI ang parehong bersyon sa $0.08 kada minuto, o $4.80 kada oras, para sa speech-to-speech audio. Ang pahina ng presyo ng mga modelo nito ay nagdaragdag ng $0.004 sa bawat sinisingil na conversation.item.create text event. Sa default na server_vad turn detection, binibilang ng audio meter ang tagal ng session. Sa push-to-talk, binibilang nito ang audio na ipinadala at natanggap. Kaya ang sampung minutong session na laging bukas, sa nakalistang singil batay sa tagal, ay may $0.80 na audio charge bago ang anumang hiwalay na sinisingil na text event. Nakabatay ang kalkulasyong ito sa rate card ng xAI, hindi sa invoice ng BIG CHANGE o sa isang nasubukang tawag.

Kailangan ng mga developer ng xAI API key para sa server-side WebSocket connection, o ng panandaliang token para sa client application. Nakadokumento sa gabay sa API ang wss://api.x.ai/v1/realtime, isang query parameter na model, isang session.update event para sa mga tagubilin, boses at turn detection, at mga audio event na ini-stream bilang tugon. Nagtatakda ang xAI ng limitasyong sampung sabay-sabay na session bawat team at hanggang 120 minuto bawat session. Kailangan pa ring magbigay ang support team ng sarili nitong mga patakaran, tool, hangganan sa datos ng customer at daloy ng escalation; hindi itinatatag ng inilathalang benchmark configuration kung paano gagana ang partikular na implementasyong iyon.

Iniulat din ng xAI na humahawak ang Starlink ng 20,000 tawag bawat araw gamit ang Grok Voice at nilulutas ang humigit-kumulang 70% nang walang tao. Ang mga iyon ay mga bilang sa operasyon na iniulat ng kumpanya; hindi pinatutunayan ng mga synthetic test ng Artificial Analysis ang mga ito. Sinuri ng BIG CHANGE ang dokumentasyon ng release, API at benchmark. Hindi namin ginamit ang API, tinawagan ang isang support agent o inulit ang pagsusuri.

Mga sanggunian at karagdagang babasahin