xAI ने 14 अक्टूबर को अपनी होस्ट की गई Voice Agent API के ज़रिए Grok Voice 3.0 जारी किया। ग्राहक सहायता के लिए वॉइस एजेंट चुन रही टीम के लिए Artificial Analysis की मौजूदा स्पीच-टू-स्पीच तालिका सिम्युलेटेड सपोर्ट कार्यों में Grok Voice 2.0 से 15.1 प्रतिशत अंकों की बढ़त, कार्य-सफलता के अलग माप में मामूली बदलाव और धीमा पहला ऑडियो जवाब दिखाती है।

xAI का कहना है कि grok-voice-latest उपनाम अब अपने-आप 3.0 पर भेजता है। मौजूदा API गाइड में रिलीज़ को निश्चित रखने वाली टीमों के लिए संस्करण वाला grok-voice-3.0 नाम भी उपलब्ध है। xAI के मुताबिक WebSocket एंडपॉइंट, सेशन पैरामीटर और इवेंट 2.0 जैसे ही हैं। उपनाम इस्तेमाल करने वालों को एप्लिकेशन माइग्रेट करने की ज़रूरत नहीं है, हालांकि बदलते उपनाम के पीछे नया मॉडल आने पर एप्लिकेशन के अपने कॉल टेस्ट दोबारा चलाने का कारण बनता है।

बड़ा बदलाव

  • क्या बदला: API उपनाम grok-voice-latest के पीछे Grok Voice 3.0 ने 2.0 की जगह ले ली। Artificial Analysis अब अपने सिम्युलेटेड ग्राहक-सहायता बेंचमार्क में 71.6% स्कोर बताता है, जो 2.0 के 56.5% से बढ़ा है।
  • यह क्यों मायने रखता है: यह माप जाँचता है कि तय स्क्रिप्ट वाली एयरलाइन, रिटेल और टेलीकॉम समस्याओं में एजेंट डेटाबेस की सही स्थिति तक पहुँचता है या नहीं। सामान्य ऑडियो तर्क क्षमता स्कोर से यह सपोर्ट कार्यप्रवाह के ज़्यादा करीब है, हालांकि यह अभी भी सिम्युलेशन है।
  • किन बातों पर नज़र रखें: उसी मूल्यांकनकर्ता ने 3.0 के लिए पहले ऑडियो तक 0.81 सेकंड और 2.0 के लिए 0.70 सेकंड मापे। निश्चित संस्करण वाले डिप्लॉयमेंट को बदलने से पहले टीमों को अपना जवाब देने का समय, कार्य पूरा होना और बिल योग्य सेशन की अवधि जाँचनी चाहिए।

सपोर्ट स्कोर और जवाब की देरी

Artificial Analysis की कार्यप्रणाली में τ-Voice टेस्ट को इस तरह बताया गया है: एक सिम्युलेटेड ग्राहक ऐसे एजेंट को कॉल करता है जिसके पास नीति दस्तावेज़ और संबंधित क्षेत्र के विशेष टूल हैं। एयरलाइन, रिटेल और टेलीकॉम कार्यों में डेटाबेस की अंतिम स्थितियाँ तय हैं और स्कोर तीन प्रयासों का औसत है। मौजूदा तालिका में Grok Voice 3.0 को 71.6% और Grok Voice 2.0 को 56.5% मिले हैं: उन परीक्षण परिस्थितियों में 15.1 प्रतिशत अंकों की बढ़त। मूल्यांकन में सिम्युलेटेड ग्राहक, बनाई गई आवाज़, ट्रांसक्रिप्शन और ग्रेड देने वाला मॉडल इस्तेमाल होता है। यह उन असली कॉल करने वालों का अनुपात नहीं मापता जिनकी समस्याएँ तैनात सेवा हल करती है।

अलग Speech Agent Arena कार्य-सफलता आँकड़ा 2.0 के 94.6% से 3.0 के 94.8% तक ही बढ़ता है। यह उन पात्र बातचीतों को गिनता है जिनमें कार्य पूरा करने के लिए अंतिम टूल कॉल सही होते हैं; इसका टेस्ट τ-Voice से अलग है। समग्र Artificial Analysis सूचकांक 81.3 से 86.9 हो जाता है। उसका मौजूदा संस्करण ऑडियो तर्क क्षमता, τ-Voice, मॉडल की पहचान बताए बिना ली गई कॉल करने वालों की पसंद और Arena कार्य-सफलता को बराबर महत्व देता है। इनमें से कोई भी आँकड़ा अपने-आप हर ग्राहक-सेवा कार्य में बढ़त साबित नहीं करता।

गति के लिए Artificial Analysis अपने Big Bench Audio प्रश्नों पर पहले ऑडियो तक का औसत समय बताता है। Grok Voice 3.0 को 0.81 सेकंड और 2.0 को 0.70 सेकंड लगते हैं। इस तरह नए मॉडल ने उस टेस्ट में बोलना शुरू करने में 0.11 सेकंड ज़्यादा लिए, हालांकि xAI रिलीज़ की घोषणा में उसकी देरी को “एक सेकंड से कम” बताता है। माप पहले ऑडियो आउटपुट पर समाप्त हो जाता है; यह पूरी कॉल की देरी या समस्या सुलझाने का समय नहीं मापता।

घोषित वॉइस कीमत में क्या शामिल है

xAI स्पीच-टू-स्पीच ऑडियो के लिए दोनों संस्करणों की कीमत $0.08 प्रति मिनट या $4.80 प्रति घंटा बताता है। उसका मॉडल मूल्य पृष्ठ प्रत्येक बिल योग्य conversation.item.create टेक्स्ट इवेंट के लिए $0.004 जोड़ता है। डिफ़ॉल्ट server_vad टर्न डिटेक्शन में ऑडियो मीटर सेशन की अवधि गिनता है। पुश-टू-टॉक में भेजे और मिले ऑडियो को गिना जाता है। इसलिए घोषित अवधि दर पर लगातार खुले दस मिनट के सेशन का ऑडियो शुल्क $0.80 है, जिसमें अलग से बिल किए जाने वाले टेक्स्ट इवेंट शामिल नहीं हैं। यह गणना xAI की दर सूची पर आधारित है, BIG CHANGE के बिल या किसी जाँची गई कॉल पर नहीं।

डेवलपर को सर्वर-साइड WebSocket कनेक्शन के लिए xAI API कुंजी या क्लाइंट एप्लिकेशन के लिए कम अवधि वाला टोकन चाहिए। API गाइड में wss://api.x.ai/v1/realtime, model क्वेरी पैरामीटर, निर्देशों, आवाज़ और टर्न डिटेक्शन के लिए session.update इवेंट तथा जवाब में स्ट्रीम किए जाने वाले ऑडियो इवेंट का विवरण है। xAI प्रति टीम दस एकसाथ सेशन और एक सेशन की अधिकतम अवधि 120 मिनट बताता है। सपोर्ट टीम को फिर भी अपनी नीतियाँ, टूल, ग्राहक डेटा की सीमाएँ और आगे संबंधित अधिकारी तक मामला पहुँचाने का कार्यप्रवाह देना होगा; प्रकाशित बेंचमार्क सेटअप यह साबित नहीं करता कि वह खास कार्यान्वयन कैसा प्रदर्शन करेगा।

xAI यह भी बताता है कि Starlink, Grok Voice से रोज़ 20,000 कॉल संभालता है और करीब 70% बिना इंसान के हल करता है। ये कंपनी द्वारा बताए गए परिचालन आँकड़े हैं; Artificial Analysis के कृत्रिम टेस्ट उनकी पुष्टि नहीं करते। BIG CHANGE ने रिलीज़, API और बेंचमार्क दस्तावेज़ों की समीक्षा की। हमने API इस्तेमाल नहीं किया, सपोर्ट एजेंट को कॉल नहीं किया और मूल्यांकन दोहराया नहीं।

स्रोत और आगे पढ़ने के लिए

  • xAI: Grok Voice 3.0 का परिचय, 14 अक्टूबर 2026। उपलब्धता, उपनाम में बदलाव और कंपनी द्वारा बताए गए डिप्लॉयमेंट की घोषणा करता है।
  • Artificial Analysis: स्पीच-टू-स्पीच लीडरबोर्ड, 15 अक्टूबर 2026 को जाँचा। सूचकांक, τ-Voice, Arena कार्य-सफलता और पहले ऑडियो तक के समय के लिए 3.0 और 2.0 की मौजूदा पंक्तियाँ; मूल्यांकन अपडेट होने पर तालिका बदल सकती है।
  • Artificial Analysis: बेंचमार्क की कार्यप्रणाली, 15 अक्टूबर 2026 को जाँचा। सूचकांक, सिम्युलेटेड सपोर्ट टेस्ट, Arena कार्य-सफलता माप और गति परीक्षण को परिभाषित करता है।
  • xAI: स्पीच-टू-स्पीच API गाइड, आखिरी अपडेट 13 अक्टूबर 2026। मॉडल नाम, माइग्रेशन, WebSocket इंटरफ़ेस, प्रमाणीकरण और सेशन सेटअप का विवरण देता है।
  • xAI: स्पीच-टू-स्पीच कीमतें और सीमाएँ, आखिरी अपडेट 22 सितंबर 2026 और 15 अक्टूबर को जाँचा। ऑडियो और टेक्स्ट इनपुट दरें, मापन के तरीके, समांतरता और सेशन की सीमाएँ बताता है।