xAI ने 14 ऑक्टोबर रोजी होस्ट केलेल्या Voice Agent API मधून Grok Voice 3.0 उपलब्ध केले. ग्राहक सहाय्यासाठी व्हॉइस एजंट निवडणाऱ्या टीमला Artificial Analysis चा सध्याचा स्पीच-टू-स्पीच तक्ता अनुकरणात्मक सहाय्य कामांमध्ये Grok Voice 2.0 पेक्षा 15.1 टक्केवारी गुणांची वाढ, स्वतंत्र काम-यश मापनात छोटा बदल आणि अधिक उशिरा येणारा पहिला आवाज प्रतिसाद दाखवतो.

xAI च्या मते, grok-voice-latest हे पर्यायी नाव आता आपोआप 3.0 कडे निर्देश करते. सध्याच्या API मार्गदर्शिकेत आवृत्ती निश्चित ठेवू इच्छिणाऱ्या टीमसाठी आवृत्ती क्रमांक असलेले grok-voice-3.0 हे नावही दिले आहे. xAI नुसार WebSocket एंडपॉइंट, सत्र पॅरामीटर्स आणि इव्हेंट्स 2.0 प्रमाणेच आहेत. हे पर्यायी नाव वापरणाऱ्यांना अॅप्लिकेशन स्थलांतराची गरज नाही; मात्र बदलत्या पर्यायी नावामागे नवे मॉडेल आल्यास अॅप्लिकेशनच्या स्वतःच्या कॉल चाचण्या पुन्हा चालवण्याचे कारण ठरते.

मोठा बदल

  • काय बदलले: API मधील grok-voice-latest या पर्यायी नावामागे Grok Voice 3.0 ने 2.0 ची जागा घेतली. Artificial Analysis च्या अनुकरणात्मक ग्राहक सहाय्य बेंचमार्कमध्ये आता 71.6% गुण आहेत; 2.0 साठी ते 56.5% होते.
  • हे महत्त्वाचे का: विमान कंपन्या, किरकोळ विक्री आणि दूरसंचारातील पूर्वलिखित समस्यांमध्ये एजंट डेटाबेसची योग्य स्थिती गाठतो का, हे या मापनात तपासले जाते. सर्वसाधारण ऑडिओ तर्कक्षमता गुणांपेक्षा ते सहाय्य कामाच्या प्रवाहाशी अधिक संबंधित आहे, जरी ते अजूनही अनुकरणच असले तरी.
  • कशाकडे लक्ष द्यावे: याच मूल्यमापकाने 3.0 साठी पहिला आवाज येईपर्यंत 0.81 सेकंद आणि 2.0 साठी 0.70 सेकंद मोजले. निश्चित आवृत्तीची तैनाती बदलण्यापूर्वी टीमने स्वतःचा प्रतिसाद वेळ, काम पूर्ण होणे आणि शुल्कपात्र सत्राचा कालावधी तपासावा.

सहाय्य गुण आणि प्रतिसादातील विलंब

Artificial Analysis च्या पद्धतविषयक माहितीत τ-Voice चाचणीचे वर्णन असे आहे: धोरण दस्तऐवज आणि क्षेत्रविशिष्ट साधने असलेल्या एजंटला एक अनुकरणात्मक ग्राहक कॉल करतो. विमान कंपन्या, किरकोळ विक्री आणि दूरसंचारातील कामांसाठी डेटाबेसची अंतिम स्थिती ठरलेली असते आणि गुण तीन चाचण्यांची सरासरी असतात. सध्याच्या तक्त्यात Grok Voice 3.0 ला 71.6%, तर Grok Voice 2.0 ला 56.5% आहेत: त्या चाचणी परिस्थितीत 15.1 टक्केवारी गुणांची वाढ. या मूल्यमापनात अनुकरणात्मक ग्राहक, निर्माण केलेले बोलणे, लिप्यंतरण आणि गुण देणारे मॉडेल वापरले जाते. प्रत्यक्ष तैनात सेवा किती खऱ्या कॉलकर्त्यांच्या समस्या सोडवते, त्यांचे प्रमाण यात मोजले जात नाही.

स्वतंत्र Speech Agent Arena मधील काम-यशाचे प्रमाण 2.0 च्या 94.6% वरून 3.0 च्या 94.8% पर्यंतच वाढते. अंतिम योग्य साधन-कॉलमुळे काम पूर्ण झालेल्या पात्र संभाषणांची यात गणना होते; ही τ-Voice पेक्षा वेगळी चाचणी आहे. एकूण Artificial Analysis निर्देशांक 81.3 वरून 86.9 होतो. त्याची सध्याची आवृत्ती ऑडिओ तर्कक्षमता, τ-Voice, कॉलकर्त्यांची नाव न दाखवता घेतलेली पसंती आणि Arena काम-यश यांना समान महत्त्व देते. यापैकी कोणताही एक आकडा ग्राहक सेवेच्या प्रत्येक कामात सुधारणा झाल्याचे सिद्ध करत नाही.

वेगासाठी Artificial Analysis आपल्या Big Bench Audio प्रश्नांवरील पहिला आवाज येईपर्यंतचा सरासरी वेळ नोंदवते. Grok Voice 3.0 ला 0.81 सेकंद आणि 2.0 ला 0.70 सेकंद लागतात. त्यामुळे त्या चाचणीत नवे मॉडेल बोलायला सुरू होण्यास 0.11 सेकंद अधिक वेळ घेत होते, जरी xAI ने प्रकाशन घोषणेत त्याचा विलंब “एका सेकंदापेक्षा कमी” म्हटला असला तरी. हे मापन पहिला ऑडिओ आउटपुट येताच थांबते; ते पूर्ण कॉलचा विलंब किंवा समस्या सोडवण्याचा कालावधी मोजत नाही.

नमूद आवाज दरात काय समाविष्ट आहे

स्पीच-टू-स्पीच ऑडिओसाठी xAI ने दोन्ही आवृत्त्यांचे दर प्रति मिनिट $0.08 किंवा प्रति तास $4.80 दिले आहेत. त्याचे मॉडेल दरपत्रक पृष्ठ प्रत्येक शुल्कपात्र conversation.item.create मजकूर इव्हेंटसाठी $0.004 अधिक आकारते. पूर्वनिर्धारित server_vad बोलण्याची पाळी ओळखण्याची पद्धत वापरल्यास ऑडिओ मापक सत्राचा कालावधी मोजतो. पुश-टू-टॉकमध्ये पाठवलेला आणि मिळालेला ऑडिओ मोजला जातो. त्यामुळे नमूद कालावधी दराने सतत सुरू असलेल्या दहा मिनिटांच्या सत्राचे ऑडिओ शुल्क $0.80 होते; वेगळे आकारले जाणारे मजकूर इव्हेंट याआधी त्यात धरलेले नाहीत. हे गणित xAI च्या दरपत्रकावर आधारित आहे; BIG CHANGE चे बिल किंवा चाचणी केलेला कॉल नाही.

डेव्हलपरना सर्व्हरवरील WebSocket जोडणीसाठी xAI API की किंवा क्लायंट अॅप्लिकेशनसाठी अल्पकालीन टोकन आवश्यक असते. API मार्गदर्शिका पुढील बाबी नोंदवते: wss://api.x.ai/v1/realtime, model हा क्वेरी पॅरामीटर, सूचना, आवाज आणि बोलण्याची पाळी ओळखण्यासाठी session.update हा इव्हेंट आणि प्रतिसादात स्ट्रीम होणारे ऑडिओ इव्हेंट्स. xAI ने प्रत्येक टीमसाठी एकाच वेळी दहा सत्रे आणि एका सत्रासाठी कमाल 120 मिनिटे अशी मर्यादा दिली आहे. सहाय्य टीमला तरीही स्वतःची धोरणे, साधने, ग्राहक डेटाच्या वापराच्या सीमा आणि वरिष्ठांकडे प्रकरण पाठवण्याचा प्रवाह पुरवावा लागेल; प्रकाशित बेंचमार्क संरचनेवरून त्या विशिष्ट अंमलबजावणीची कामगिरी सिद्ध होत नाही.

xAI असेही सांगते की Starlink Grok Voice वापरून रोज 20,000 कॉल हाताळते आणि सुमारे 70% कॉल मानवी हस्तक्षेपाशिवाय सोडवते. हे कंपनीने नोंदवलेले कार्यकारी आकडे आहेत; Artificial Analysis च्या कृत्रिम चाचण्या त्यांची पडताळणी करत नाहीत. BIG CHANGE ने प्रकाशन, API आणि बेंचमार्कची कागदपत्रे वाचली. आम्ही API वापरले नाही, सहाय्य एजंटला कॉल केला नाही किंवा मूल्यमापन पुन्हा केले नाही.

स्रोत आणि पुढील वाचन

  • xAI: Grok Voice 3.0 ची ओळख, 14 ऑक्टोबर 2026. उपलब्धता, पर्यायी नावातील बदल आणि कंपनीने नोंदवलेल्या तैनाती जाहीर करते.
  • Artificial Analysis: स्पीच-टू-स्पीच क्रमवारी, 15 ऑक्टोबर 2026 रोजी तपासले. निर्देशांक, τ-Voice, Arena काम-यश आणि पहिला आवाज येण्याचा वेळ यांसाठी 3.0 व 2.0 च्या सध्याच्या नोंदी; मूल्यमापने अद्ययावत झाल्यावर तक्ता बदलू शकतो.
  • Artificial Analysis: बेंचमार्क पद्धती, 15 ऑक्टोबर 2026 रोजी तपासले. निर्देशांक, अनुकरणात्मक सहाय्य चाचणी, Arena काम-यश मापन आणि वेग चाचणी यांच्या व्याख्या देते.
  • xAI: स्पीच-टू-स्पीच API मार्गदर्शिका, शेवटचे अद्यतन 13 ऑक्टोबर 2026. मॉडेल नावे, स्थलांतर, WebSocket इंटरफेस, प्रमाणीकरण आणि सत्र उभारणीची माहिती देते.
  • xAI: स्पीच-टू-स्पीच दर आणि मर्यादा, शेवटचे अद्यतन 22 सप्टेंबर 2026 आणि 15 ऑक्टोबर रोजी तपासले. ऑडिओ आणि मजकूर इनपुट दर, मोजणी पद्धती, समांतर सत्रे आणि सत्र मर्यादा दिल्या आहेत.