A xAI lançou o Grok Voice 3.0 através da sua Voice Agent API alojada a 14 de outubro. Para uma equipa que escolhe um agente de voz para apoio ao cliente, a tabela atual de fala para fala da Artificial Analysis mostra uma subida de 15,1 pontos percentuais em tarefas de apoio simuladas face ao Grok Voice 2.0, uma pequena alteração na medida separada de sucesso das tarefas e uma primeira resposta áudio mais lenta.

A xAI diz que o alias grok-voice-latest encaminha agora automaticamente para a versão 3.0. O guia atual da API também disponibiliza o nome com versão grok-voice-3.0 para equipas que precisam de fixar a versão. Segundo a xAI, o endpoint WebSocket, os parâmetros de sessão e os eventos mantêm-se iguais aos da versão 2.0. Os utilizadores do alias não precisam de migrar a aplicação, embora um novo modelo por detrás de um alias variável justifique voltar a executar os testes de chamadas da própria aplicação.

A grande mudança

  • O que mudou: O Grok Voice 3.0 substituiu a versão 2.0 por detrás do alias da API grok-voice-latest. A Artificial Analysis apresenta agora uma pontuação de 71,6% no seu teste de referência de apoio ao cliente simulado, face aos 56,5% da versão 2.0.
  • Porque importa: Essa medida testa se um agente atinge o estado correto da base de dados em problemas previamente definidos de companhias aéreas, retalho e telecomunicações. É mais relevante para um fluxo de apoio do que uma pontuação geral de raciocínio áudio, embora continue a ser uma simulação.
  • O que acompanhar: O mesmo avaliador mediu 0,81 segundos até ao primeiro áudio para a versão 3.0, contra 0,70 segundos para a versão 2.0. As equipas devem verificar o seu próprio tempo de resposta, a conclusão das tarefas e a duração faturável das sessões antes de alterar uma implementação com versão fixa.

A pontuação de apoio e a demora da resposta

A metodologia da Artificial Analysis descreve o teste τ-Voice como um cliente simulado que telefona a um agente equipado com um documento de políticas e ferramentas específicas do domínio. As tarefas de companhias aéreas, retalho e telecomunicações têm estados finais definidos na base de dados, e a pontuação é a média de três ensaios. A tabela atual atribui ao Grok Voice 3.0 71,6%, face aos 56,5% do Grok Voice 2.0: uma subida de 15,1 pontos percentuais nessas condições de teste. A avaliação usa um cliente simulado, fala gerada, transcrição e um modelo avaliador. Não mede a proporção de pessoas reais que telefonam e cujos problemas um serviço implementado resolve.

O indicador separado de sucesso nas tarefas do Speech Agent Arena passa apenas de 94,6% na versão 2.0 para 94,8% na versão 3.0. Esse indicador conta as conversas elegíveis com as chamadas finais corretas às ferramentas que concluem a tarefa; usa um teste diferente do τ-Voice. O índice global da Artificial Analysis sobe de 81,3 para 86,9. A versão atual atribui o mesmo peso ao raciocínio áudio, ao τ-Voice, à preferência dos interlocutores em avaliação cega e ao sucesso das tarefas no Arena. Nenhum desses números, isoladamente, demonstra melhorias em todas as tarefas de apoio ao cliente.

Quanto à velocidade, a Artificial Analysis apresenta o tempo médio até ao primeiro áudio nas suas perguntas do Big Bench Audio. O Grok Voice 3.0 demora 0,81 segundos e a versão 2.0 demora 0,70 segundos. Assim, o novo modelo levou mais 0,11 segundos a começar a falar nesse teste, embora a xAI descreva a sua latência como «inferior a um segundo» no anúncio do lançamento. A medição termina na primeira saída áudio; não mede a latência da chamada completa nem o tempo de resolução.

O que cobre o preço anunciado da voz

A xAI indica um preço de 0,08 dólares por minuto, ou 4,80 dólares por hora, para áudio de fala para fala em ambas as versões. A sua página de preços dos modelos acrescenta 0,004 dólares por cada evento de texto faturável conversation.item.create. Com a deteção de turnos predefinida server_vad, a medição de áudio conta a duração da sessão. Com premir para falar, conta o áudio enviado e recebido. Uma sessão de dez minutos sempre aberta à tarifa de duração anunciada tem, portanto, 0,80 dólares de custos de áudio antes de quaisquer eventos de texto faturados em separado. Este cálculo baseia-se no tarifário da xAI, não numa fatura da BIG CHANGE nem numa chamada testada.

Os programadores precisam de uma chave de API da xAI para uma ligação WebSocket do lado do servidor ou de um token de curta duração para uma aplicação cliente. O guia da API documenta wss://api.x.ai/v1/realtime, um parâmetro de consulta model, um evento session.update para instruções, voz e deteção de turnos, e eventos de áudio transmitidos em fluxo como resposta. A xAI indica um limite de dez sessões em simultâneo por equipa e um máximo de 120 minutos por sessão. Uma equipa de apoio continuaria a ter de fornecer as suas próprias políticas, ferramentas, limites para os dados dos clientes e fluxo de escalamento; a configuração publicada do teste de referência não demonstra o desempenho dessa implementação específica.

A xAI também afirma que a Starlink trata 20 000 chamadas por dia com o Grok Voice e resolve cerca de 70% sem intervenção humana. São números operacionais comunicados pela empresa; os testes sintéticos da Artificial Analysis não os verificam. A BIG CHANGE analisou a documentação do lançamento, da API e dos testes de referência. Não usámos a API, não telefonámos a um agente de apoio nem reproduzimos a avaliação.

Fontes e leituras adicionais