AI-translated from English; not yet reviewed by a fluent editor.

# Grok Voice 3.0 бољи на тесту подршке, спорији до првог звука

> Хостовани Voice Agent API сада користи Grok Voice 3.0. Резултат независног симулираног теста подршке расте, али се први звук чека дуже, а наведена цена гласа укључује и засебну накнаду за текст.

By BIG CHANGE Editorial

Published: 2026-10-15T16:54:16.962Z
Updated: 2026-10-15T16:54:16.962Z
Canonical: https://bigchange.ai/blog/grok-voice-3-api-benchmark-support-calls

![Conceptual charcoal illustration of an unbranded call headset and tabletop speakerphone in a sound-treated room.](https://bigchange.ai/api/media/file/grok-voice-support-call-concept-v1.png)
AI-generated conceptual illustration by BIG CHANGE; no actual xAI hardware, API interface, customer call or measured outcome is depicted.

xAI је 14. октобра објавио Grok Voice 3.0 путем свог хостованог Voice Agent API-ја. За тим који бира гласовног агента за корисничку подршку, [актуелна табела говор-у-говор компаније Artificial Analysis](https://artificialanalysis.ai/speech-to-speech) показује напредак од 15,1 процентног поена у симулираним задацима подршке у односу на Grok Voice 2.0, малу промену у засебној мери успешности задатака и спорији први звучни одговор.

xAI наводи да алиас `grok-voice-latest` сада аутоматски води на 3.0. [Актуелни водич за API](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech) такође нуди верзионисано име `grok-voice-3.0` за тимове који морају да фиксирају издање. WebSocket крајња тачка, параметри сесије и догађаји остају исти као у 2.0, према xAI-ју. Корисници алиаса не морају да мигрирају апликацију, мада је нови модел иза променљивог алиаса разлог да понове сопствене тестове позива у апликацији.

## Велика промена

- **Шта се променило:** Grok Voice 3.0 заменио је 2.0 иза API алиаса `grok-voice-latest`. Artificial Analysis сада наводи резултат од 71,6% на свом симулираном тесту корисничке подршке, наспрам 56,5% за 2.0.
- **Зашто је важно:** Та мера проверава да ли агент постиже исправно стање базе података у унапред припремљеним проблемима из авио-саобраћаја, малопродаје и телекомуникација. Релевантнија је за ток рада подршке од опште оцене аудио-резоновања, иако је и даље симулација.
- **Шта пратити:** Исти евалуатор измерио је 0,81 секунду до првог звука за 3.0, наспрам 0,70 секунди за 2.0. Тимови би пре промене имплементације са фиксираном верзијом требало да провере сопствено време одговора, завршавање задатака и наплативо трајање сесије.

## Резултат подршке и кашњење одговора

У својој [методологији, Artificial Analysis](https://artificialanalysis.ai/methodology/speech-to-speech-benchmarking) описује τ-Voice као тест у ком симулирани корисник зове агента опремљеног документом са правилима и алатима за одређену област. Његови задаци из авио-саобраћаја, малопродаје и телекомуникација имају дефинисана коначна стања базе података, а резултат је просек три покушаја. Актуелна табела даје Grok Voice 3.0 резултат од 71,6%, наспрам 56,5% за Grok Voice 2.0: раст од 15,1 процентног поена у тим условима тестирања. Евалуација користи симулираног корисника, генерисани говор, транскрипцију и модел за оцењивање. Не мери удео стварних позивалаца чије проблеме решава имплементирана услуга.

Засебна стопа успешности задатака у Speech Agent Arena расте само са 94,6% за 2.0 на 94,8% за 3.0. Она броји одговарајуће разговоре са исправним завршним позивима алата који довршавају задатак; користи другачији тест од τ-Voice. Укупан индекс Artificial Analysis расте са 81,3 на 86,9. Његова актуелна верзија даје једнаку тежину аудио-резоновању, τ-Voice тесту, слепој преференцији позивалаца и успешности задатака у Арени. Ниједна од тих бројки сама не доказује напредак у сваком задатку корисничке подршке.

За брзину, Artificial Analysis наводи просечно време до првог звука на својим Big Bench Audio питањима. Grok Voice 3.0 захтева 0,81 секунду, а 2.0 захтева 0,70 секунди. Новом моделу је зато у том тесту требало 0,11 секунди дуже да почне да говори, иако xAI његову латенцију описује као „испод једне секунде“ у [најави издања](https://x.ai/news/grok-voice-3). Мерење се завршава при првом звучном излазу; не мери кашњење читавог позива нити време решавања проблема.

## Шта обухвата наведена цена гласа

xAI наводи цену од 0,08 долара по минуту, односно 4,80 долара по сату, за звук говор-у-говор код обе верзије. Његова [страница са ценама модела](https://docs.x.ai/developers/models/speech-to-speech) додаје 0,004 долара за сваки наплативи текстуални догађај `conversation.item.create`. Уз подразумевано откривање смене говорника `server_vad`, аудио-мерач рачуна трајање сесије. Уз режим притисни-за-говор рачуна послати и примљени звук. Стално отворена десетоминутна сесија зато по наведеној тарифи за трајање кошта 0,80 долара за звук, пре засебно наплаћених текстуалних догађаја. Тај прорачун заснива се на xAI ценовнику, а не на рачуну BIG CHANGE-а или тестираном позиву.

Програмерима је потребан xAI API кључ за серверску WebSocket везу или краткотрајан токен за клијентску апликацију. [Водич за API](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech) документује `wss://api.x.ai/v1/realtime`, параметар упита `model`, догађај `session.update` за упутства, глас и откривање смене говорника, као и повратне догађаје са стримингом звука. xAI наводи ограничење од десет истовремених сесија по тиму и најдуже трајање сесије од 120 минута. Тим за подршку и даље би морао да обезбеди сопствена правила, алате, границе коришћења података корисника и ток ескалације; објављена конфигурација теста не показује како ће та конкретна имплементација радити.

xAI такође наводи да Starlink обрађује 20.000 позива дневно помоћу Grok Voice-а и решава око 70% без човека. То су [оперативни подаци које је саопштила компанија](https://x.ai/news/grok-voice-3); синтетички тестови Artificial Analysis их не потврђују. BIG CHANGE је прегледао документацију издања, API-ја и тестова. Нисмо користили API, звали агента подршке нити поновили евалуацију.

## Извори и додатна литература

- [xAI: Представљамо Grok Voice 3.0](https://x.ai/news/grok-voice-3), 14. октобар 2026. Најављује доступност, промену алиаса и имплементације које је саопштила компанија.
- [Artificial Analysis: ранг-листа говор-у-говор](https://artificialanalysis.ai/speech-to-speech), проверено 15. октобра 2026. Актуелни редови за 3.0 и 2.0: индекс, τ-Voice, успешност задатака у Арени и време до првог звука; табела се може мењати са ажурирањем евалуација.
- [Artificial Analysis: методологија тестирања](https://artificialanalysis.ai/methodology/speech-to-speech-benchmarking), проверено 15. октобра 2026. Дефинише индекс, симулирани тест подршке, меру успешности задатака у Арени и тест брзине.
- [xAI: водич за API говор-у-говор](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech), последњи пут ажурирано 13. октобра 2026. Документује имена модела, миграцију, WebSocket интерфејс, аутентификацију и подешавање сесије.
- [xAI: цене и ограничења за говор-у-говор](https://docs.x.ai/developers/models/speech-to-speech), последњи пут ажурирано 22. септембра 2026, проверено 15. октобра. Наводи тарифе за звук и текстуални унос, режиме мерења, истовременост и ограничења сесије.

## Sources

- [Представљамо Grok Voice 3.0](https://x.ai/news/grok-voice-3) — Првобитно издање хостованог API-ја, промена алиаса и тврдње о имплементацијама приписане компанији.
- [Ранг-листа AI модела и добављача за говор-у-говор](https://artificialanalysis.ai/speech-to-speech) — Живи редови за 3.0 и 2.0: индекс, tau-Voice, успешност задатака у Арени и време до првог звука; вредности се могу ажурирати.
- [Методологија тестирања говор-у-говор](https://artificialanalysis.ai/methodology/speech-to-speech-benchmarking) — Дефиниције индекса v2.0, симулираног теста подршке, успешности задатака у Арени и TTFA.
- [Водич за API говор-у-говор](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech) — Алиас, фиксирање верзије, WebSocket интерфејс, аутентификација, параметри сесије и миграција.
- [Цене и ограничења протока за говор-у-говор](https://docs.x.ai/developers/models/speech-to-speech) — Актуелне тарифе за звук и текстуалне догађаје у 3.0, режими мерења и ограничења сесије.