xAI అక్టోబర్ 14న తన హోస్ట్ చేసిన Voice Agent API ద్వారా Grok Voice 3.0ను విడుదల చేసింది. కస్టమర్ సపోర్ట్ కోసం వాయిస్ ఏజెంట్‌ను ఎంచుకునే బృందానికి Artificial Analysis ప్రస్తుత స్పీచ్-టు-స్పీచ్ పట్టిక అనుకరణ సపోర్ట్ పనుల్లో Grok Voice 2.0తో పోలిస్తే 15.1 శాతం పాయింట్ల మెరుగుదలను, వేరైన పని విజయ సూచికలో చిన్న మార్పును, తొలి ఆడియో ప్రతిస్పందనలో ఆలస్యాన్ని చూపిస్తోంది.

xAI ప్రకారం grok-voice-latest అనే అలియాస్ ఇప్పుడు స్వయంచాలకంగా 3.0కు దారి తీస్తుంది. ప్రస్తుత API గైడ్ ఒక విడుదలను స్థిరంగా ఉంచుకోవాల్సిన బృందాల కోసం వెర్షన్‌తో కూడిన grok-voice-3.0 పేరును కూడా అందిస్తోంది. xAI ప్రకారం WebSocket ఎండ్‌పాయింట్, సెషన్ పరామితులు, ఈవెంట్లు 2.0లో ఉన్నట్లే ఉంటాయి. అలియాస్ వినియోగదారులకు అప్లికేషన్ మైగ్రేషన్ అవసరం లేదు; అయినా మారే అలియాస్ వెనుక కొత్త మోడల్ రావడం అప్లికేషన్ సొంత కాల్ పరీక్షలను మళ్లీ నిర్వహించడానికి కారణం.

పెద్ద మార్పు

  • ఏం మారింది: API అలియాస్ grok-voice-latest వెనుక 2.0 స్థానాన్ని Grok Voice 3.0 తీసుకుంది. Artificial Analysis తన అనుకరణ కస్టమర్ సపోర్ట్ బెంచ్‌మార్క్‌లో ఇప్పుడు 71.6% స్కోరు నివేదిస్తోంది; 2.0కు అది 56.5%.
  • ఎందుకు ముఖ్యం: ముందుగా రాసిన విమానయాన, రిటైల్, టెలికాం సమస్యల్లో ఏజెంట్ సరైన డేటాబేస్ స్థితికి చేరుతుందా అన్నది ఈ సూచిక పరీక్షిస్తుంది. సాధారణ ఆడియో తార్కికత స్కోరు కంటే ఇది సపోర్ట్ పనిప్రవాహానికి దగ్గరగా ఉంటుంది, అయినప్పటికీ ఇది అనుకరణే.
  • ఏం గమనించాలి: అదే మూల్యాంకన సంస్థ 3.0లో తొలి ఆడియోకు 0.81 సెకన్లు, 2.0లో 0.70 సెకన్లు కొలిచింది. స్థిరపరచిన వెర్షన్ డిప్లాయ్‌మెంట్‌ను మార్చేముందు బృందాలు తమ ప్రతిస్పందన సమయం, పని పూర్తయ్యే తీరు, బిల్ చేయదగిన సెషన్ వ్యవధిని పరిశీలించాలి.

సపోర్ట్ స్కోరు, ప్రతిస్పందన ఆలస్యం

Artificial Analysis పద్ధతి వివరణ ప్రకారం τ-Voice పరీక్షలో అనుకరణ కస్టమర్, విధాన పత్రం మరియు రంగానికి ప్రత్యేక సాధనాలు ఉన్న ఏజెంట్‌కు కాల్ చేస్తారు. విమానయాన, రిటైల్, టెలికాం పనులకు నిర్దిష్ట తుది డేటాబేస్ స్థితులు ఉంటాయి; స్కోరు మూడు ప్రయత్నాల సగటు. ప్రస్తుత పట్టికలో Grok Voice 3.0కు 71.6%, Grok Voice 2.0కు 56.5% ఉన్నాయి: ఆ పరీక్ష పరిస్థితుల్లో 15.1 శాతం పాయింట్ల పెరుగుదల. మూల్యాంకనం అనుకరణ కస్టమర్, సృష్టించిన మాట, ట్రాన్స్‌క్రిప్షన్, గ్రేడింగ్ మోడల్‌ను ఉపయోగిస్తుంది. అమలులో ఉన్న సేవ సమస్యలు పరిష్కరించిన నిజమైన కాలర్ల శాతాన్ని ఇది కొలవదు.

వేరైన Speech Agent Arena పని విజయ శాతం 2.0కు 94.6% నుంచి 3.0కు 94.8%కు మాత్రమే మారింది. పనిని పూర్తిచేసే సరైన తుది టూల్ కాల్స్ ఉన్న అర్హ సంభాషణలను ఇది లెక్కిస్తుంది; τ-Voiceతో పోలిస్తే ఇది వేరే పరీక్ష. మొత్తం Artificial Analysis సూచిక 81.3 నుంచి 86.9కు పెరిగింది. ప్రస్తుత వెర్షన్ ఆడియో తార్కికత, τ-Voice, కాలర్లకు పేర్లు చూపకుండా కొలిచిన ప్రాధాన్యత, Arena పని విజయానికి సమాన ప్రాధాన్యం ఇస్తుంది. ఈ సంఖ్యల్లో ఏ ఒక్కటీ అన్ని కస్టమర్ సేవా పనుల్లో మెరుగుదలను నిరూపించదు.

వేగానికి సంబంధించి Artificial Analysis తన Big Bench Audio ప్రశ్నల్లో తొలి ఆడియో వరకు సగటు సమయాన్ని నివేదిస్తుంది. Grok Voice 3.0కు 0.81 సెకన్లు, 2.0కు 0.70 సెకన్లు పడుతుంది. అందువల్ల ఆ పరీక్షలో కొత్త మోడల్ మాట్లాడడం మొదలుపెట్టడానికి 0.11 సెకన్లు ఎక్కువ తీసుకుంది, అయితే xAI విడుదల ప్రకటనలో దాని ఆలస్యాన్ని “ఒక సెకను లోపు” అని పేర్కొంది. కొలత తొలి ఆడియో అవుట్‌పుట్ వద్ద ముగుస్తుంది; ఇది మొత్తం కాల్ ఆలస్యం లేదా సమస్య పరిష్కార సమయాన్ని కొలవదు.

ప్రకటించిన వాయిస్ ధరలో ఏం ఉంటుంది

స్పీచ్-టు-స్పీచ్ ఆడియోకు రెండు వెర్షన్ల ధరను xAI నిమిషానికి $0.08 లేదా గంటకు $4.80గా పేర్కొంది. దాని మోడల్ ధరల పేజీ ప్రతి బిల్ చేయదగిన conversation.item.create టెక్స్ట్ ఈవెంట్‌కు $0.004 అదనంగా వసూలు చేస్తుంది. డిఫాల్ట్ server_vad టర్న్ డిటెక్షన్‌లో ఆడియో మీటర్ సెషన్ వ్యవధిని లెక్కిస్తుంది. పుష్-టు-టాక్‌లో పంపిన, అందుకున్న ఆడియోను లెక్కిస్తుంది. అందువల్ల ప్రకటించిన వ్యవధి రేటుతో పది నిమిషాలు నిరంతరం తెరిచి ఉన్న సెషన్‌కు, విడిగా బిల్ చేసే టెక్స్ట్ ఈవెంట్లకు ముందు, ఆడియో ఛార్జీలు $0.80. ఆ లెక్క xAI ధరల పట్టిక ఆధారంగా వేసింది; BIG CHANGE ఇన్వాయిస్ లేదా పరీక్షించిన కాల్ ఆధారంగా కాదు.

సర్వర్ వైపు WebSocket కనెక్షన్‌కు డెవలపర్లకు xAI API కీ, లేదా క్లయింట్ అప్లికేషన్‌కు స్వల్పకాల టోకెన్ అవసరం. API గైడ్ ప్రకారం wss://api.x.ai/v1/realtime, model క్వెరీ పరామితి, సూచనలు, వాయిస్, టర్న్ డిటెక్షన్ కోసం session.update ఈవెంట్, ప్రతిస్పందనగా స్ట్రీమ్ అయ్యే ఆడియో ఈవెంట్లు వివరించబడ్డాయి. xAI బృందానికి ఒకేసారి పది సెషన్ల పరిమితి, ఒక సెషన్‌కు గరిష్ఠంగా 120 నిమిషాల పరిమితి పేర్కొంది. సపోర్ట్ బృందం తన విధానాలు, సాధనాలు, కస్టమర్ డేటా హద్దులు, ఎస్కలేషన్ పనిప్రవాహాన్ని ఇంకా సమకూర్చాలి; ప్రచురించిన బెంచ్‌మార్క్ కాన్ఫిగరేషన్ ఆ ప్రత్యేక అమలు ఎలా పనిచేస్తుందో నిరూపించదు.

Starlink రోజుకు 20,000 కాల్స్‌ను Grok Voiceతో నిర్వహించి, సుమారు 70%ను మనిషి సహాయం లేకుండా పరిష్కరిస్తోందని కూడా xAI చెబుతోంది. అవి కంపెనీ నివేదించిన నిర్వహణ గణాంకాలు; Artificial Analysis కృత్రిమ పరీక్షలు వాటిని ధ్రువీకరించవు. BIG CHANGE విడుదల, API, బెంచ్‌మార్క్ పత్రాలను పరిశీలించింది. మేము APIని ఉపయోగించలేదు, సపోర్ట్ ఏజెంట్‌కు కాల్ చేయలేదు, మూల్యాంకనాన్ని పునరావృతం చేయలేదు.

మూలాలు, మరింత చదవడానికి

  • xAI: Grok Voice 3.0 పరిచయం, అక్టోబర్ 14, 2026. లభ్యత, అలియాస్ మార్పు, కంపెనీ నివేదించిన డిప్లాయ్‌మెంట్లను ప్రకటిస్తుంది.
  • Artificial Analysis: స్పీచ్-టు-స్పీచ్ ర్యాంకింగ్, అక్టోబర్ 15, 2026న పరిశీలించబడింది. సూచిక, τ-Voice, Arena పని విజయం, తొలి ఆడియో సమయానికి ప్రస్తుత 3.0, 2.0 వరుసలు; మూల్యాంకనాలు నవీకరించినప్పుడు పట్టిక మారవచ్చు.
  • Artificial Analysis: బెంచ్‌మార్క్ పద్ధతి, అక్టోబర్ 15, 2026న పరిశీలించబడింది. సూచిక, అనుకరణ సపోర్ట్ పరీక్ష, Arena పని విజయ సూచిక, వేగ పరీక్షను నిర్వచిస్తుంది.
  • xAI: స్పీచ్-టు-స్పీచ్ API గైడ్, చివరి నవీకరణ అక్టోబర్ 13, 2026. మోడల్ పేర్లు, మైగ్రేషన్, WebSocket ఇంటర్‌ఫేస్, ప్రామాణీకరణ, సెషన్ సెటప్‌ను వివరిస్తుంది.
  • xAI: స్పీచ్-టు-స్పీచ్ ధరలు, పరిమితులు, చివరి నవీకరణ సెప్టెంబర్ 22, 2026; అక్టోబర్ 15న పరిశీలించబడింది. ఆడియో, టెక్స్ట్ ఇన్‌పుట్ ధరలు, మీటరింగ్ విధానాలు, సమాంతర సెషన్లు, సెషన్ పరిమితులను జాబితా చేస్తుంది.