Markdown ایڈیشن

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

# Grok Voice 3.0 سپورٹ ٹیسٹ میں بہتر، مگر پہلی آڈیو میں تاخیر

> ہوسٹ شدہ Voice Agent API اب Grok Voice 3.0 استعمال کرتی ہے۔ آزاد نقلی سپورٹ اسکور بڑھا ہے، مگر پہلی آڈیو آنے کا وقت بھی بڑھ گیا ہے اور درج شدہ صوتی قیمت کے علاوہ متن کا الگ چارج ہے۔

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 نے 14 اکتوبر کو اپنی ہوسٹ شدہ Voice Agent API کے ذریعے Grok Voice 3.0 جاری کیا۔ کسٹمر سپورٹ کے لیے صوتی ایجنٹ منتخب کرنے والی ٹیم کے لیے [Artificial Analysis کا موجودہ اسپیچ ٹو اسپیچ جدول](https://artificialanalysis.ai/speech-to-speech) نقلی سپورٹ کاموں میں Grok Voice 2.0 کے مقابلے میں 15.1 فیصد پوائنٹس کی بہتری، کام کی کامیابی کے الگ پیمانے میں معمولی تبدیلی، اور پہلی آڈیو کے جواب میں زیادہ تاخیر دکھاتا ہے۔

xAI کے مطابق `grok-voice-latest` عرف اب خودکار طور پر 3.0 کی طرف بھیجتا ہے۔ [موجودہ API گائیڈ](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech) ان ٹیموں کے لیے ورژن والا `grok-voice-3.0` نام بھی دیتی ہے جنہیں ریلیز مقرر رکھنی ہو۔ xAI کے مطابق WebSocket اینڈپوائنٹ، سیشن پیرامیٹرز اور ایونٹس 2.0 جیسے ہی ہیں۔ عرف استعمال کرنے والوں کو ایپلی کیشن منتقل کرنے کی ضرورت نہیں، اگرچہ بدلنے والے عرف کے پیچھے نیا ماڈل آنے پر ایپلی کیشن کے اپنے کال ٹیسٹ دوبارہ چلانے کی وجہ بنتی ہے۔

## بڑی تبدیلی

- **کیا بدلا:** API عرف `grok-voice-latest` کے پیچھے Grok Voice 3.0 نے 2.0 کی جگہ لے لی۔ Artificial Analysis اب اپنے نقلی کسٹمر سپورٹ بینچ مارک میں 71.6% اسکور بتاتا ہے، جو 2.0 کے 56.5% سے زیادہ ہے۔
- **یہ کیوں اہم ہے:** یہ پیمانہ جانچتا ہے کہ پہلے سے لکھے گئے ایئرلائن، ریٹیل اور ٹیلی کام مسائل میں ایجنٹ ڈیٹابیس کی درست حالت تک پہنچتا ہے یا نہیں۔ عام آڈیو استدلال اسکور کی نسبت یہ سپورٹ کے کام کے بہاؤ سے زیادہ متعلق ہے، اگرچہ یہ اب بھی نقل پر مبنی آزمائش ہے۔
- **کس بات پر نظر رکھیں:** اسی جائزہ کار نے 3.0 کے لیے پہلی آڈیو تک 0.81 سیکنڈ اور 2.0 کے لیے 0.70 سیکنڈ ناپے۔ مقررہ ورژن والی تعیناتی بدلنے سے پہلے ٹیموں کو اپنا جوابی وقت، کام کی تکمیل اور قابلِ بل سیشن کی مدت جانچنی چاہیے۔

## سپورٹ اسکور اور جواب کی تاخیر

Artificial Analysis کی [طریقۂ کار کی وضاحت](https://artificialanalysis.ai/methodology/speech-to-speech-benchmarking) میں τ-Voice کو ایسا ٹیسٹ بتایا گیا ہے جس میں نقلی صارف، پالیسی دستاویز اور متعلقہ شعبے کے مخصوص ٹولز رکھنے والے ایجنٹ کو کال کرتا ہے۔ ایئرلائن، ریٹیل اور ٹیلی کام کاموں کے لیے ڈیٹابیس کی متعین آخری حالتیں ہوتی ہیں، اور اسکور تین آزمائشوں کی اوسط ہے۔ موجودہ جدول میں Grok Voice 3.0 کے 71.6% اور Grok Voice 2.0 کے 56.5% ہیں: ان آزمائشی حالات میں 15.1 فیصد پوائنٹس کا اضافہ۔ جائزے میں نقلی صارف، پیدا کردہ گفتار، تحریری نقل اور نمبر دینے والا ماڈل استعمال ہوتے ہیں۔ یہ حقیقی کال کرنے والوں کا وہ تناسب نہیں ناپتا جن کے مسائل تعینات شدہ سروس حل کرتی ہے۔

الگ Speech Agent Arena کام کی کامیابی کا عدد 2.0 کے 94.6% سے 3.0 کے 94.8% تک ہی بڑھتا ہے۔ یہ ان اہل گفتگوؤں کو گنتا ہے جن میں کام مکمل کرنے والی آخری ٹول کالز درست ہوں؛ اس کا ٹیسٹ τ-Voice سے مختلف ہے۔ مجموعی Artificial Analysis انڈیکس 81.3 سے 86.9 ہوجاتا ہے۔ اس کا موجودہ ورژن آڈیو استدلال، τ-Voice، ماڈل کی شناخت بتائے بغیر کال کرنے والوں کی پسند اور Arena میں کام کی کامیابی کو برابر وزن دیتا ہے۔ ان میں سے کوئی ایک عدد تنہا کسٹمر سروس کے ہر کام میں بہتری ثابت نہیں کرتا۔

رفتار کے لیے Artificial Analysis اپنے Big Bench Audio سوالات پر پہلی آڈیو تک اوسط وقت بتاتا ہے۔ Grok Voice 3.0 کو 0.81 سیکنڈ اور 2.0 کو 0.70 سیکنڈ لگتے ہیں۔ اس لیے اس ٹیسٹ میں نئے ماڈل نے بولنا شروع کرنے میں 0.11 سیکنڈ زیادہ لیے، اگرچہ xAI نے [اجراء کے اعلان](https://x.ai/news/grok-voice-3) میں اس کی تاخیر کو ”ایک سیکنڈ سے کم“ کہا ہے۔ پیمائش پہلی آڈیو آؤٹ پٹ پر ختم ہوجاتی ہے؛ یہ پوری کال کی تاخیر یا مسئلہ حل ہونے کے وقت کا پیمانہ نہیں ہے۔

## درج شدہ صوتی قیمت میں کیا شامل ہے

xAI دونوں ورژنوں کی اسپیچ ٹو اسپیچ آڈیو کے لیے $0.08 فی منٹ، یا $4.80 فی گھنٹہ، کی قیمت بتاتا ہے۔ اس کا [ماڈل کی قیمتوں والا صفحہ](https://docs.x.ai/developers/models/speech-to-speech) ہر قابلِ بل `conversation.item.create` ٹیکسٹ ایونٹ کے لیے $0.004 کا اضافہ کرتا ہے۔ ڈیفالٹ `server_vad` باری کی شناخت میں آڈیو میٹر سیشن کی مدت گنتا ہے۔ پش ٹو ٹاک میں بھیجی اور موصول کی گئی آڈیو گنی جاتی ہے۔ اس لیے درج شدہ دورانیے کی شرح پر مسلسل کھلے دس منٹ کے سیشن کا آڈیو چارج $0.80 ہوتا ہے، جس میں الگ بل ہونے والے ٹیکسٹ ایونٹس شامل نہیں ہیں۔ یہ حساب xAI کی شرحوں کی فہرست پر مبنی ہے، BIG CHANGE کے بل یا آزمائی گئی کال پر نہیں۔

ڈیولپرز کو سرور کی طرف WebSocket کنکشن کے لیے xAI API کلید، یا کلائنٹ ایپلی کیشن کے لیے مختصر مدت کا ٹوکن چاہیے۔ [API گائیڈ](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech) میں `wss://api.x.ai/v1/realtime`، `model` کوئری پیرامیٹر، ہدایات، آواز اور باری کی شناخت کے لیے `session.update` ایونٹ، اور جواب میں اسٹریم ہونے والے آڈیو ایونٹس درج ہیں۔ xAI ہر ٹیم کے لیے دس بیک وقت سیشن اور ایک سیشن کی زیادہ سے زیادہ مدت 120 منٹ بتاتا ہے۔ سپورٹ ٹیم کو پھر بھی اپنی پالیسیاں، ٹولز، صارف کے ڈیٹا کی حدود اور معاملہ آگے بھیجنے کا بہاؤ فراہم کرنا ہوگا؛ شائع شدہ بینچ مارک ترتیب یہ ثابت نہیں کرتی کہ وہ مخصوص عمل درآمد کیسا چلے گا۔

xAI یہ بھی بتاتا ہے کہ Starlink، Grok Voice سے روزانہ 20,000 کالیں سنبھالتا ہے اور تقریباً 70% انسان کے بغیر حل کرتا ہے۔ یہ [کمپنی کے بتائے ہوئے عملیاتی اعدادوشمار](https://x.ai/news/grok-voice-3) ہیں؛ Artificial Analysis کے مصنوعی ٹیسٹ ان کی تصدیق نہیں کرتے۔ BIG CHANGE نے ریلیز، API اور بینچ مارک کی دستاویزات دیکھی ہیں۔ ہم نے API استعمال نہیں کی، سپورٹ ایجنٹ کو کال نہیں کی اور جائزہ دوبارہ نہیں دہرایا۔

## ذرائع اور مزید مطالعہ

- [xAI: Grok Voice 3.0 کا تعارف](https://x.ai/news/grok-voice-3)، 14 اکتوبر 2026۔ دستیابی، عرف کی تبدیلی اور کمپنی کے بتائے ہوئے استعمالات کا اعلان کرتا ہے۔
- [Artificial Analysis: اسپیچ ٹو اسپیچ لیڈربورڈ](https://artificialanalysis.ai/speech-to-speech)، 15 اکتوبر 2026 کو دیکھا گیا۔ انڈیکس، τ-Voice، Arena میں کام کی کامیابی اور پہلی آڈیو کے وقت کے لیے 3.0 اور 2.0 کی موجودہ قطاریں؛ جائزے تازہ ہونے پر جدول بدل سکتا ہے۔
- [Artificial Analysis: بینچ مارک کا طریقۂ کار](https://artificialanalysis.ai/methodology/speech-to-speech-benchmarking)، 15 اکتوبر 2026 کو دیکھا گیا۔ انڈیکس، نقلی سپورٹ ٹیسٹ، Arena میں کام کی کامیابی کے پیمانے اور رفتار کے ٹیسٹ کی تعریف کرتا ہے۔
- [xAI: اسپیچ ٹو اسپیچ API گائیڈ](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech)، آخری تازہ کاری 13 اکتوبر 2026۔ ماڈل نام، منتقلی، WebSocket انٹرفیس، توثیق اور سیشن کی ترتیب کی تفصیل دیتی ہے۔
- [xAI: اسپیچ ٹو اسپیچ قیمتیں اور حدود](https://docs.x.ai/developers/models/speech-to-speech)، آخری تازہ کاری 22 ستمبر 2026 اور 15 اکتوبر کو دیکھا گیا۔ آڈیو اور متنی ان پٹ کی شرحیں، پیمائش کے طریقے، بیک وقت استعمال اور سیشن کی حدود بتاتا ہے۔

## Sources

- [Grok Voice 3.0 کا تعارف](https://x.ai/news/grok-voice-3) — ہوسٹ شدہ API کی اصل ریلیز، عرف کی تبدیلی اور کمپنی سے منسوب استعمال کے دعوے۔
- [اسپیچ ٹو اسپیچ AI ماڈل اور فراہم کنندگان کا لیڈربورڈ](https://artificialanalysis.ai/speech-to-speech) — انڈیکس، tau-Voice، Arena میں کام کی کامیابی اور پہلی آڈیو کے وقت کے لیے 3.0 اور 2.0 کی براہِ راست قطاریں؛ قدریں تازہ ہوسکتی ہیں۔
- [اسپیچ ٹو اسپیچ بینچ مارک کا طریقۂ کار](https://artificialanalysis.ai/methodology/speech-to-speech-benchmarking) — انڈیکس v2.0، نقلی سپورٹ بینچ مارک، Arena میں کام کی کامیابی اور TTFA کی تعریفیں۔
- [اسپیچ ٹو اسپیچ API گائیڈ](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech) — عرف، ورژن مقرر کرنا، WebSocket انٹرفیس، توثیق، سیشن پیرامیٹرز اور منتقلی۔
- [اسپیچ ٹو اسپیچ قیمتیں اور استعمال کی شرح کی حدود](https://docs.x.ai/developers/models/speech-to-speech) — 3.0 کی موجودہ آڈیو اور ٹیکسٹ ایونٹ شرحیں، پیمائش کے طریقے اور سیشن کی حدود۔