Grok Voice 3.0 заняла первое место в рейтинге голосовых моделей
Компания xAI 14 октября представила Grok Voice 3.0 — голосовую модель, которая принимает речь и отвечает непосредственно речью, без обязательного промежуточного преобразования аудио в текст. В рейтинге Speech-to-Speech Index от Artificial Analysis она заняла первое место с результатом 86,9 балла.
Стоимость доступа через Voice Agent API не изменилась и составляет 0,08 доллара за минуту, или 4,80 доллара за час разговора. По итогам тестирования Grok Voice 3.0 опередила GPT-Live-1 от OpenAI, набравшую 83,2 балла, и Gemini 3.8 Live от Google с результатом 82,6 балла.
Рост показателей по сравнению с Grok Voice 2.0
Новая версия улучшила результаты сразу по нескольким направлениям. В тесте Big Bench Audio, который оценивает способность рассуждать по голосовому вводу, модель получила 98,5% против 97,2% у предыдущей версии. На Full Duplex Bench, где проверяются очередность реплик и реакция на перебивания, результат вырос с 95,1% до 97,0%.
В Speech Agent Arena, где итоговый рейтинг формируется на основе предпочтений людей, показатель Grok Voice увеличился с 1011 до 1070 единиц Эло. Задержка до первого звука составила менее секунды и оказалась на 40% ниже, чем у GPT-Live-1. При этом xAI не раскрывает архитектуру модели и не приводит точное значение задержки в миллисекундах, ограничиваясь описанием speech-to-speech.
Слабое место — сложные реальные звонки
На бенчмарке τ-Voice, имитирующем обращения в службу поддержки с акцентами, фоновым шумом и перебиваниями, Grok Voice 3.0 набрала 71,6%. Это заметный рост по сравнению с 56,5% у Grok Voice 2.0, однако GPT-Live-1 показала 74,5%. Gemini 3.8 Live получила 68,6%.
Таким образом, Grok Voice 3.0 лидирует по совокупности показателей, скорости и стоимости, но в наиболее сложных и шумных сценариях OpenAI пока демонстрирует более стабильный результат. Заявление xAI о сопоставимой точности не отменяет разницы, зафиксированной в этом тесте.
Стоимость и результаты внедрения
По данным Artificial Analysis, выполнение одной задачи из Big Bench Audio с помощью Grok Voice 3.0 обходится примерно в 0,025 доллара. Для GPT-Live-1 этот показатель составляет 0,030 доллара, а для GPT-Realtime-2.1 — 0,055 доллара.
xAI также приводит данные об использовании модели в колл-центрах Starlink: система обрабатывает около 20 000 звонков в день, примерно 70% обращений закрываются без участия человека, а каждый четвёртый продающий звонок завершается покупкой. Поскольку Starlink входит в бизнес-структуру Илона Маска, эти показатели следует рассматривать как внутренний пример внедрения, а не независимую оценку.
Дополнительную проверку модель прошла в EVA-Bench от ServiceNow — тесте голосовых агентов на более чем 200 корпоративных сценариях. Grok Voice 3.0 показала 74% точности, что стало лучшим опубликованным результатом этого бенчмарка. Представитель ServiceNow Нитин Аггарвал заявил, что модель улучшает компромисс между точностью и качеством обслуживания.
Выход Grok Voice 3.0 показывает, что рынок нативных speech-to-speech-моделей становится всё более конкурентным: решения xAI, OpenAI и Google идут близко друг к другу. Поэтому компаниям стоит сравнивать модели на собственных записях звонков, уделяя особое внимание тестам с шумом, перебиваниями и сложными диалогами. Пользователям, которые уже работают с алиасом grok-voice-latest, следует провести регрессионные проверки: переход на новую версию происходит автоматически.
