Sakhanda Wire
NVDA $221.30 -3.16% MSFT $533.69 -1.80% GOOGL $347.64 -1.74% META $737.54 -3.27% AMZN $254.08 -1.74%
← До новин

Зустрічайте Grok Voice 3.0: модель голосового агента SpaceXAI посіла перше місце в Artificial Analysis

SpaceXAI щойно випустила Grok Voice 3.0. Grok Voice 3.0 — це модель SpaceXAI для перетворення мовлення на мовлення, яка слухає, міркує, викликає інструменти та говорить. Тепер вона посідає перше місце в індексі Speech-to-Speech від Artificial Analysis із результатом 86.9. Для розробників кінцева точка, події та ціна $0.08 за хвилину не змінилися порівняно з Grok Voice 2.0.

Коротко

  • Працює на: лише розміщеному сервісі SpaceXAI Voice Agent API. Відкритих ваг, локальних або квантизованих версій немає.
  • Продуктивність: найвищий бал в індексі серед усіх моделей, які наразі оцінює Artificial Analysis.
  • Найкращий результат: 86.9 в індексі AA Speech-to-Speech, 1-ше місце.
  • Найгірший результат: 71.6% у τ-Voice, позаду GPT-Live-1 (Astra, medium) із результатом 74.5%.
  • Підсумок:
    • Найкраще: найвищий сукупний бал за часу до першого аудіо 0.81 с.
    • Найгірше: не лідирує за розв’язанням агентських завдань або суто мовленнєвим міркуванням.

Що таке Grok Voice 3.0?

Grok Voice 3.0 — флагманська голосова модель SpaceXAI для роботи в реальному часі, доступна як grok-voice-3.0 через /v1/realtime кінцеву точку WebSocket. Псевдонім grok-voice-latest уже вказує на неї, тому наявні агенти перемкнулися автоматично.

SpaceXAI не оприлюднила кількість параметрів або подробиці архітектури. Міркування за замовчуванням увімкнене (reasoning.effort: "high") і може бути встановлене на "none" для швидших відповідей. Виявлення голосової активності на стороні сервера обробляє переривання. Інструменти працюють у межах сесії: пошук у колекціях, вебпошук, пошук у X, віддалені MCP-сервери та власні функції.

Як Grok Voice 3.0 показує себе в тестах?

Індекс AA Speech-to-Speech — це середнє значення з однаковими вагами 4 компонентів. Це міркування Big Bench Audio, агентська продуктивність τ-Voice, оцінка переваг Speech Agent Arena та рівень успішного виконання завдань.

Grok Voice 3.0 набирає 86.9. GPT-Live-1 (Astra, medium) набирає 83.2, Gemini 3.8 Live Extended Thinking — 82.6. Grok Voice 2.0 набрала 81.3.

Результати за компонентами сильні, але не всюди найкращі:

  • Big Bench Audio: 98.5%, 4-те місце. Лідирує StepAudio 3 Realtime із результатом 99.7%.
  • Full Duplex Bench: 97.0%, 4-те місце. Лідирує StepAudio 3 Realtime із результатом 98.9%.
  • Рівень успішного виконання завдань: 94.8%, порівняно з 94.6% у Grok Voice 2.0.
  • Speech Agent Arena Elo: 1070, найвищий показник серед 4 моделей, порівняних тут.
  • τ-Voice: 71.6%, порівняно з 56.5%, але нижче за GPT-Live-1 (Astra, medium) із результатом 74.5%.

EVA-Bench від ServiceNow оцінює корпоративних голосових агентів за точністю та якістю взаємодії. SpaceXAI повідомляє про найвищий результат точності на рівні 74%.

Чи є Grok Voice 3.0 швидкою та недорогою?

Artificial Analysis вимірює час до першого аудіо на рівні 0.81 с. Для GPT-Live-1 (Astra, medium) цей показник становить 1.34 с, тож заява SpaceXAI про «на 40% меншу затримку» підтверджується. Однак Grok Voice 2.0 була швидшою — 0.70 с.

Щодо вартості SpaceXAI посилається на ціну за завдання Big Bench Audio за даними Artificial Analysis. Grok Voice 3.0 коштує $0.025 за завдання, порівняно з $0.030 у GPT-Live-1 (Astra, medium) і $0.055 у GPT-Realtime-2.1 (High). За вартістю години вхідного аудіо за даними AA Gemini 3.8 Live Extended Thinking дешевша: $3.50 проти $4.80.

Публічні ціни не можна безпосередньо порівнювати. GPT-Live-1 коштує $0.05 за хвилину, але використання бекенд-моделі та інструментів оплачується окремо. Gemini 3.8 Live стягує плату за аудіо похвилинно, а також за текстові токени.

Назад</button><button class="btn" id="gvNext">Далі ▶</button><button class="btn" id="gvPlay">Автовідтворення</button></div> </div> <div class="pnl" id="p2"> <div class="chips" id="gvChips"></div> <div id="gvBars"></div> <p class="note" id="gvNote"></p> </div> <div class="pnl" id="p3"> <svg viewBox="0 0 640 330" width="100%" role="img" aria-label="τ-Voice success rate versus time to first audio"> <rect x="0" y="0" width="640" height="330" fill="transparent"/> <g stroke="#2a2a2a"> <line x1="70" y1="30" x2="70" y2="280"/><line x1="70" y1="280" x2="610" y2="280"/> <line x1="70" y1="196.7" x2="610" y2="196.7" stroke-dasharray="3 4"/><line x1="70" y1="113.3" x2="610" y2="113.3" stroke-dasharray="3 4"/> <line x1="70" y1="30" x2="610" y2="30" stroke-dasharray="3 4"/> </g> <g fill="#9a9a9a" font-size="11"> <text x="62" y="284" text-anchor="end">50%</text><text x="62" y="201" text-anchor="end">60%</text><text x="62" y="117" text-anchor="end">70%</text><text x="62" y="34" text-anchor="end">80%</text> <text x="70" y="298" text-anchor="middle">0.5 с</text><text x="205" y="298" text-anchor="middle">0.75 с</text><text x="340" y="298" text-anchor="middle">1.0 с</text><text x="475" y="298" text-anchor="middle">1.25 с</text><text x="610" y="298" text-anchor="middle">1.5 с</text> <text x="340" y="320" text-anchor="middle">Час до першого аудіо (менше — швидше)</text> <text x="16" y="155" text-anchor="middle" transform="rotate(-90 16 155)">Успішність τ-Voice</text> </g> <text x="84" y="50" fill="#ffffff" font-size="12" font-weight="700">↖ краще</text> <g id="gvDots"></g> </svg> <p class="note">Джерело: Artificial Analysis, дані отримано 14 жовтня 2026 року. Grok Voice 3.0 поступається GPT-Live-1 (Astra, medium) на 2.9 бала в τ-Voice, але досягає першого аудіо на 0.53 с швидше.</p> </div> <div class="pnl" id="p4"> <div class="kv"> <div class="k"><b>$0.08/хв</b><span>$4.80/год, стільки ж, як у Grok Voice 2.0</span></div> <div class="k"><b>0.81 с</b><span>час до першого аудіо (AA)</span></div> <div class="k"><b>28</b><span>вбудованих голосів, а також клонування</span></div> <div class="k"><b>20</b><span>заявлених локалей, визначаються автоматично</span></div> <div class="k"><b>5</b><span>типів інструментів: файли, веб, X, MCP, функції</span></div> <div class="k"><b>SIP</b><span>маршрутизація телефонних дзвінків і контакт-центрів</span></div> </div> <pre><code>wss://api.x.ai/v1/realtime?model=grok-voice-3.0 {"type": "session.update", "session": { "voice": "eve", "reasoning": {"effort": "high"}, "turn_detection": {"type": "server_vad"}, "tools": [{"type": "web_search"}] }}</code></pre> <p class="note">Псевдонім <code>grok-voice-latest</code> уже вказує на <code>grok-voice-3.0</code>. У робочому середовищі закріпіть версійну назву. Grok Voice 2.0 застаріла.</p> </div> <div class="ft"><span>Дані: <a href="https://x.ai/news/grok-voice-3" target="_blank" rel="noopener">SpaceXAI</a>, <a href="https://artificialanalysis.ai/speech-to-speech" target="_blank" rel="noopener">Artificial Analysis</a>, <a href="https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech" target="_blank" rel="noopener">документація SpaceXAI</a></span><span class="brand">© Marktechpost</span></div> </div> <script> (function(){ var R=document.getElementById('mtp-gv3'); function post(){try{parent.postMessage({mtpEmbed:'gv3',height:R.offsetHeight+40},'*')}catch(e){}} R.querySelectorAll('.tab').forEach(function(t){t.addEventListener('click',function(){ R.querySelectorAll('.tab').forEach(function(x){x.classList.remove('on')}); R.querySelectorAll('.pnl').forEach(function(x){x.classList.remove('on')}); t.classList.add('on');document.getElementById(t.dataset.p).classList.add('on'); if(t.dataset.p==='p2')drawBars();if(t.dataset.p==='p3')drawDots();setTimeout(post,60);});}); /* хвиля */ var w=document.getElementById('gvWave');for(var i=0;i<48;i++){var b=document.createElement('i');b.style.animationDelay=(i*0.045)+'s';w.appendChild(b);} /* конвеєр */ var S=[ ['Абонент говорить','Аудіо передається через WebSocket (або SIP для телефонних дзвінків) як PCM із частотою від 8 до 48 кГц, G.711 або Opus.'], ['Виявлення репліки','Виявлення голосової активності на стороні сервера визначає, коли абонент завершив розмову, і обробляє переривання, коли він перебиває.'], ['Міркування','Міркування за замовчуванням увімкнене, а reasoning.effort встановлено на "high". Встановіть "none" для швидших і простіших реплік.'], ['Інструменти','Агент може під час дзвінка викликати пошук у колекціях, вебпошук, пошук у X, віддалені MCP-сервери та власні функції.'], ['Передавання відповіді','Фрагменти аудіо передаються одразу після готовності. Artificial Analysis вимірює 0.81 с до першого аудіо.']]; var F=document.getElementById('gvFlow'),cur=0,timer=null; S.forEach(function(s,i){var b=document.createElement('button');b.className='st';b.innerHTML='<div class="n">КРОК '+(i+1)+'</div><div class="t">'+s[0]+'</div>'; b.addEventListener('click',function(){stop();show(i)});F.appendChild(b);}); function show(i){cur=(i+S.length)%S.length;F.querySelectorAll('.st').forEach(function(x,j){x.classList.toggle('on',j===cur)}); document.getElementById('gvDt').textContent=S[cur][0];document.getElementById('gvDp').textContent=S[cur][1];} function stop(){if(timer){clearInterval(timer);timer=null;document.getElementById('gvPlay').textContent='Автовідтворення';}} document.getElementById('gvPrev').onclick=function(){stop();show(cur-1)}; document.getElementById('gvNext').onclick=function(){stop();show(cur+1)}; document.getElementById('gvPlay').onclick=function(){if(timer){stop();return}this.textContent='Пауза';timer=setInterval(function(){show(cur+1)},2200)}; show(0); /* стовпчики */ var M=['Grok Voice 3.0','Grok Voice 2.0','GPT-Live-1 (Astra, medium)','Gemini 3.8 Live Ext. Thinking']; var B={ 'Індекс AA':{v:[86.9,81.3,83.2,82.6],max:100,f:function(x){return x.toFixed(1)},n:'Середнє значення з однаковими вагами для Big Bench Audio, τ-Voice, оцінки Arena та успішності виконання завдань.'}, 'Big Bench Audio':{v:[98.5,97.2,90.1,97.7],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Мовленнєве міркування. Grok Voice 3.0 посідає 4-те місце загалом; StepAudio 3 Realtime лідирує із результатом 99.7%.'}, 'τ-Voice':{v:[71.6,56.5,74.5,68.6],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Імітація дзвінків до служби підтримки з інструментами. GPT-Live-1 (Astra, medium) лідирує в цій групі.'}, 'Full Duplex Bench':{v:[97.0,95.1,94.9,91.9],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Паузи, чергування реплік, переривання та сигнали зворотного зв’язку.'}, 'Успішність завдань':{v:[94.8,94.6,87.4,89.1],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Частка розмов, що завершилися правильним фінальним викликом інструменту.'}, 'Elo Arena':{v:[1070,1011,1056,993],max:1100,f:function(x){return String(x)},n:'Рейтинг Elo у Live Speech Agent Arena за даними Artificial Analysis. Вищий показник означає більшу перевагу.'}, 'Час до першого аудіо':{v:[0.81,0.70,1.34,1.35],max:1.5,f:function(x){return x.toFixed(2)+' с'},n:'Менше — швидше. Grok Voice 2.0 була швидшою за 3.0.'}}; var C=document.getElementById('gvChips'),BR=document.getElementById('gvBars'),key='Індекс AA'; Object.keys(B).forEach(function(k){var c=document.createElement('button');c.className='chip'+(k===key?' on':'');c.textContent=k; c.onclick=function(){key=k;C.querySelectorAll('.chip').forEach(function(x){x.classList.toggle('on',x===c)});drawBars()};C.appendChild(c);}); M.forEach(function(m,i){var r=document.createElement('div');r.className='row'; r.innerHTML='<div class="lbl">'+m+'</div><div class="trk"><div class="fill'+(i===0?' me':'')+'"></div></div><div class="val"></div>';BR.appendChild(r);}); function drawBars(){var d=B[key];BR.querySelectorAll('.row').forEach(function(r,i){var f=r.querySelector('.fill');f.style.width='0'; r.querySelector('.val').textContent=d.f(d.v[i]);setTimeout(function(){f.style.width=(d.v[i]/d.max*100)+'%'},40+i*90)}); document.getElementById('gvNote').textContent=d.n+' Джерело: Artificial Analysis / SpaceXAI.';} drawBars(); /* точкова діаграма */ var P=[['Grok Voice 3.0','0.81 с · 71.6%',0.81,71.6,1,'r'],['Grok Voice 2.0','0.70 с · 56.5%',0.70,56.5,0,'r'],['GPT-Live-1 (Astra, medium)','1.34 с · 74.5%',1.34,74.5,0,'l'],['Gemini 3.8 Live Ext. Thinking','1.35 с · 68.6%',1.35,68.6,0,'l']]; var G=document.getElementById('gvDots'),NS='http://www.w3.org/2000/svg'; P.forEach(function(p){var x=70+(p[2]-0.5)*540,y=280-(p[3]-50)/30*250;var g=document.createElementNS(NS,'g');g.setAttribute('class','dot'); var c=document.createElementNS(NS,'circle');c.setAttribute('cx',x);c.setAttribute('cy',y);c.setAttribute('r',p[4]?9:7); c.setAttribute('fill',p[4]?'#ffffff':'#5c5c5c');c.setAttribute('stroke',p[4]?'#ffffff':'#9a9a9a');g.appendChild(c); [[p[0],0,p[4]?'700':'600'],[p[1],15,'500']].forEach(function(L){var t=document.createElementNS(NS,'text'); t.setAttribute('x',p[5]==='r'?x+14:x-14);t.setAttribute('y',y-2+L[1]);t.setAttribute('text-anchor',p[5]==='r'?'start':'end'); t.setAttribute('fill',p[4]?'#ffffff':'#bdbdbd');t.setAttribute('font-size','12');t.setAttribute('font-weight',L[2]);t.textContent=L[0];g.appendChild(t);}); G.appendChild(g);}); function drawDots(){G.querySelectorAll('.dot').forEach(function(g,i){g.style.opacity='0';g.style.transform='translateY(30px)'; setTimeout(function(){g.style.opacity='1';g.style.transform='none'},80+i*150)});} window.addEventListener('load',post);window.addEventListener('resize',post);setTimeout(post,300); })(); </script> </body> </html> ">

Як Grok Voice 3.0 порівнюється з GPT-Live-1 і Gemini 3.8 Live?

ХарактеристикаGrok Voice 3.0Grok Voice 2.0GPT-Live-1 (Astra, medium)Gemini 3.8 Live Extended Thinking
РозробникSpaceXAISpaceXAIOpenAIGoogle
ПараметриНе розкритоНе розкритоНе розкритоНе розкрито
Довжина контекстуНе розкритоНе розкритоНе розкритоНе розкрито
ВагиЗакриті, лише APIЗакриті, застарілаЗакриті, лише APIЗакриті, лише API
Вхідні дані / вихідні даніАудіо, текст / аудіо, текстАудіо, текст / аудіо, текстАудіо, текст / аудіо, текстТекст, зображення, відео, аудіо / аудіо, текст
Індекс AA Speech-to-Speech86.981.383.282.6
Big Bench Audio98.5%97.2%90.1%97.7%
τ-Voice71.6%56.5%74.5%68.6%
Full Duplex Bench97.0%95.1%94.9%91.9%
Рівень успішного виконання завдань94.8%94.6%87.4%89.1%
Arena Elo (AA live)107010111056993
Час до першого аудіо0.81 с0.70 с1.34 с1.35 с
Вартість години вхідного аудіо за AA$4.80$4.80$5.83$3.50
Публічна ціна$0.08/хв$0.08/хв$0.05/хв плюс використання бекенду$0.005/хв за вхідне аудіо, $0.018/хв за вихідне аудіо, плюс текстові токени

Дані тестів: Artificial Analysis, отримано 14 жовтня 2026 року. У блозі SpaceXAI наведено зафіксовані значення Arena Elo: 1048 для GPT-Live-1 і 990 для Gemini.

Як розробники розгортають Grok Voice 3.0?

API сумісний із OpenAI Realtime API, тому міграція здебільшого передбачає лише нову URL-адресу та ключ.

  • Транспорт: WebSocket, демонстраційні застосунки WebRTC і SIP для телефонних дзвінків та контакт-центрів.
  • Аудіо: PCM із частотою від 8 до 48 кГц, G.711 μ-law та A-law, а також Opus.
  • Голоси: 28 вбудованих голосів, а також власні голоси, клоновані з еталонного запису тривалістю до 120 с.
  • Мови: 20 заявлених локалей з автоматичним визначенням мови.
  • Розширення: force_message для запрограмованих реплік, карти вимови replace і відновлення сесії протягом 30 хвилин.
  • Відповідність вимогам: SOC 2 Type II, відповідність HIPAA за наявності BAA та GDPR. SpaceXAI заявляє, що аудіо не зберігається й не використовується для навчання.

Командам, які працюють у робочому середовищі, слід закріпити grok-voice-3.0, а не використовувати псевдонім. Grok Voice 2.0 тепер застаріла.

Основні висновки

  • Grok Voice 3.0 посідає 1-ше місце в індексі AA Speech-to-Speech із результатом 86.9.
  • Вона відповідає за 0.81 с — затримка на 40% менша, ніж у GPT-Live-1 (Astra, medium).
  • Показник τ-Voice зріс до 71.6%, але GPT-Live-1 усе ще лідирує з результатом 74.5%.
  • Ціна залишається на рівні $0.08 за хвилину, а grok-voice-latest оновився автоматично.
  • Модель доступна лише через API: ваги та розмір не розкриті.

Ознайомтеся з офіційним оголошенням, документацією Speech to Speech та таблицею лідерів Artificial Analysis. Усі заслуги належать досліднику цього проєкту. Також підписуйтеся на нас у Twitter і не забудьте приєднатися до нашого сабреддіту про машинне навчання з понад 150 тис. учасників та підписатися на нашу розсилку. Стривайте! Ви є в Telegram? Тепер ви також можете приєднатися до нас у Telegram.

Перекладено автоматично з англійської. Оригінал статті — за посиланням нижче.

Вперше опубліковано виданням MarkTechPost

Читати оригінал на MarkTechPost ↗

Текст і зображення належать MarkTechPost і наводяться тут із зазначенням авторства та посиланням на оригінальну публікацію.

← До новин

Ще новини

Усі останні новини