Grok Voice 3.0

Grok Voice 3.0 — голосовая модель SpaceXAI класса «речь в речь»: она слушает собеседника и сразу отвечает ему голосом, в реальном времени. Лаборатория обещает задержку ответа меньше секунды. Через API модель встраивают в голосовых агентов. Так называют программы, которые сами ведут разговор и по ходу выполняют действия: ищут в интернете, вызывают внешние функции. Когда человек закончил фразу, определяет сервер, а голос можно выбрать из большого набора готовых.

От Grok Voice 2.0, вышедшей летом, третья версия отличается прежде всего качеством разговора. По замерам лаборатории, в индексе Speech-to-Speech Index от Artificial Analysis она набрала 86,9 балла против 81,3 у предшественницы и заняла первое место. В Full Duplex Bench проверяют, насколько естественно модель выдерживает паузы, очерёдность реплик и перебивания. Там результат вырос с 95,1 до 97%. В τ-Voice, где модель решает задачи службы поддержки и пользуется инструментами, она довела до конца 71,6% сценариев. Компания заявляет, что задержка при этом на 40% ниже, чем у GPT-Live-1 от OpenAI.

Главные сценарии — телефонная поддержка и продажи, а также голосовые помощники. SpaceXAI приводит свои примеры: в машинах Tesla модель ведёт миллионы разговоров в день, а колл-центры Starlink, по данным компании, решают около 70% звонков без участия человека. Цена минуты разговора осталась той же, что у версии 2.0, а саму версию 2.0 лаборатория объявила устаревшей. Некоторые разработчики подключались не к конкретной версии, а к постоянной ссылке на последнюю голосовую модель. Они получили Grok Voice 3.0 автоматически, и менять код им не пришлось.

Это модель именно для живого разговора. Для расшифровки записей в текст у лаборатории есть отдельная Grok Voice Transcribe 2.0, для текстовых задач и программирования — линейка Grok 4. Все цифры выше SpaceXAI приводит в своём анонсе. Даже по ним почти три сценария из десяти в τ-Voice модель не доводит до успешного конца.

источники:Анонс Grok Voice 3.0 ↗Заметки о выпуске в документации ↗Документация голосового API ↗