xAI выпустила Grok Voice 3.0: модель возглавила рейтинг голосовых ИИ

Компания xAI 14 октября представила Grok Voice 3.0 — модель, которая принимает голосовой ввод и отвечает речью без промежуточного преобразования запроса в текст. В независимом рейтинге Speech-to-Speech Index от Artificial Analysis она получила 86,9 балла и заняла первое место.

‹›

Стоимость использования через Voice Agent API не изменилась и составляет 0,08 доллара за минуту, или 4,80 доллара за час разговора. Предыдущая версия набрала в том же индексе 81,3 балла. Ближайшими конкурентами стали GPT-Live-1 от OpenAI с результатом 83,2 балла и Gemini 3.8 Live от Google, получившая 82,6.

Результаты тестов и задержка

Улучшения Grok Voice 3.0 распределились по нескольким направлениям. В Big Bench Audio, где оценивается способность рассуждать по голосовому вводу, модель набрала 98,5% против 97,2% у прошлой версии. В Full Duplex Bench, проверяющем порядок реплик и реакцию на перебивания, результат вырос с 95,1% до 97,0%.

Рейтинг Эло в Speech Agent Arena, основанный на предпочтениях людей, увеличился с 1011 до 1070. По заявлению xAI, задержка до первого звука стала на 40% ниже, чем у GPT-Live-1, и составляет менее секунды. Точных значений в миллисекундах компания не раскрыла, как и детали архитектуры, ограничившись описанием модели как speech-to-speech-системы.

В тесте реальных звонков в поддержку τ-Voice, который учитывает акценты, шум и перебивания, Grok Voice 3.0 получила 71,6%. Это заметный рост по сравнению с предыдущей версией, набравшей 56,5%, однако результат оказался ниже GPT-Live-1 с 74,5%. Gemini 3.8 Live показала 68,6%. Таким образом, в наиболее сложном и шумном сценарии решение OpenAI пока выглядит надежнее.

При этом Grok Voice 3.0 оказалась дешевле конкурентов в расчете на одну задачу Big Bench Audio. По данным Artificial Analysis, стоимость составила 0,025 доллара против 0,030 доллара у GPT-Live-1 и 0,055 доллара у GPT-Realtime-2.1.

Применение в колл-центрах

В качестве примера внедрения xAI приводит колл-центры Starlink. По данным компании, модель обрабатывает около 20 000 звонков в день, примерно 70% обращений закрываются без участия оператора, а каждый четвертый продающий звонок заканчивается покупкой. Поскольку Starlink входит в бизнес-империю Илона Маска, эти показатели стоит воспринимать как внутреннюю демонстрацию возможностей, а не как независимый аудит.

Внешняя оценка доступна в EVA-Bench от ServiceNow — бенчмарке для голосовых агентов, включающем более 200 корпоративных сценариев. Grok Voice 3.0 показала там 74% точности, что стало лучшим опубликованным результатом. Представитель ServiceNow Нитин Аггарвал заявил, что модель задает новую границу Парето по сочетанию точности и качества обслуживания.

Агенты, использующие алиас grok-voice-latest, автоматически переключились на новую версию. Пользователям, которые уже применяют модель в рабочих процессах, xAI фактически оставила необходимость самостоятельно проверить совместимость и провести регрессионное тестирование.

Рынок нативных speech-to-speech-моделей становится все более конкурентным: три крупнейших решения показывают близкие результаты, но сильны в разных сценариях. Поэтому при выборе системы для бизнеса имеет смысл тестировать ее на собственных записях звонков и уделять больше внимания показателям τ-Voice и Full Duplex Bench, чем единому сводному индексу.