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.
</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?
| Характеристика | Grok Voice 3.0 | Grok Voice 2.0 | GPT-Live-1 (Astra, medium) | Gemini 3.8 Live Extended Thinking |
|---|---|---|---|---|
| Розробник | SpaceXAI | SpaceXAI | OpenAI | |
| Параметри | Не розкрито | Не розкрито | Не розкрито | Не розкрито |
| Довжина контексту | Не розкрито | Не розкрито | Не розкрито | Не розкрито |
| Ваги | Закриті, лише API | Закриті, застаріла | Закриті, лише API | Закриті, лише API |
| Вхідні дані / вихідні дані | Аудіо, текст / аудіо, текст | Аудіо, текст / аудіо, текст | Аудіо, текст / аудіо, текст | Текст, зображення, відео, аудіо / аудіо, текст |
| Індекс AA Speech-to-Speech | 86.9 | 81.3 | 83.2 | 82.6 |
| Big Bench Audio | 98.5% | 97.2% | 90.1% | 97.7% |
| τ-Voice | 71.6% | 56.5% | 74.5% | 68.6% |
| Full Duplex Bench | 97.0% | 95.1% | 94.9% | 91.9% |
| Рівень успішного виконання завдань | 94.8% | 94.6% | 87.4% | 89.1% |
| Arena Elo (AA live) | 1070 | 1011 | 1056 | 993 |
| Час до першого аудіо | 0.81 с | 0.70 с | 1.34 с | 1.35 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_messageдля запрограмованих реплік, карти вимовиreplaceі 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-latestоновився 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.