Vad som släpptes
xAI släppte Grok Voice 3.0 på tisdagen och kallar den världens mest intelligenta tal-till-tal-modell. Den finns nu i bolagets Voice Agent API för 0,08 dollar per minut, eller 4,80 dollar i timmen — samma pris som Grok Voice 2.0 — och agenter som pekar på grok-voice-latest byttes över automatiskt utan några ändringar.
Den egenskap som lyfts fram är fördröjningen. xAI uppger att tiden till första ljud är under en sekund, och omkring 40 procent lägre än GPT-Live-1 enligt bolagets eget diagram.
Resultattabellen, läst noga
xAI redovisar 86,9 på Artificial Analysis Speech-to-Speech Index, vilket bolaget uppger är förstaplats, mot 83,2 för GPT-Live-1, 82,6 för Gemini 3.8 Live och 81,3 för bolagets egen föregående version. Vidare listas 98,5 procent på Big Bench Audio för resonemang i tal, 1 070 i Elo på Speech Agent Arena, 94,8 procents lösta uppgifter, 97,0 procent på Full Duplex Bench och 74 procent på ServiceNows EVA-Bench. Samtliga siffror publiceras av xAI: det är leverantörens redogörelse för sin egen modell.
Den intressanta raden är τ-Voice, som mäter supportsamtal. xAI redovisar 71,6 procent och beskriver det som jämförbart med GPT-Live-1 — vars resultat i samma diagram är 74,5 procent. På det enda test som ligger närmast den kommersiella användning xAI säljer ligger bolagets modell efter, och företaget publicerade det i stället för att utelämna det.
I kostnad per uppgift på Big Bench Audio sätter xAI Grok Voice 3.0 till 0,025 dollar mot 0,030 för GPT-Live-1 och 0,055 för GPT-Realtime-2.1.
Var den redan används
xAI uppger att modellen används i Teslas bilar för miljontals samtal om dagen och driver Grok Bots röstläge, och att den hanterar omkring 20 000 kundsamtal dagligen på flera språk i Starlinks kundtjänst, där ungefär 70 procent löses utan människa och ungefär vart fjärde säljsamtal slutar i ett köp. Det är driftsiffror som bolaget själv redovisar om verksamheter i samma ägarkrets, och ingen oberoende granskning av dem har publicerats.
Att hålla ögonen på
Artificial Analysis förvaltar indexet xAI leder med, så den första oberoende bekräftelsen av 86,9 är en fråga om att vänta på förvaltaren snarare än att gissa. Det andra att följa är om ett oförändrat pris mellan generationer blir mönstret inom röst, där minutdebitering gör en prissänkning svårare att dölja än tokendebitering.
