يتصدر Grok Voice 3.0 مؤشر Speech to Speech بنتيجة 86.9 — ويتنازل عن الرقم القياسي في زمن التأخير

الرقم الذي سيقتبسه الجميع هو 86.9. وهذا هو الموضع الذي Grok Voice 3.0 حلّ فيه على مؤشر التحويل من الكلام إلى الكلام من Artificial Analysis عندما أُعيد تشغيل لوحة الصدارة في 13 أكتوبر 2026، بفارق خمس نقاط ونصف عن النموذج الذي يحلّ محلّه، Grok Voice 2.0، الذي كان عند 81.3. كما أنه متقدّم على GPT-Live-1 في تهيئته Astra المتوسطة عند 83.2 وGemini 3.8 Live Extended Thinking عند 82.6، مما يجعله أول نموذج صوتي من xAI يحتفظ بالصف الأول بمفرده بدلًا من أن يشارك في المطالبة به. أعلنت SpaceXAI عنه في 14 أكتوبر، في اليوم نفسه الذي تغيّرت فيه ملاحظات إصدار API، وبالسعر نفسه لكل دقيقة مثل النموذج الذي تُحيله إلى التقاعد.

الرقم الذي لن يقتبسه أحد، لأن xAI لم تضعه في العنوان الرئيسي، هو 0.70. هذا هو زمن Grok Voice 2.0 حتى أول صوت بالثواني، وهو أسرع من 0.81 لدى Grok Voice 3.0. الشركة التي أمضت عامًا تبيع تناوب الحديث في أقل من ثانية تطرح الآن طرازًا رائدًا يبدأ التحدث متأخرًا بـ0.11 ثانية عن طرازها السابق. لا يزال أسرع بنحو 40% في الانطلاق من تكوين GPT-Live-1 الذي قاسته Artificial Analysis عند 1.34 ثانية، لذا يظل الادعاء التسويقي صامدًا عند قراءة مباشرة. غير أنه لا يصمد عند المقارنة بالإصدار السابق.

ما الذي شُحن فعليًا، وما هي تكلفته

Grok Voice 3.0 هو نموذج تحويل الكلام إلى كلام يُقدَّم عبر نفس نقطة نهاية WebSocket في الزمن الحقيقي التي كان يستخدمها سابقه، مع نفس معاملات الجلسة ونفس أسماء الأحداث. لا توجد حزمة تطوير برمجيات (SDK) جديدة ولا وثيقة ترحيل، لأنه لا يوجد شيء لترحيله. تغيّرت سلسلة النموذج وتغيّر السلوك الكامن خلفه.

• السعر — 0.08 دولار لكل دقيقة من الصوت، أو 4.80 دولار لكل ساعة، بالإضافة إلى 0.004 دولار لكل إدخال نصي. مطابق لـ Grok Voice 2.0. هذا تحديث للقدرات بسعر ثابت، وليس إعادة تسعير.

• سلوك الاسم المستعار — يُحلّ grok-voice-latest الآن إلى grok-voice-3.0. أي شخص نشر باستخدام الاسم المستعار نُقل تلقائيًا إلى النموذج الجديد، دون تغيير في التعليمات البرمجية ودون تثبيت إصدار.

• إهمال — grok-voice-2.0 مُعلَّم باعتباره مهمَلًا. مسار الترقية الذي توثّقه xAI هو تعيين حقل model إلى grok-voice-3.0 أو إبقاء الاسم المستعار كما هو.

• نقطة النهاية والمصادقة — دون تغيير. نفس عنوان URL للزمن الفعلي، ونفس مصافحة رمز Bearer، ونفس الرموز العابرة قصيرة العمر لاتصالات جانب العميل.

• الأصوات — مجموعة الأصوات المضمّنة ونقطة نهاية الأصوات المخصصة لم تتغيرا؛ تُدرَّب الأصوات المخصصة من مقطع مرجعي يصل طوله إلى 120 ثانية، ويعمل voice_id الناتج عبر realtime API وتحويل النص إلى كلام المتدفق.

تلك القائمة الأخيرة هي السبب في أن نقل الاسم المستعار يهم أكثر مما يبدو. لم يصبح Grok Voice 2.0 هدف الاسم المستعار إلا في 5 أغسطس 2026 — أي قبل نحو عشرة أسابيع من هذا الإصدار. الفريق الذي بنى على grok-voice-latest في أغسطس مرّ الآن بتبديلين صامتين للنموذج في ربع سنة واحد، وهي خاصية جيدة لتجربة روبوت دردشة وأقل ملاءمة لنظام هاتفي كُتبت مجموعة اختبارات الانحدار الخاصة به لتتوافق مع توقيت صوت معيّن.

الفهرس، مكوّنًا بمكوّن

المؤشرات المركبة تخفي الحجة، لذا يجدر تفكيك Grok Voice 3.0. كل رقم أدناه مصدره اختبارات Artificial Analysis الخاصة، بتاريخ 13 أكتوبر 2026.

• الاستدلال الكلامي، Big Bench Audio — ‏98.5%، ارتفاعًا من 97.2% في Grok Voice 2.0.

• ديناميكيات المحادثة، Full Duplex Bench — 97.0٪، صعودًا من 95.1٪.

• تفضيل Speech Agent Arena — إيلو 1070، ارتفاعًا من 1011، وهو الأعلى في القائمة.

• نجاح المهام — 94.8%، ارتفاعًا من 94.6%. وهذه أصغر حركة بين الخمسة، ويجدر ملاحظته على هذا النحو: فعلى مستوى إنجاز المهام الخام، فإن النموذجين — في حدود القياس — هما النموذج نفسه.

• الأداء الوكيلي، τ-Voice — 71.6%، ارتفاعًا من 56.5%. هذه أكبر نقلة منفردة في هذا الإصدار، قفزة بمقدار 15 نقطة في المكوّن الوحيد الذي يقيس ما إذا كان الوكيل قادرًا فعليًا على إتمام مهمة متعددة الأدوار، لا مجرد أن يبدو كفؤًا وهو يفعلها.

• زمن الوصول إلى أول صوت — 0.81 ثانية، مقابل 0.70 لـ Grok Voice 2.0.

قراءة هذه معًا تحكي قصة أكثر فائدة مما يفعله المؤشر المركّب. زيادة المؤشر البالغة 5.6 نقاط ليست موزعة بالتساوي: كلها تقريبًا في الأداء الوكيلي وتفضيل الساحة، مع ارتفاع طفيف في الاستدلال والتعامل ثنائي الاتجاه، وثبات في نجاح المهام الخام. Grok Voice 3.0 وكيل أفضل، وليس محاورًا أفضل. إذا كان منتجك الصوتي خط دعم يحجز المواعيد ويتحقق من حالة الطلب، فهذا بالضبط الفارق الذي تريده. وإذا كان رفيقًا أو واجهة أمامية لتقمّص الأدوار، فإن زيادة المؤشر غير ذات أهمية إلى حد كبير، وقد دفعت ثمنها عقوبة في زمن الاستجابة.

الاختبار الوحيد الذي لا يكون فيه القائد هو القائد

τ-Voice هو المكوّن الذي ينبغي أن تتحدث عنه xAI، وهو المكوّن الذي لا تزال متأخرة فيه. عند 71.6%، سجّل Grok Voice 3.0 ارتفاعًا هائلًا مقارنةً بـ56.5% التي حققها سابقه — ولا يزال خلف GPT-Live-1 المهيّأ مع Astra على الاستدلال المتوسط، الذي تضعه Artificial Analysis عند 74.5%. ويستقر Gemini 3.8 Live عند 68.6% في الاختبار نفسه.

إذن، شكل الفئة بعد هذا الإصدار هو: xAI تمتلك المركّب والساحة؛ OpenAI تمتلك اختبار إكمال المهام الوكيلية؛ Google لا تمتلك أيًا منهما وهي أرخص من الاثنتين. لا تتعارض أي من هذه العبارات الثلاث مع الأخرى، وأي مقال يذكر الأولى فقط إنما يقدّم ترتيبًا لا نتيجة.

يدّعي المورّد أنه لا توجد لوحة تغطي

تأتي مزاعم الأداء مصحوبة بطبقة ثانية من الأرقام لا تقيسها Artificial Analysis ولا تستطيع قياسها، لأنها تصف حركة الإنتاج داخل منتجات شركة واحدة نفسها. هذه أرقام xAI، أبلغت عنها xAI، دون توفر أي تحقق مستقل، ولا يُرجَّح توفره:

• تسلا — يُقال إنّ Grok Voice تشغّل ملايين المحادثات يوميًا داخل المركبات، وتتولّى إجراءات التقويم والبريد الإلكتروني عبر الموصلات، وطلب الطعام عبر الوضع الصوتي في Grok Bot.

• دعم Starlink — 20,000 مكالمة عملاء يوميًا بعدة لغات، إذ يُحل نحو 70% منها دون تدخل بشري، وتنتهي نحو واحدة من كل أربع مكالمات بيعية بعملية شراء. ويوصَف الوكيل نفسه بأنه يتعامل مع التحقق من الهوية، واستكشاف مشكلات الأجهزة وإصلاحها، وأرصدة الحسابات، وشحنات الاستبدال في مسار واحد.

• ServiceNow EVA-Bench — رقم دقة مُقرّب بنسبة 74%، ويُشار إليه باعتباره الأعلى في ذلك المقياس، والأفضل عند تقييم الدقة وتجربة العملاء معًا. يغطي EVA-Bench خدمة العملاء عبر 15 أداة و50 سيناريو، وإدارة خدمات تقنية المعلومات عبر 59 أداة و80 سيناريو، والموارد البشرية عبر 47 أداة و83 سيناريو.

تعامل مع الأولين كوصفٍ للنية لا كدليل. فهما أقوى دليل ممكن على أن نموذجًا صوتيًا ناجح — فشركة تمرّر مكالمات إيراداتها عبره لديها مصلحة مباشرة في الأمر — وأضعف دليل ممكن للقارئ في الوقت نفسه، لأن أياً منهما لا يمكن تدقيقه من الخارج، ولا يفصل النموذج عن التوجيهات النصية وسياسة الاسترجاع والتصعيد الملتفّة حوله. ورقم الاحتواء البالغ 70% على وجه الخصوص رقم على مستوى النظام يرتدي زيًّا على مستوى النموذج.

ماذا يخبرك سعر لم يتحرك

إن الإبقاء على السعر عند 0.08 دولار للدقيقة هو أكثر ما يثير الاهتمام استراتيجيًا في هذا الإصدار. التفسير الواضح هو الضغط التنافسي: فقد أمضت Google العام وهي تضع Gemini Live كالخيار الرخيص في هذه الفئة، كما كان الجيل السابق من خط xAI الصوتي قد استوعب بالفعل زيادة سعرية بنسبة 60% عندما انتقل خط Think Fast من 3.00 دولارات إلى 4.80 دولارات في الساعة. ولم يكن رفع سعر الطراز الرائد مرة أخرى خيارًا متاحًا.

الأثر من الدرجة الثانية يقع على كل من يقوم بنمذجة التكلفة. قياس Artificial Analysis لكل مهمة يضع Grok Voice 3.0 عند 0.025 دولار لإكمال مهمة Big Bench Audio، مقابل 0.030 دولار لـ GPT-Live-1 Astra medium و0.055 دولار لـ GPT-Realtime-2.1 High. أن يكون أرخص لكل مهمة وأكثر دقة لكل مهمة هو المزيج الذي ينهي جدالات المشتريات، وهي المرة الأولى في هذه الفئة التي يجمع فيها نموذج واحد بين الطرفين.

إن موقع طبقة التوجيه في هذه الصورة أضيق مما يبدو، ويحسن أن نكون دقيقين. لا يقدّم OrcaRouter نقطة نهاية Grok Voice 3.0 للزمن الحقيقي — فهي تأتي من واجهة xAI API الخاصة بها، وكذلك النظير الخاص بـ Gemini Live وGPT-Live-1. أما ما نشغّله فعلاً فهو الجانب النصي: أكثر من 200 نموذج لغوي خلف مفتاح واحد بسعر قائمة المزوّد وبهامش ربح صفر، وهنا تحديداً حيث توجد عادةً عمليات تنظيف النص المنسوخ، والتلخيص بعد المكالمة، وتصنيف النص المنسوخ إلى رمز مآل، ومنطق استدعاء الأدوات الذي يفوّضه نموذج الصوت. هذه نماذج عادية تُحاسَب حسب الطلب، وهي بالضبط عبء العمل الذي وُجد الموجّه من أجله، ولأن سعر القائمة يمرّ دون تغيير، فإن أي تخفيض سعري من أحد المزوّدين على أي منها يصبح ساريًا من جانبنا في اليوم نفسه بدلاً من عند تجديدك التالي.

ما الذي لا يزال غير مُقاس؟

ثلاثة أشياء، وهي ما ينبغي أن يقرر ما إذا كنت ستتحرك الآن أم تثبّت.

الأول هو استقرار الجلسات الطويلة. كل رقم أعلاه يأتي من تفاعلات قصيرة ومُقيَّمة. لا شيء منشور يغطي ما تفعله مكالمة مدتها 20 دقيقة بمعدلات الخطأ، ونمط الفشل المثير للاهتمام في نموذج ثنائي الاتجاه — الانحراف المتراكم، أو سياسة تناوب أدوار تتدهور عند المقاطعة — لا يظهر إلا على مدى دقائق، لا أدوار.

الثاني هو ادعاء القناة المشوّشة. تم التسويق للجيل السابق من xAI استنادًا إلى معدل خطأ الكلمات في ظروف الاتصال الهاتفي، وهذا هو الادعاء الأكثر قابلية للتكذيب في عملية الإطلاق بأكملها. يستطيع أي شخص يملك مجموعة تسجيلات مكالمات وفترة بعد ظهر أن يتحقق منه.

الثالث هو ما إذا كان رقم الـ0.81 ثانية يصمد تحت الحمل. يُقاس الزمن حتى أول صوت على نظام هادئ. أما بيئة الإنتاج فليست نظامًا هادئًا.

إلى أن تُطرح تلك، فالخلاصة الصادقة عن Grok Voice 3.0 هي هذه: إنه أفضل نموذج صوتي على اللوحة العامة بفارق حقيقي لكنه محصور في بُعد واحد، وتكلفته مماثلة لتكلفة النموذج الذي يحل محله، وهو أبطأ في بدء التحدث من ذلك النموذج، وقد نقل كل نشر موجود لـ grok-voice-latest إلى نفسه دون استئذان. الثلاثة الأولى أسباب لتجربته. والرابع سبب لوجود تثبيت إصدار في إعداداتك قبل أن تفعل ذلك.

يُعدّ إصدار نموذج صوتي أيضًا اللحظة المناسبة لتفقّد ما وقع من أخطاء سابقًا: فحوادث الذكاء الاصطناعي الموثّقة وإخفاقات الوكلاء المتعلقة بنماذج من هذه الفئة تُجمع في OrcaRouter AI Incident Archive، حيث يحمل كل مُدخل مصادره الخاصة ودرجة خطورته وتصنيف ثقته وعلامة كونه محل خلاف.