Grok Voice 3.0 مقابل GPT-Live-1: فازت xAI بالمؤشر وخسرت الاختبار الذي يهم

نموذجان رائدان يفصل بينهما 3.7 نقاط على مؤشر Speech to Speech الخاص بـ Artificial Analysis، وكلاهما مُهزَمان في المكوّن الوحيد الذي يحدد ما إذا كان وكيل صوتي يستحق النشر.Grok Voice 3.0 يسجّل 86.9 على المؤشر الذي أعلنت عنه SpaceXAI في 14 أكتوبر 2026، مقابل 83.2 لـGPT-Live-1 في تهيئته Astra medium، النسخة التي توجّه إليها وثائق O​penAI نفسها تكامل WebRTC عندما تُفوّض الجلسة الاستدلال إلى نظام خلفي. على τ-Voice — المعيار الخاص بخدمة العملاء الذي يقيس ما إذا كان الوكيل يُنجز فعلاً مهمة متعددة الخطوات — يحقق Grok Voice 3.0 نسبة 71.6% ويحقق GPT-Live-1 Astra medium نسبة 74.5%. النموذج ذو أفضل نتيجة مركّبة في الفئة لا يمتلك المكوّن الذي يرتبط بإنجاز العمل، ولم تنشر O​penAI عنواناً رئيسياً عنه أيضاً.

الأمر الثاني الجدير بالملاحظة هو اتجاه السعر. تتقاضى GPT-Live-1 مبلغ 0.05 دولار لكل دقيقة من الصوت، وتُحتسب بالثانية، أي 3.00 دولارات في الساعة. وتتقاضى Grok Voice 3.0 مبلغ 0.08 دولار لكل دقيقة، أي 4.80 دولارات في الساعة. يكلف الطراز الأحدث 60% أكثر لكل دقيقة من الصوت، وهو الطراز الذي قضى مورّده الربع الأخير من عمر سلفه في استيعاب زيادة في السعر بدلاً من الإعلان عن خفض.

الانقسام المعماري الذي لا يضعه أحد على مخطط المقارنة

لا يُعدّ أيٌّ من هذين نموذجَ كلامٍ يفكّر. فكلاهما طبقتان صوتيتان تفوّضان المهمة، وتصميمَا التفويض ليسا من الطينة نفسها — ولهذا تختلف تكلفة التكامل اختلافًا أكبر بكثير مما يختلف سعر الدقيقة.

يقوم GPT-Live-1 بتسليم العمل عبر حدّ غير متزامن إلى نظام خلفي مُسمّى في إعداد الجلسة. يربط مثال WebRTC المنشور من OpenAI ذلك النظام الخلفي بـ GPT-5.6 Terra عبر Responses API. تُبقي طبقة الصوت المحادثة مستمرة بينما يفكّر النظام الخلفي، ثم تعيد دمج الإجابة عند وصولها. والنتيجة أن نصف الاستدلال هو استدعاء نصي عادي يُحاسب بالتوكنات، تختاره وتُسعّره وتستبدله بشكل مستقل. أما نصف الصوت فغير قابل للنقل إطلاقًا: هناك معرّف نموذج واحد، gpt-live-1، ونقطة نهاية واحدة عند v1/live/sessions، وWebRTC بدلًا من نقل WebSocket الذي بُنيت عليه معظم تكاملات Realtime، ولا مسار عبر Chat Completions أو Responses أو Batch أو نقاط نهاية الضبط الدقيق. تُقاس حدود المعدل بالجلسات المتزامنة — 25 في Tier 1، وترتفع عبر 50 و200 و300 و500 — ما يخبرك بأن OpenAI تعتبر وحدة التوسّع خط هاتف لا طلبًا.

Grok Voice 3.0 أضيق نطاقًا وأرخص في التبنّي. يعمل عبر نفس نقطة نهاية WebSocket في الوقت الفعلي مثل Grok Voice 2.0، بنفس معلمات الجلسة، ونفس أسماء الأحداث، ونفس مصافحة رمز الحامل، كما يمرّ استخدام الأدوات عبر مصفوفة tools في تحديث الجلسة كما كان يفعل سابقًا. لا يوجد ترحيل للنقل. كذلك لا يوجد نمط موثّق لتفويض الخادم الخلفي من النوع الذي ينشره GPT-Live-1، مما يعني أن الاستدلال الذي تحتاجه يجب أن يكون قابلًا للوصول كأداة يستدعيها نموذج الصوت بشكل متزامن بدلًا من أن يكون مهمة خلفية يشرف عليها.

هذا الفرق يحدد مصير عمليات نشر أكثر مما يحدده الفهرس. فريق يستخدم بالفعل واجهة xAI الفورية ينتقل إلى Grok Voice 3.0 بتغيير سلسلة الطراز — أو بعدم فعل أي شيء، لأن grok-voice-latest أصبح الآن يُحلّ إلى هذا الإصدار، وقد نُقلت عمليات نشر الأسماء المستعارة الموجودة تلقائيًا. أما فريق يستخدم نماذج Realtime الأقدم من O​penAI وينتقل إلى GPT-Live-1، فهو يواجه إعادة كتابة النقل بالإضافة إلى إعادة كتابة التفويض.

سطرًا بسطر

كل رقم أدناه هو قياس خاص بـ Artificial Analysis بتاريخ 13 أكتوبر 2026 ما لم يذكر السطر خلاف ذلك.

• مؤشر الكلام إلى الكلام — Grok Voice 3.0 بنتيجة 86.9 مقابل GPT-Live-1 (Astra، medium) بنتيجة 83.2. وهناك أيضًا تهيئة أدنى من GPT-Live-1 قيست عند 80.1 في نسختها Sol منخفضة الجهد، وتعتمد فجوة المؤشر كليًا على أيّهما تقصد.

• الأداء الوكيلي، τ-Voice — GPT-Live-1 Astra medium ‏74.5% مقابل Grok Voice 3.0 ‏71.6%. تتصدّر OpenAI هذه الفئة، وتتصدّرها في المكوّن الذي يتنبأ بما إذا كانت مشكلة المتصل قد حُلّت.

• الاستدلال الكلامي، Big Bench Audio — Grok Voice 3.0 بنسبة 98.5% مقابل GPT-Live-1 Astra medium، الذي يقع في النطاق نفسه. كلاهما قريب بما يكفي من السقف لدرجة أن هذا المحور لم يعد يفصل بين أي منهما.

• تفضيل الساحة — يحتل Grok Voice 3.0 أعلى تقييم Elo على اللوحة عند 1070. ولا يتصدّر GPT-Live-1 الساحة في أي تكوين.

• الزمن حتى أول صوت — Grok Voice 3.0 عند 0.81 ثانية مقابل GPT-Live-1 Astra medium عند 1.34 ثانية. أسرع بنحو 40% في بدء التحدث، وهو الادعاء الأكثر ملموسية بشأن الأداء الذي يقدّمه أيٌّ من المورّدين.

• التكلفة لكل مهمة مكتملة، Big Bench Audio — Grok Voice 3.0 $0.025 مقابل GPT-Live-1 Astra medium $0.030. الجمع بين انخفاض التكلفة والدقة لكل مهمة هو ما ينهي مناقشات المشتريات.

• سعر الدقيقة من الصوت — GPT-Live-1 بسعر $0.05، تُحسب بالثانية، دون تقريب الدقائق الجزئية إلى الأعلى، مع رسم تهيئة جلسة مدته 15 ثانية يُحتسب لصالح المدة اللاحقة بدلًا من إضافته فوقها؛ Grok Voice 3.0 بسعر $0.08 لكل دقيقة بالإضافة إلى $0.004 لكل إدخال نصي.

• الإدخال متعدد الوسائط — يستقبل GPT-Live-1 الصوت والنص، وتُدرج وثائقه الصورة والفيديو كغير مدعومين صراحةً؛ كما أن Grok Voice 3.0 لا يملك أي إرساء بصري أيضاً. لا يمكن لأي من هذين الاثنين الرؤية، ولم ينشر أي من المورّدين موعداً لتغيير ذلك.

• الأصوات — يأتي GPT-Live-1 بـ 12 صوتًا؛ ويحتفظ Grok Voice 3.0 بمجموعة xAI المدمجة ونقطة نهاية الأصوات المخصّصة التي تدرّب صوتًا من مقطع مرجعي يصل إلى 120 ثانية.

الفاتورة، مقابل عبء عمل يمكنك تصوره

عشرة آلاف دقيقة من المحادثة يوميًا على مدى ثلاثين يومًا تساوي 300,000 دقيقة شهريًا.

• GPT-Live-1 — 0.05 دولار لكل دقيقة صوت، أي 15,000 دولار شهرياً على طبقة الصوت وحدها.

• Grok Voice 3.0 — 0.08 دولار لكل دقيقة، أي 24,000 دولار شهريًا، بالإضافة إلى 0.004 دولار لكل إدخال نصي.

كلا الرقمين يمثلان نصف الصوت فقط. تُحتسب استدلالات الواجهة الخلفية في GPT-Live-1، واستدعاءات أدواته، وأي بحث ويب بشكل منفصل بأسعار نموذج الواجهة الخلفية نفسه، وقد تكلف جلسة موجّهة إلى مستدلّ متقدم يبحث في كل دور أكثر في التفويض مما تكلفه في الصوت. تعمل استدعاءات الأدوات المتزامنة في Grok Voice 3.0 على أي واجهة خلفية تستجيب لها، وفق القاعدة نفسها. في كلتا الحالتين، "سعر نموذج الصوت" ليس إلا جزءًا من تكلفة المكالمة، ويعتمد هذا الجزء على مدى الجهد الذي يبذله المتصلون لديك في التفكير.

تلك هي الطبقة التي يكون فيها الموجّه مفيدًا فعليًا، ويستحق الأمر أن نكون دقيقين بشأن الحد الفاصل. لا يقدّم OrcaRouter أيًا من نقطتي النهاية اللحظيتين — إذ يعمل gpt-live-1 خلف Live Sessions API الخاصة بـ OpenAI، ويعمل Grok Voice 3.0 خلف واجهة xAI الخاصة بها، ولا يمكن لأي شيء أن يتدخّل في جلسة صوتية ثنائية الاتجاه تخص مورّدًا واحدًا. ما نشغّله هو نصف التفويض. GPT-5.6 Terra، الواجهة الخلفية نفسها في المثال المنشور الخاص بـ OpenAI، يُقدَّم عبر OrcaRouter بسعر OpenAI المعلن البالغ 2.00 دولار لكل مليون رمز إدخال و12.00 دولارًا لكل مليون رمز إخراج، مع إتاحة كل من نقطتي نهاية الدردشة وResponses، إلى جانب أكثر من 200 نموذج آخر على مفتاح واحد، بسعر المزوّد المعلن وبدون أي هامش ربح والتحويل التلقائي عند تدهور أحد المزوّدين. ولأن شيئًا لا يُضاف إليه هامش ربح، فإن أي خفض سعر من مورّد على طبقة الاستدلال يصبح ساريًا لدينا في اليوم نفسه — وهو أمر مهم في فئة رفع فيها أحد الطرازات الرائدة سعره لكل دقيقة بنسبة 60% خلال ثلاثة أشهر بينما أبقى آخر سعره ثابتًا.

ما يقوله كل مورّد ولا يغطيه أي مجلس

كلا المورّدين ينشران أرقامًا عن حركة الإنتاج الخاصة بهما. لا يمكن التحقق من أي منهما بشكل مستقل، والطريقة الأمينة لقراءتها هي باعتبارها دليلًا على الثقة لا على القدرة.

أرقام OpenAI، المنشورة مع إصدار API ولم يكرّرها أحد: تفاعلية ثنائية الاتجاه كاملة بنسبة 80.1% مقابل 45.4% لـ GPT-Realtime-2.1، وزمن استجابة لتبادل الأدوار انخفض من 1.4 ثانية إلى 0.8، ودقة استدعاء الأدوات من 60% إلى 87%. ويُستشهد بـ Yelp بشأن تحسين التعامل مع الحجوزات الهاتفية، وأفادت منصة تعلّم اللغات Speak بانخفاض يقارب 80% في الانقطاعات مقارنة بنظامها السابق القائم على تبادل الأدوار — وهو تقرير ذاتي من شركة لها مصلحة في النتيجة، ومع ذلك يبقى الرقم الأكثر ملموسية على صعيد التطبيق الفعلي في الإصدار.

أرقام SpaceXAI، المنشورة مع إطلاقها وغير المُعاد إنتاجها بالمثل: يشغّل Grok Voice 3.0 ملايين المحادثات اليومية عبر مركبات Tesla وSpaceX، وتُجري مراكز اتصال Starlink 20,000 مكالمة عملاء يوميًا بلغات متعددة، مع حلّ نحو 70% منها دون تدخل بشري، وانتهاء نحو واحدة من كل أربع مكالمات بيعية بعملية شراء، ونسبة 74% مقرّبة على EVA-Bench التابعة لـ ServiceNow. اعتبر معدل الاحتواء رقمًا على مستوى النظام يرتدي زيًّا على مستوى النموذج — فهو يعكس تصميم المطالبات والاسترجاع وسياسة التصعيد بقدر ما يعكس النموذج، ولا يمكن لأي طرف خارجي أن يفصل بينها.

أيّ واحد تختار فعليًا

اختر Grok Voice 3.0 عندما يكون زمن الاستجابة هو القيد وتكون البنية التقنية لديك بالفعل على xAI. زمن الوصول إلى أول صوت 0.81 ثانية هو أسرع رقم منشور بين نماذج الصوت الرائدة، ومسار WebSocket يعني عدم إعادة كتابة طبقة النقل، وتكلفة الترحيل هي سلسلة نصية للنموذج. اختره أيضاً إذا كان المتصلون لديك يحكمون على التجربة بدلاً من النتيجة — فهو يتصدر الساحة في التفضيل والمؤشر المركّب في الجودة، والمتصل الذي يستمتع بالمحادثة يُنهي المكالمة وهو أكثر سعادة حتى عندما تتصاعد المهمة.

اختر GPT-Live-1 عندما تكون المهمة هي المنتج. فهو يتقدّم على τ-Voice بنسبة 74.5% مقابل 71.6%، ونمط التفويض لديه موثّق، وواجهته الخلفية للاستدلال استدعاء محمول يُحاسب بالرموز بدلاً من أداة غير شفافة، وهو منافس في التكلفة لكل مهمة مكتملة رغم فجوة المؤشر. اختره أيضاً إذا كنت تبني من الصفر وليس لديك تكامل WebSocket تحافظ عليه، لأن قصة النقل لا تضرّك إلا عندما تكون لديك واحدة بالفعل.

الإجابة الوحيدة التي ينبغي رفضها هي الاختيار بناءً على النتيجة المركّبة. ففارق 3.7 نقاط في المؤشر وفارق 2.9 نقطة في τ-Voice يشيران في اتجاهين متعاكسين، ويشير فارق التكلفة في اتجاه ثالث — فـ GPT-Live-1 أرخص بنسبة 37.5% لكل دقيقة من الصوت قبل احتساب إدخال النص. وأي شخص يختار بين هذين بناءً على 86.9 مقابل 83.2 إنما يختار بناءً على الرقم الأقل ارتباطًا بما إذا كان خط هاتفه يعمل.

ما الذي قد يحسم الأمر: التزام بالتوافر العام ورقم زمن استجابة منشور من OpenAI لتهيئة Astra التي تتصدر قمة اللوحة، لأن مقارنة 0.81 مقابل 1.34 تعتمد حالياً على رقم xAI في مواجهة تهيئة تعتبرها وثائق OpenAI نفسها مثالاً؛ أو تحرّك سعري من أي من الجانبين. بطاقة الأسعار هي الجزء الوحيد من هذه المواجهة الذي تحرّك من قبل، وقد تحرّك صعوداً.

المقارنات مثل هذه هي أيضًا حيث تظهر أنماط الفشل: الحوادث الموثّقة للذكاء الاصطناعي وإخفاقات الوكلاء الكامنة وراء النماذج في هذه الفئة تُجمع في OrcaRouter AI Incident Archive، حيث يحمل كل مُدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل خلاف.