Grok Voice 3.0 Memuncaki Indeks Speech to Speech di 86,9 — dan Mengembalikan Rekor Latensi

Angka yang akan dikutip semua orang adalah 86.9. Di situlah Grok Voice 3.0 mencapai Artificial Analysis Speech to Speech Index saat papan peringkat tersebut dijalankan ulang pada 13 Oktober 2026, unggul lima setengah poin dari model yang digantikannya, Grok Voice 2.0, yang berada di 81.3. Model ini juga unggul dari GPT-Live-1 dalam konfigurasi Astra medium-nya di 83.2 dan Gemini 3.8 Live Extended Thinking di 82.6, yang menjadikannya model suara xAI pertama yang menguasai baris teratas secara mutlak alih-alih berbagi klaim atasnya. SpaceXAI mengumumkannya pada 14 Oktober, hari yang sama catatan rilis API berubah, dan pada harga per menit yang sama dengan model yang dipensiunkannya.

Angka yang tidak akan dikutip siapa pun, karena xAI tidak menaruhnya di judul, adalah 0,70. Itu adalah waktu hingga audio pertama Grok Voice 2.0 dalam detik, dan itu lebih cepat daripada 0,81 milik Grok Voice 3.0. Perusahaan yang telah menghabiskan setahun menjual pergantian giliran bicara sub-detik kini meluncurkan produk unggulan yang mulai berbicara 0,11 detik lebih lambat daripada model pendahulunya sendiri. Namun, masih sekitar 40% lebih cepat dalam memulai dibandingkan konfigurasi GPT-Live-1 yang diukur Artificial Analysis pada 1,34 detik, sehingga klaim pemasaran itu bertahan jika dibaca secara lugas. Hanya saja, itu tidak bertahan jika dibandingkan dengan versi sebelumnya.

Apa yang sebenarnya dirilis, dan berapa biayanya

Grok Voice 3.0 adalah model speech-to-speech yang dilayani melalui endpoint WebSocket realtime yang sama dengan pendahulunya, dengan parameter sesi yang sama dan nama event yang sama. Tidak ada SDK baru dan tidak ada dokumen migrasi, karena tidak ada yang perlu dimigrasikan. String modelnya berubah dan perilaku di baliknya pun berubah.

• Harga — $0.08 per menit audio, atau $4.80 per jam, ditambah $0.004 per input teks. Identik dengan Grok Voice 2.0. Ini adalah pembaruan kemampuan dengan harga tetap, bukan penetapan harga ulang.

• Perilaku alias — grok-voice-latest kini mengarah ke grok-voice-3.0. Siapa pun yang men-deploy dengan alias tersebut telah dipindahkan ke model baru secara otomatis, tanpa perubahan kode dan tanpa pin versi.

• Status usang — grok-voice-2.0 ditandai sebagai usang. Jalur peningkatan versi yang didokumentasikan oleh xAI adalah menetapkan field model ke grok-voice-3.0 atau membiarkan alias tetap seperti semula.

• Endpoint dan auth — tidak berubah. URL realtime yang sama, handshake bearer-token yang sama, token sementara berumur pendek yang sama untuk koneksi sisi klien.

• Suara — kumpulan suara bawaan dan endpoint suara kustom tidak berubah; suara kustom dilatih dari klip referensi hingga 120 detik dan voice_id yang dihasilkan berfungsi di seluruh realtime API dan streaming text-to-speech.

Daftar terakhir itulah alasan perpindahan alias lebih penting daripada yang terdengar. Grok Voice 2.0 baru dijadikan target alias pada 5 Agustus 2026 — sekitar sepuluh minggu sebelum rilis ini. Tim yang membangun terhadap grok-voice-latest pada Agustus kini telah melalui dua pertukaran model senyap dalam satu kuartal, yang merupakan sifat yang bagus untuk eksperimen chatbot dan kurang bagus untuk sistem telepon yang rangkaian regresinya ditulis berdasarkan timing suara tertentu.

Indeksnya, komponen demi komponen

Indeks komposit menyembunyikan argumen, jadi ada baiknya membedah Grok Voice 3.0. Setiap angka di bawah ini berasal dari pengujian Artificial Analysis sendiri, tertanggal 13 Oktober 2026.

• Penalaran ucapan, Big Bench Audio — 98,5%, naik dari 97,2% untuk Grok Voice 2.0.

• Dinamika percakapan, Full Duplex Bench — 97,0%, naik dari 95,1%.

• Preferensi Speech Agent Arena — Elo 1070, naik dari 1011, dan tertinggi di papan peringkat.

• Keberhasilan tugas — 94,8%, naik dari 94,6%. Ini adalah pergerakan terkecil di antara kelima hal itu dan patut dicatat sebagai demikian: pada penyelesaian tugas mentah, kedua model tersebut, dalam batas pengukuran, adalah model yang sama.

• Performa agentic, τ-Voice — 71,6%, naik dari 56,5%. Ini adalah lompatan tunggal terbesar dalam rilis ini, kenaikan 15 poin pada satu komponen yang mengukur apakah sebuah agen benar-benar dapat menyelesaikan pekerjaan multi-turn, bukan sekadar terdengar kompeten saat melakukannya.

• Waktu hingga audio pertama — 0,81 detik, dibandingkan 0,70 untuk Grok Voice 2.0.

Membaca keduanya bersama-sama memberi cerita yang lebih berguna daripada yang diberikan komposit. Kenaikan indeks 5,6 poin tidak terdistribusi merata: hampir semuanya adalah performa agentik dan preferensi arena, dengan penalaran dan penanganan dupleks naik sedikit serta keberhasilan tugas mentah datar. Grok Voice 3.0 adalah agen yang lebih baik, bukan pembicara yang lebih baik. Jika produk suara Anda adalah saluran dukungan yang memesan janji temu dan memeriksa status pesanan, itulah tepat delta yang Anda inginkan. Jika itu adalah pendamping atau front-end roleplay, kenaikan indeks sebagian besar tidak relevan, dan Anda telah membayar penalti latensi untuk itu.

Satu-satunya tes di mana pemimpin bukanlah pemimpin

τ-Voice adalah komponen yang seharusnya dibicarakan oleh xAI, dan komponen yang masih tertinggal. Pada 71,6%, Grok Voice 3.0 naik sangat besar dibandingkan 56,5% milik pendahulunya — dan masih tertinggal dari GPT-Live-1 yang dikonfigurasi dengan Astra pada penalaran sedang, yang menurut Artificial Analysis berada di 74,5%. Gemini 3.8 Live berada di 68,6% pada tes yang sama.

Jadi bentuk kategori setelah rilis ini adalah: xAI memegang komposit dan arena; O​penAI memegang uji penyelesaian tugas agentik; Google tidak memegang keduanya dan lebih murah daripada keduanya. Tidak satu pun dari ketiga pernyataan itu bertentangan dengan yang lain, dan artikel mana pun yang hanya melaporkan yang pertama sedang melaporkan peringkat, bukan hasil.

Vendor mengklaim bahwa tidak ada board yang mencakup

Klaim performa itu disertai lapisan angka kedua yang tidak diukur oleh Artificial Analysis dan memang tidak bisa, karena angka-angka tersebut menggambarkan lalu lintas produksi di dalam produk milik satu perusahaan sendiri. Ini adalah angka xAI, yang dilaporkan oleh xAI, tanpa verifikasi independen yang tersedia dan kemungkinan besar tidak akan pernah ada:

• Tesla — Grok Voice dikatakan menggerakkan jutaan percakapan per hari di dalam kendaraan, menangani tindakan kalender dan email melalui konektor serta pemesanan makanan melalui mode suara Grok Bot.

• Dukungan Starlink — 20.000 panggilan pelanggan per hari dalam berbagai bahasa, dengan sekitar 70% diselesaikan tanpa manusia dan sekitar satu dari empat panggilan penjualan berakhir dengan pembelian. Agen yang sama digambarkan menangani verifikasi identitas, pemecahan masalah perangkat keras, kredit akun, dan pengiriman pengganti dalam satu alur.

• ServiceNow EVA-Bench — angka akurasi 74% yang dibulatkan, dilaporkan sebagai yang tertinggi pada tolok ukur tersebut dan yang terbaik ketika akurasi dan pengalaman pelanggan dinilai secara bersamaan. EVA-Bench mencakup layanan pelanggan pada 15 alat dan 50 skenario, manajemen layanan TI pada 59 alat dan 80 skenario, dan SDM pada 47 alat dan 83 skenario.

Perlakukan dua yang pertama sebagai deskripsi maksud, bukan sebagai bukti. Keduanya adalah bukti terkuat yang mungkin bahwa sebuah model suara berfungsi — perusahaan yang mengarahkan panggilan pendapatannya sendiri melaluinya memiliki kepentingan yang dipertaruhkan — dan sekaligus bukti terlemah yang mungkin bagi pembaca, karena tidak ada satu pun darinya yang dapat diaudit dari luar dan tidak ada satu pun yang memisahkan model dari prompt, retrieval, dan kebijakan eskalasi yang membungkusnya. Angka containment 70% khususnya adalah angka tingkat sistem yang mengenakan kostum tingkat model.

Apa yang dikatakan oleh harga yang tidak bergerak kepada Anda

Mempertahankan tarif di angka $0,08 per menit adalah hal yang paling menarik secara strategis dalam rilis ini. Tafsiran yang jelas adalah tekanan kompetitif: Google telah menghabiskan tahun ini untuk memposisikan Gemini Live sebagai opsi murah di kategori ini, dan generasi sebelumnya dari lini suara xAI sudah menyerap kenaikan harga sebesar 60% ketika lini Think Fast berpindah dari $3,00 ke $4,80 per jam. Menaikkan tarif andalan sekali lagi bukanlah opsi yang tersedia.

Efek orde kedua dirasakan oleh siapa pun yang memodelkan biaya. Pengukuran per tugas Artificial Analysis menempatkan Grok Voice 3.0 pada $0,025 untuk menyelesaikan tugas Big Bench Audio, dibandingkan $0,030 untuk GPT-Live-1 Astra medium dan $0,055 untuk GPT-Realtime-2.1 High. Lebih murah per tugas dan lebih akurat per tugas adalah kombinasi yang mengakhiri debat pengadaan, dan ini adalah pertama kalinya dalam kategori ini satu model menguasai kedua ujungnya.

Di mana lapisan perutean masuk ke dalam gambaran ini lebih sempit daripada kelihatannya, dan ada baiknya kita tepat. OrcaRouter tidak melayani endpoint realtime Grok Voice 3.0 — itu berasal dari API milik xAI sendiri, begitu pula padanan Gemini Live dan GPT-Live-1. Yang kami jalankan adalah sisi teksnya: lebih dari 200 model bahasa di balik satu kunci pada harga daftar penyedia tanpa markup, dan di situlah biasanya bermukim pembersihan transkripsi, peringkasan setelah panggilan, klasifikasi transkrip menjadi kode disposisi, dan logika pemanggilan alat yang didelegasikan oleh model suara. Itu semua adalah model biasa yang diukur per permintaan, persis itulah beban kerja yang diperuntukkan bagi sebuah router, dan karena harga daftar diteruskan tanpa perubahan, pemotongan harga vendor pada salah satu dari model tersebut langsung berlaku di sisi kami pada hari yang sama alih-alih pada perpanjangan berikutnya.

Apa yang masih belum diukur

Tiga hal, dan itulah yang seharusnya menentukan apakah Anda melangkah sekarang atau melakukan pin.

Yang pertama adalah stabilitas sesi panjang. Setiap angka di atas berasal dari interaksi singkat yang dinilai. Tidak ada publikasi yang membahas dampak panggilan 20 menit terhadap tingkat kesalahan, dan mode kegagalan yang menarik untuk model dupleks — akumulasi drift, atau kebijakan pengambilan giliran yang memburuk saat barge-in — hanya muncul setelah beberapa menit, bukan setelah beberapa giliran.

Yang kedua adalah klaim saluran bising. Generasi pendahulu xAI dipasarkan berdasarkan tingkat kesalahan kata dalam kondisi teleponi, dan itu adalah klaim yang paling mudah difalsifikasi di seluruh peluncuran. Siapa pun yang memiliki korpus rekaman panggilan dan waktu satu sore dapat memeriksanya.

Yang ketiga adalah apakah angka 0,81 detik itu tetap berlaku di bawah beban. Waktu hingga audio pertama diukur pada sistem yang tenang. Lingkungan produksi bukanlah sistem yang tenang.

Sampai hal-hal itu terwujud, ringkasan jujur dari Grok Voice 3.0 adalah ini: ini adalah model suara terbaik di papan publik dengan selisih yang nyata tetapi terkonsentrasi pada satu dimensi, biayanya sama dengan model yang digantikannya, ia lebih lambat untuk mulai berbicara dibandingkan model itu, dan ia memindahkan setiap deployment grok-voice-latest yang ada ke dirinya sendiri tanpa bertanya. Tiga hal pertama adalah alasan untuk mengujinya. Yang keempat adalah alasan untuk memiliki pin versi di konfigurasi Anda sebelum melakukannya.

Peluncuran model suara juga menjadi momen untuk memeriksa apa yang sebelumnya pernah salah: insiden AI yang terdokumentasi dan kegagalan agen seputar model di kelas ini dikumpulkan di OrcaRouter AI Incident Archive, yang di dalamnya setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda sengketa.