Grok Voice 3.0 vs Grok Voice Think Fast 2.0: Upgrade Gratis, Keuntungan Nyata, Satu Regresi

Model yang digantikan oleh Grok Voice 3.0 adalah model yang sama yang akan Anda temukan di Artificial Analysis dengan nama berbeda. Cari di papan peringkat untuk Grok Voice Think Fast 2.0 dan Anda tidak akan menemukannya; cari Grok Voice 2.0 dan Anda akan menemukan 81.3, yaitu angka yang dilaporkan dalam liputan peluncuran model sebelumnya itu sendiri untuk Think Fast 2.0 di bawah label konfigurasi "High". API SpaceXAI menyebut ID model grok-voice-2.0 dan catatan rilisnya menyebut generasi Juli itu Grok Voice 2.0, sedangkan pengumuman yang memperkenalkannya menggunakan nama Think Fast. Jadi ketika SpaceXAI menonaktifkan grok-voice-2.0 pada 14 Oktober 2026 dan mengarahkan grok-voice-latest ke grok-voice-3.0, ia memensiunkan model yang digambarkan oleh baris papan peringkatnya sendiri dan nama pemasarannya sendiri sebagai dua hal.

Konsekuensi praktisnya adalah bahwa peningkatan yang sudah diterima banyak tim — secara diam-diam, tanpa deployment, karena aliasnya berpindah — lebih besar daripada yang disiratkan oleh kebingungan penamaan dan lebih kecil daripada yang diisyaratkan oleh kesenjangan indeks. Kedua model menagih $0.08 per menit dan $0.004 per input teks, jadi harganya tidak berubah. Sebagian besar kualitasnya berubah.

Apa yang didapat dari upgrade ini, komponen demi komponen

Setiap angka di bagian ini berasal dari pengujian Artificial Analysis sendiri, bertanggal 13 Oktober 2026 untuk Grok Voice 3.0 dan dari papan yang sama untuk generasi yang akan digantikan.

• Indeks Speech to Speech — 86,9 untuk Grok Voice 3.0 vs 81,3 untuk Grok Voice Think Fast 2.0. Perolehan komposit 5,6 poin, yang terdengar seperti kenaikan versi sampai Anda membedahnya.

• Performa agentik, τ-Voice — 71,6% vs 56,5%. Di sinilah inti rilis ini sebenarnya. Lima belas poin penyelesaian tugas multi-turn adalah pembeda antara model suara yang menangani panggilan berskrip dan model yang menangani panggilan dengan percabangan.

• Preferensi Speech Agent Arena — Elo 1070 vs 1011. Lima puluh sembilan poin preferensi manusia, dan yang tertinggi yang tercatat di papan peringkat.

• Dinamika percakapan, Full Duplex Bench — 97,0% vs 95,1%. Hampir dua poin pada barge-in dan pergantian giliran, yang merupakan sumbu yang sejak awal memang ingin dimenangkan oleh lini model ini.

• Penalaran ucapan, Big Bench Audio — 98,5% vs 97,2%. Keduanya secara efektif sudah mencapai batas atas.

• Keberhasilan tugas — 94,8% vs 94,6%. Datar dalam batas pengukuran. Jika evaluasi Anda adalah permintaan satu giliran yang diselesaikan dengan benar, kedua model ini mendapat skor yang sama dan peningkatannya tidak terlihat.

• Waktu hingga audio pertama — 0,81 detik untuk Grok Voice 3.0 vs 0,70 untuk Grok Voice Think Fast 2.0.

• Harga — sama di kedua sisi. $0.08 per menit, $4.80 per jam, ditambah $0.004 per input teks.

Regresi, dan mengapa itu bagian yang menarik

Baca dua baris terakhir secara bersamaan. Grok Voice Think Fast 2.0 memangkas waktu hingga audio pertama dari 1,25 detik milik pendahulunya sendiri menjadi 0,70, dan xAI memasarkan angka itu habis-habisan — angka tersebut adalah angka tercepat yang dipublikasikan di kategori ini saat dirilis pada akhir Juli 2026, dan angka itu masih lebih cepat daripada apa pun yang ada di papan. Grok Voice 3.0 mengembalikan 0,11 detik dari keunggulan itu.

Itu bukan skandal dan bukan kecelakaan. Itu adalah harga yang terlihat dari lompatan τ-Voice. Apa pun yang ditambahkan xAI ke model untuk menaikkan penyelesaian tugas multi-turn dari 56,5% menjadi 71,6% memakan waktu sebelum frame audio pertama, dan sebanyak apa pun rekayasa prompt tidak dapat memulihkannya, karena penundaan itu ada di dalam model, bukan di depannya.

Yang membuatnya layak dinyatakan secara terang-terangan adalah bahwa hal ini membalikkan pitch. Tim yang memilih Think Fast 2.0, dalam sebagian besar kasus, melakukannya karena angka 0,70. Jika itulah alasan model tersebut ada dalam stack Anda, penerusnya secara terukur lebih buruk pada properti yang membuat Anda membelinya, dan hal yang jujur untuk dilakukan adalah mengukur apakah tambahan jeda 0,11 detik lebih merugikan Anda daripada keuntungan 15 poin dalam penyelesaian tugas. Pada penerapan teleponi, jawabannya tidak jelas ke arah mana pun, dan bergantung pada di mana dalam alur panggilan Anda agen tersebut benar-benar melakukan pekerjaan.

Alias itu berpindah, dan itu bukan catatan kaki.

grok-voice-2.0 tidak lagi digunakan sejak rilis 14 Oktober, dan grok-voice-latest kini mengarah ke grok-voice-3.0. Siapa pun yang melakukan deployment terhadap alias tersebut dipindahkan ke model baru secara otomatis, tanpa perubahan kode dan tanpa apa pun di log mereka yang mengindikasikannya.

Jika hal itu dibandingkan dengan lini masa, hal itu menjadi sebuah pola, bukan insiden. Pada 5 Agustus 2026 — sekitar sepuluh minggu sebelum rilis ini — grok-voice-latest diarahkan ke model yang kini disebut Think Fast 2.0, dan pengembang yang ingin tetap menggunakan generasi sebelumnya harus menyematkan ID model berversi sebelum tanggal itu atau menerima perubahan tersebut. Itu berarti dua pergantian diam-diam dalam satu kuartal, masing-masing mengubah karakteristik latensi lebih dari sepersepuluh detik, tanpa manifes versi dan tanpa jendela deprekasi yang diumumkan sebelumnya.

Untuk chatbot, itu tidak masalah. Namun bagi sistem telepon dengan rangkaian uji regresi yang ditulis berdasarkan timing suara tertentu, atau SLA yang mencantumkan latensi interaksi, itu berarti alias tersebut bukan abstraksi seperti yang terlihat. Sematkan ID berversi di produksi, dan perlakukan grok-voice-latest sebagai kemudahan staging, bukan sebagai target deployment.

Apa yang tidak berubah, dan satu hal yang terus berlanjut

Peningkatan ini hampir dapat dipasang langsung (drop-in), dan ada baiknya menjelaskan secara spesifik alasannya, karena alternatifnya — misalnya GPT-Live-1 — memerlukan penulisan ulang transportasi audio dengan WebRTC dan pola delegasi yang tidak memiliki padanan di sini. Grok Voice 3.0 mempertahankan endpoint WebSocket realtime yang sama, parameter session.update yang sama, nama event yang sama, handshake bearer-token yang sama, dan token sementara berumur pendek yang sama untuk koneksi sisi klien. Suara tidak berubah, dan endpoint suara kustom yang melatih suara dari klip referensi hingga 120 detik menghasilkan id yang berfungsi di seluruh realtime API dan text-to-speech streaming persis seperti sebelumnya.

Yang terbawa, bukan meningkat, adalah bukti dari sisi transkripsi. Generasi sebelumnya dipasarkan secara gencar berdasarkan tingkat kesalahan kata — xAI melaporkan telah mengevaluasi ribuan frasa pendek dalam 24 bahasa dan menemukan kesalahan 1,5 hingga 2,0 kali lebih rendah daripada model speech-to-text khusus termasuk Deepgram Nova 3 dan ElevenLabs Scribe v2, 1,4 kali lebih rendah daripada pendahulunya sendiri, dan sekitar 10 kali lebih rendah kesalahan dalam kondisi bising dengan kebisingan latar belakang dan kompresi telepon. Itu adalah angka dari vendor dan tidak pernah direproduksi secara independen. Materi peluncuran Grok Voice 3.0 tidak mengulangi angka-angka tersebut, yang bukan merupakan konfirmasi maupun penarikan. Jika akurasi saluran bising menjadi penopang utama untuk penerapan Anda, itu adalah salah satu dari sedikit hal yang harus Anda uji ulang sendiri daripada membaca dari papan.

Mencoba yang baru tanpa mempertaruhkan saluran telepon untuk itu

Alasan pin versi begitu murah di sini adalah bahwa tidak ada apa pun tentang Grok Voice 3.0 yang sulit untuk dijalankan berdampingan — dan alasan router layak dimiliki dalam stack ini bukanlah lapisan audio, yang sepenuhnya milik xAI, melainkan segala hal yang dipanggil oleh lapisan audio.

OrcaRouter tidak menyediakan endpoint realtime Grok Voice dan tidak dapat melakukannya; WebSocket audio dupleks adalah permukaan satu vendor. Yang kami jalankan adalah lapisan teks yang dituju model suara. Deployment suara adalah model suara ditambah pengklasifikasi, peringkas, langkah pengambilan, dan backend pemanggilan alat, dan paruh itu adalah inferensi bermeter permintaan biasa: 200+ model di balik satu kunci, pada harga daftar penyedia tanpa markup, sehingga pemotongan harga vendor di mana pun di lapisan itu berdampak pada kami di hari yang sama, bukan saat perpanjangan; failover otomatis saat penyedia mengalami penurunan, yang bagi panggilan langsung adalah perbedaan antara pencarian yang dicoba ulang dan penelepon yang terputus; dan DSL routing yang memungkinkan Anda menyusun beberapa model ke dalam satu panggilan serta mengganti campurannya pada lalu lintas langsung tanpa menyentuh jalur audio.

Struktur itulah yang membuat pin menjadi murah. Pertahankan grok-voice-2.0 di produksi, arahkan lingkungan kedua ke grok-voice-3.0, dan biarkan model backend yang sama menjawab keduanya — perbandingannya kemudian mengukur satu variabel yang benar-benar Anda ubah, dan jalur kode di bawahnya identik di kedua arah.

Putusannya, masing-masing dalam satu baris

Lakukan upgrade jika agen Anda melakukan pekerjaan, bukan sekadar mengobrol. Lima belas poin τ-Voice dan 59 poin preferensi arena dengan harga tetap adalah pertukaran nilai-tanpa-biaya yang paling jelas di kategori ini tahun ini, dan tidak ada apa pun dalam integrasi yang perlu berubah untuk mendapatkannya.

Sematkan dan uji dulu apakah seluruh argumen Anda untuk lini suara xAI adalah awal 0,70 detik. Properti itu sekarang 0,81, model yang mengalahkannya masih berjalan, dan model itu sudah usang, bukan dihapus.

Abaikan penamaannya. Grok Voice Think Fast 2.0, Grok Voice 2.0 dan id API grok-voice-2.0 semuanya menunjuk ke generasi yang sama, dan jika Anda telah membaca papan peringkat yang hanya mencantumkan salah satu dari nama-nama itu, Anda telah membaca angka yang benar di bawah label yang tidak digunakan oleh file konfigurasi Anda sendiri.

Perbandingan seperti ini juga menjadi tempat munculnya mode kegagalan: insiden AI yang terdokumentasi dan kegagalan agen di balik model di kelas ini dikumpulkan di OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda disengketakan.