Grok Voice 3.0 guida l'Indice Speech to Speech a 86,9 — e restituisce il record di latenza

Il numero che tutti citeranno è 86,9. È qui che Grok Voice 3.0si è posizionato sull'Artificial Analysis Speech to Speech Index quando la classifica è stata ricalcolata il 13 ottobre 2026, con cinque punti e mezzo di vantaggio sul modello che sostituisce, Grok Voice 2.0, che si fermava a 81,3. È anche davanti a GPT-Live-1 nella sua configurazione Astra medium a 83,2 e a Gemini 3.8 Live Extended Thinking a 82,6, il che lo rende il primo modello vocale xAI a detenere la prima posizione in solitaria invece di condividerne il primato. SpaceXAI lo ha annunciato il 14 ottobre, lo stesso giorno in cui sono cambiate le note di rilascio dell'API, e allo stesso prezzo al minuto del modello che manda in pensione.

Il numero che nessuno citerà, perché xAI non l’ha messo nel titolo, è 0,70. È il tempo al primo audio in secondi di Grok Voice 2.0, ed è più veloce dello 0,81 di Grok Voice 3.0. L’azienda che ha passato un anno a vendere l’alternanza dei turni sotto il secondo ora schiera un modello di punta che inizia a parlare 0,11 secondi dopo il proprio modello uscente. È comunque circa il 40% più rapido a partire rispetto alla configurazione GPT-Live-1 che Artificial Analysis ha misurato a 1,34 secondi, quindi l’affermazione di marketing regge a una lettura diretta. Semplicemente non regge al confronto con la versione precedente.

Cosa è stato effettivamente rilasciato, e quanto costa

Grok Voice 3.0 è un modello speech-to-speech servito sullo stesso endpoint WebSocket in tempo reale del suo predecessore, con gli stessi parametri di sessione e gli stessi nomi di evento. Non c'è un nuovo SDK né un documento di migrazione, perché non c'è nulla da migrare. La stringa del modello è cambiata e il comportamento dietro di essa è cambiato.

• Prezzo — 0,08 $ al minuto di audio, ovvero 4,80 $ all'ora, più 0,004 $ per input di testo. Identico a Grok Voice 2.0. Questo è un aggiornamento delle capacità a prezzo invariato, non una revisione del prezzo.

• Comportamento dell'alias — grok-voice-latest ora punta a grok-voice-3.0. Chiunque abbia eseguito il deployment facendo riferimento all'alias è stato spostato automaticamente sul nuovo modello, senza modifiche al codice e senza un pin di versione.

• Deprecazione — grok-voice-2.0 è contrassegnato come deprecato. Il percorso di aggiornamento documentato da xAI consiste nell'impostare il campo model su grok-voice-3.0 o nel lasciare l'alias invariato.

• Endpoint e autenticazione — invariati. Stesso URL realtime, stesso handshake con token bearer, stessi token effimeri di breve durata per le connessioni lato client.

• Voci — il set di voci integrate e l'endpoint per le voci personalizzate sono invariati; le voci personalizzate vengono addestrate a partire da un clip di riferimento di durata massima di 120 secondi e il voice_id risultante funziona con l'API realtime e con la sintesi vocale in streaming.

Quell'ultimo elenco è il motivo per cui lo spostamento dell'alias conta più di quanto sembri. Grok Voice 2.0 è stato reso la destinazione dell'alias solo il 5 agosto 2026 — circa dieci settimane prima di questa release. Un team che ad agosto ha sviluppato basandosi su grok-voice-latest ha ormai attraversato due sostituzioni silenziose di modello in un solo trimestre, una proprietà ottima per un esperimento di chatbot e meno ottima per un sistema telefonico la cui suite di regressione era stata scritta in base al timing di una voce specifica.

L'indice, componente per componente

Gli indici compositi nascondono l'argomentazione, quindi vale la pena analizzare nel dettaglio Grok Voice 3.0. Ogni cifra riportata di seguito proviene dai test condotti direttamente da Artificial Analysis, datati 13 ottobre 2026.

• Ragionamento vocale, Big Bench Audio — 98,5%, in aumento dal 97,2% di Grok Voice 2.0.

• Dinamiche conversazionali, Full Duplex Bench — 97,0%, in aumento dal 95,1%.

• Preferenza Speech Agent Arena — Elo 1070, in aumento da 1011, e il più alto della classifica.

• Successo delle attività — 94,8%, in aumento rispetto al 94,6%. Questo è il movimento più contenuto dei cinque e va segnalato come tale: sul completamento grezzo delle attività i due modelli sono, entro i margini della misurazione, lo stesso modello.

• Prestazioni agentiche, τ-Voice — 71,6%, in aumento dal 56,5%. Questo è il maggiore singolo cambiamento della release, un salto di 15 punti sull'unica componente che misura se un agente può davvero completare un compito multi-turno invece di limitarsi a sembrare competente nel farlo.

• Tempo al primo audio — 0,81 secondi, contro 0,70 per Grok Voice 2.0.

Leggere insieme questi dati racconta una storia più utile di quanto faccia il punteggio composito. L'aumento di 5,6 punti dell'indice non è distribuito in modo uniforme: quasi tutto è dato da prestazioni agentiche e preferenza in arena, mentre ragionamento e gestione duplex segnano un lieve rialzo e il successo grezzo sui task resta invariato. Grok Voice 3.0 è un agente migliore, non un conversatore migliore. Se il tuo prodotto vocale è una linea di assistenza che prenota appuntamenti e controlla lo stato degli ordini, è esattamente il delta che vuoi. Se è un companion o un front-end per roleplay, l'aumento dell'indice è in gran parte irrilevante, e per questo hai pagato una penalità di latenza.

L'unico test in cui il leader non è il leader

τ-Voice è il componente di cui xAI dovrebbe parlare, e quello in cui è ancora indietro. Al 71,6%, Grok Voice 3.0 è cresciuto enormemente rispetto al 56,5% del suo predecessore — e resta comunque dietro GPT-Live-1 configurato con Astra a ragionamento medio, che Artificial Analysis colloca al 74,5%. Gemini 3.8 Live si attesta al 68,6% sullo stesso test.

Quindi l'assetto della categoria dopo questo rilascio è: xAI detiene il composito e l'arena; OpenAI detiene il test agentico di completamento delle attività; Google non detiene né l'uno né l'altro ed è più economica di entrambe. Nessuna di queste tre affermazioni contraddice le altre, e qualsiasi articolo che riporti solo la prima sta riportando una classifica anziché un risultato.

Il fornitore sostiene che nessuna scheda copre

Le affermazioni sulle prestazioni sono accompagnate da un secondo strato di numeri che Artificial Analysis non misura e non può misurare, perché descrivono il traffico di produzione all'interno dei prodotti di una singola azienda. Si tratta di cifre di xAI, riportate da xAI, senza alcuna verifica indipendente disponibile e con nessuna probabilità che lo sia:

• Tesla — Si dice che Grok Voice alimenti milioni di conversazioni al giorno nei veicoli, gestendo azioni di calendario ed email tramite connettori e l'ordinazione di cibo tramite la modalità vocale di Grok Bot.

• Supporto Starlink — 20.000 chiamate clienti al giorno in più lingue, con circa il 70% risolte senza intervento umano e circa una chiamata di vendita su quattro che si conclude con un acquisto. Lo stesso agente è descritto come in grado di gestire verifica dell'identità, risoluzione dei problemi hardware, accrediti sull'account e spedizioni di sostituzione in un unico flusso.

• ServiceNow EVA-Bench — un valore di accuratezza arrotondato del 74%, riportato come il più alto su quel benchmark e il migliore quando accuratezza ed esperienza del cliente vengono valutate congiuntamente. EVA-Bench copre il servizio clienti con 15 strumenti e 50 scenari, la gestione dei servizi IT con 59 strumenti e 80 scenari e le risorse umane con 47 strumenti e 83 scenari.

Considera i primi due come una descrizione delle intenzioni più che come una prova. Sono la prova più forte possibile che un modello vocale funzioni — un'azienda che instrada attraverso di esso le proprie chiamate legate ai ricavi ha la pelle in gioco — e allo stesso tempo l'evidenza più debole possibile per un lettore, perché nulla di tutto ciò è verificabile dall'esterno e nulla di tutto ciò separa il modello dai prompt, dal retrieval e dalla policy di escalation che lo circondano. La cifra del 70% di contenimento, in particolare, è un numero a livello di sistema travestito da numero a livello di modello.

Cosa ti dice un prezzo che non si è mosso

Mantenere la tariffa a $0.08 al minuto è la cosa più interessante dal punto di vista strategico nel rilascio. L'interpretazione più ovvia è la pressione competitiva: Google ha passato l'anno a posizionare Gemini Live come l'opzione economica in questa categoria, e la generazione precedente della linea vocale di xAI aveva già assorbito un aumento di prezzo del 60% quando la linea Think Fast è passata da $3.00 a $4.80 all'ora. Aumentare di nuovo la tariffa del prodotto di punta non era un'opzione.

L'effetto di secondo ordine ricade su chiunque modelli i costi. La misurazione per attività di Artificial Analysis colloca Grok Voice 3.0 a 0,025 $ per completare un'attività Big Bench Audio, contro 0,030 $ per GPT-Live-1 Astra medium e 0,055 $ per GPT-Realtime-2.1 High. Costare meno per attività ed essere più accurato per attività è la combinazione che mette fine ai dibattiti sugli approvvigionamenti, ed è la prima volta in questa categoria che un singolo modello si colloca a entrambi gli estremi.

Il punto in cui un livello di routing entra in questo quadro è più ristretto di quanto sembri, e vale la pena essere precisi. OrcaRouter non serve l'endpoint realtime di Grok Voice 3.0 — quello arriva dall'API di xAI stessa, così come l'equivalente Gemini Live e GPT-Live-1. Quello che gestiamo è il lato testo: oltre 200 modelli linguistici dietro un'unica chiave al prezzo di listino del provider senza alcun ricarico, ed è qui che tendono a risiedere la pulizia della trascrizione, il riepilogo dopo la chiamata, la classificazione di una trascrizione in un codice di esito e la logica di tool-calling a cui il modello vocale delega. Quelli sono normali modelli con tariffazione a richiesta, sono esattamente il carico di lavoro per cui esiste un router, e poiché il prezzo di listino passa invariato, un taglio di prezzo del fornitore su uno qualsiasi di essi è attivo dalla nostra parte lo stesso giorno anziché al tuo prossimo rinnovo.

Cosa rimane ancora da misurare

Tre cose, e sono ciò che dovrebbe decidere se spostare ora o fissare.

Il primo è la stabilità sulle sessioni lunghe. Ogni dato riportato sopra proviene da interazioni brevi e valutate. Nulla di pubblicato copre l'effetto che una chiamata di 20 minuti ha sui tassi di errore, e l'interessante modalità di fallimento per un modello duplex — la deriva che si accumula, o una politica di alternanza dei turni che si degrada in caso di barge-in — si manifesta solo nell'arco di minuti, non di turni.

La seconda è l'affermazione sul canale rumoroso. La generazione precedente di xAI è stata pubblicizzata basandosi sul tasso di errore di parola in condizioni telefoniche, e questa è l'affermazione più falsificabile dell'intero lancio. Chiunque abbia un corpus di registrazioni di chiamate e un pomeriggio può verificarlo.

Il terzo è se il valore di 0,81 secondi regge sotto carico. Il tempo al primo audio si misura su un sistema tranquillo. La produzione non è un sistema tranquillo.

Finché non arrivano, il riepilogo onesto di Grok Voice 3.0 è questo: è il miglior modello vocale nella classifica pubblica con un margine che è reale ma concentrato in una sola dimensione, costa quanto il modello che sostituisce, è più lento a iniziare a parlare rispetto a quel modello, e ha spostato ogni deployment esistente di grok-voice-latest su di sé senza chiedere. I primi tre sono motivi per testarlo. Il quarto è un motivo per avere un version pin nella tua configurazione prima di farlo.

Anche il rilascio di un modello vocale è il momento di controllare cosa è andato storto in precedenza: gli incidenti AI documentati e i fallimenti degli agenti relativi ai modelli di questa classe sono raccolti all'interno dell'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di controversia.