Grok Voice 3.0 vs Grok Voice Think Fast 2.0: aggiornamento gratuito, miglioramenti concreti, una regressione

Il modello che Grok Voice 3.0 sostituisce è lo stesso modello che troverai su Artificial Analysis sotto un altro nome. Cerca nella classifica Grok Voice Think Fast 2.0 e non lo troverai; cerca Grok Voice 2.0 e troverai 81,3, che è il valore che la copertura del lancio del modello precedente aveva riportato per Think Fast 2.0 con l'etichetta di configurazione "High". L'API di SpaceXAI chiama l'ID del modello grok-voice-2.0 e le sue note di rilascio chiamano la generazione di luglio Grok Voice 2.0, mentre l'annuncio che l'ha introdotta usava il nome Think Fast. Quindi, quando SpaceXAI ha deprecato grok-voice-2.0 il 14 ottobre 2026 e ha reindirizzato grok-voice-latest su grok-voice-3.0, ha dismesso il modello che la sua stessa riga di classifica e il suo stesso nome di marketing descrivono come due cose diverse.

La conseguenza pratica è che un aggiornamento che molte squadre hanno già ricevuto — in silenzio, senza un deployment, perché l'alias si è spostato — è più grande di quanto suggerisca la confusione sui nomi e più piccolo di quanto implichi il divario dell'indice. Entrambi i modelli addebitano $0,08 al minuto e $0,004 per input di testo, quindi il prezzo non è cambiato. La maggior parte della qualità, invece, sì.

Cosa offre l'aggiornamento, componente per componente

Ogni dato in questa sezione proviene dai test condotti direttamente da Artificial Analysis, datati 13 ottobre 2026 per Grok Voice 3.0, e dalla stessa classifica per la generazione uscente.

• Indice Speech to Speech — 86,9 per Grok Voice 3.0 vs 81,3 per Grok Voice Think Fast 2.0. Un guadagno composito di 5,6 punti, che sembra un semplice salto di versione finché non lo si disseziona.

• Prestazioni agentiche, τ-Voice — 71,6% contro 56,5%. È qui che vive davvero la release. Quindici punti di completamento di attività multi-turno sono la differenza tra un modello vocale che gestisce una chiamata con copione e uno che gestisce una chiamata con diramazioni.

• Preferenza di Speech Agent Arena — Elo 1070 vs 1011. Cinquantanove punti di preferenza umana, e il valore più alto registrato in classifica.

• Dinamiche conversazionali, Full Duplex Bench — 97,0% vs 95,1%. Quasi due punti su barge-in e turn-taking, che è l'asse su cui questa linea di modelli è stata originariamente costruita per vincere.

• Ragionamento vocale, Big Bench Audio — 98,5% vs 97,2%. Entrambi di fatto al tetto.

• Successo sul task — 94,8% vs 94,6%. Differenza entro il margine di misurazione. Se la tua valutazione è una richiesta a turno singolo completata correttamente, questi due modelli ottengono lo stesso punteggio e l'upgrade è invisibile.

• Tempo al primo audio — 0,81 secondi per Grok Voice 3.0 vs 0,70 per Grok Voice Think Fast 2.0.

• Prezzo — identico su entrambe le parti. 0,08 $ al minuto, 4,80 $ all'ora, più 0,004 $ per input di testo.

La regressione, e perché è la parte interessante

Leggi insieme le ultime due righe. Grok Voice Think Fast 2.0 ha ridotto il tempo al primo audio da 1,25 secondi del suo predecessore a 0,70, e xAI ha spinto forte su quel numero: era la cifra pubblicata più veloce della categoria quando è uscito alla fine di luglio 2026, ed è ancora più veloce di qualunque altra cosa presente nella classifica. Grok Voice 3.0 ne restituisce 0,11 secondi.

Non è uno scandalo e non è un incidente. È il prezzo visibile del salto di τ-Voice. Qualunque cosa xAI abbia aggiunto al modello per portare il completamento di attività multi-turno dal 56,5% al 71,6% costa tempo prima del primo frame audio, e nessuna quantità di prompt engineering riesce a recuperarlo, perché il ritardo è dentro il modello, non davanti ad esso.

Ciò che rende utile affermarlo chiaramente è che ribalta la proposta. Un team che ha scelto Think Fast 2.0 lo ha fatto, nella maggior parte dei casi, per lo 0,70. Se è per questo che il modello è nel tuo stack, il successore è misurabilmente peggiore nella proprietà per cui l'hai acquistato, e la cosa onesta da fare è misurare se 0,11 secondi di ritardo aggiuntivo ti costano più di quanto ti facciano guadagnare 15 punti nel completamento delle attività. In una distribuzione telefonica la risposta non è ovvia in nessuna delle due direzioni, e dipende da dove, nel tuo flusso di chiamata, l'agente svolge il lavoro effettivo.

L'alias si è spostato, e non è una nota a piè di pagina.

grok-voice-2.0 è deprecato a partire dalla release del 14 ottobre, e grok-voice-latest ora punta a grok-voice-3.0. Chiunque avesse distribuito usando l'alias è stato spostato automaticamente sul nuovo modello, senza alcuna modifica al codice e senza nulla nei propri log che lo indicasse.

Mettilo in relazione alla cronologia e diventa uno schema, non un episodio. Il 5 agosto 2026 — circa dieci settimane prima di questo rilascio — grok-voice-latest è stato puntato sul modello ora chiamato Think Fast 2.0, e gli sviluppatori che volevano restare sulla generazione precedente hanno dovuto fissare un ID di modello con versione prima di quella data o assorbire il cambiamento. Si tratta di due sostituzioni silenziose in un solo trimestre, ognuna delle quali modifica le caratteristiche di latenza di più di un decimo di secondo, senza alcun manifesto di versione e nessuna finestra di deprecazione annunciata in anticipo.

Per un chatbot va bene. Per un sistema telefonico con una suite di regressione scritta in base al timing di una voce specifica, o un SLA che cita una latenza di interazione, significa che l'alias non è l'astrazione che sembra essere. Fissa l'ID con versione in produzione e considera grok-voice-latest una comodità per lo staging anziché un target di deployment.

Ciò che non è cambiato, e una cosa che si conserva

L'aggiornamento è quasi una sostituzione diretta, e vale la pena precisare perché, dato che l'alternativa — GPT-Live-1, per esempio — richiede una riscrittura WebRTC del trasporto audio e un pattern di delega che qui non ha equivalente. Grok Voice 3.0 mantiene lo stesso endpoint WebSocket realtime, gli stessi parametri session.update, gli stessi nomi degli eventi, lo stesso handshake con bearer token e gli stessi token effimeri di breve durata per le connessioni lato client. Le voci sono invariate, e l'endpoint custom-voice che addestra una voce da una clip di riferimento fino a 120 secondi produce id che funzionano con l'API realtime e con il text-to-speech in streaming esattamente come prima.

Ciò che viene portato avanti anziché migliorato è l’evidenza sul fronte della trascrizione. La generazione precedente è stata pubblicizzata pesantemente sul tasso di errore sulle parole — xAI ha riferito di aver valutato migliaia di brevi frasi in 24 lingue e di aver rilevato un errore da 1,5 a 2,0 volte inferiore rispetto a modelli dedicati di trascrizione vocale, inclusi Deepgram Nova 3 ed ElevenLabs Scribe v2, 1,4 volte inferiore rispetto al suo stesso predecessore, e circa 10 volte meno errori in condizioni rumorose con rumore di fondo e compressione telefonica. Quelli sono dati del fornitore e non sono mai stati riprodotti in modo indipendente. Il materiale di lancio di Grok Voice 3.0 non li ripete, il che non è né una conferma né una smentita. Se l’accuratezza in condizioni di canale rumoroso è cruciale per la tua implementazione, è una delle poche cose che devi verificare di nuovo tu stesso anziché leggerle da una tabella.

Provo quello nuovo senza giocarmi la linea telefonica

Il motivo per cui un pin di versione costa così poco, qui, è che non c'è nulla in Grok Voice 3.0 che sia difficile da avviare in parallelo — e il motivo per cui vale la pena avere un router in questo stack non è il livello audio, che appartiene solo a xAI, ma tutto ciò che il livello audio chiama.

Or aRouter non eroga il realtime di Grok Voice e non potrebbe farlo; un WebSocket audio duplex è una superficie a sé stante. Quello che gestiamo noi è il livello testuale a cui il modello vocale attinge. Un deployment vocale è un modello vocale più un classificatore, un riepilogatore, un retrieval, un tool calling, e quella metà è ordinario consumo misurato per richiesta: oltre 200 modelli dietro un'unica chiave, al prezzo di listino del provider e senza alcun ricarico, così un taglio dei prezzi da parte di un provider in qualsiasi punto di quel livello arriva dalla nostra parte lo stesso giorno, non al rinnovo failover automatico quando un provider peggiora le prestazioni, che per una chiamata in diretta è la differenza tra una ricerca ritentata e un chiamante perso; e un DSL di routing che ti permette di comporre più modelli in un'unica chiamata e di cambiare la combinazione sul traffico live senza toccare il percorso audio.

Quella struttura è ciò che rende economico il pin. Mantieni grok-voice-2.0 in produzione, fai puntare un secondo ambiente a grok-voice-3.0 e lascia che gli stessi modelli backend rispondano a entrambi — il confronto misura quindi l'unica variabile che hai effettivamente cambiato, e il percorso di codice sottostante è identico in entrambe le direzioni.

Il verdetto, in una riga ciascuno

Fai l'upgrade se il tuo agente svolge lavoro anziché sostenere una conversazione. Quindici punti di τ-Voice e 59 punti di preferenza nell'arena a prezzo invariato sono lo scambio valore-per-nulla più chiaro in questa categoria quest'anno, e nulla nell'integrazione deve cambiare per questo.

Fissa e verifica prima se l'intera tua argomentazione a favore della linea vocale di xAI era l'avvio di 0,70 secondi. Quella proprietà ora è 0,81, il modello che l'ha superata è ancora in esecuzione, ed è deprecata anziché rimossa.

Ignora la denominazione. Grok Voice Think Fast 2.0, Grok Voice 2.0 e l'id API grok-voice-2.0 si riferiscono tutti alla stessa generazione, e se ti è capitato di leggere una classifica che elenca solo uno di quei nomi, hai letto il numero giusto sotto un'etichetta che il tuo stesso file di configurazione non usa.

Confronti come questo sono anche il punto in cui emergono le modalità di fallimento: gli incidenti AI documentati e i fallimenti degli agenti relativi ai modelli di questa classe sono raccolti in l'Archivio degli Incidenti AI di OrcaRouter, dove ogni voce riporta le proprie fonti, il livello di gravità, il grado di affidabilità e l'indicatore di contestazione.