Grok Voice 3.0 na czele Speech to Speech Index z wynikiem 86,9 — i oddaje rekord opóźnienia

Liczba, którą wszyscy będą cytować, to 86,9. To wynik, jaki Grok Voice 3.0uzyskał w Artificial Analysis Speech to Speech Index, gdy ranking został ponownie przeprowadzony 13 października 2026 r. — o pięć i pół punktu przed modelem, który zastępuje, Grok Voice 2.0, który uplasował się na 81,3. Wyprzedza także GPT-Live-1 w konfiguracji Astra medium z wynikiem 83,2 oraz Gemini 3.8 Live Extended Thinking z 82,6, co czyni go pierwszym modelem głosowym xAI, który samodzielnie zajmuje pierwsze miejsce, a nie tylko dzieli się prawem do niego. SpaceXAI ogłosiło go 14 października, tego samego dnia, w którym zmieniono informacje o wydaniu API, i w tej samej cenie za minutę co model, który zastępuje.

Liczba, której nikt nie zacytuje, bo xAI nie umieściło jej w nagłówku, to 0,70. To czas do pierwszego dźwięku Grok Voice 2.0 w sekundach, krótszy niż 0,81 w Grok Voice 3.0. Firma, która przez rok sprzedawała naprzemienność wypowiedzi w czasie poniżej sekundy, ma teraz w ofercie flagowy model, który zaczyna mówić 0,11 sekundy później niż jej własny odchodzący model. Wciąż jest jednak około 40% szybszy na starcie niż konfiguracja GPT-Live-1, którą Artificial Analysis zmierzyła na 1,34 sekundy, więc marketingowe twierdzenie przechodzi próbę dosłownego odczytu. Nie przechodzi jej tylko w porównaniu z poprzednią wersją.

Co faktycznie zostało wydane, i ile to kosztuje

Grok Voice 3.0 to model konwersji mowy na mowę udostępniany przez ten sam działający w czasie rzeczywistym punkt końcowy WebSocket co jego poprzednik, z tymi samymi parametrami sesji i tymi samymi nazwami zdarzeń. Nie ma nowego SDK ani dokumentu migracji, ponieważ nie ma czego migrować. Zmienił się ciąg znaków modelu, a wraz z nim zachowanie, które się za nim kryje.

• Cena — 0,08 USD za minutę audio lub 4,80 USD za godzinę, plus 0,004 USD za tekst wejściowy. Identycznie jak w Grok Voice 2.0. To aktualizacja możliwości przy niezmienionej cenie, a nie zmiana cennika.

• Działanie aliasu — grok-voice-latest wskazuje teraz na grok-voice-3.0. Każdy, kto wdrożył rozwiązanie z użyciem aliasu, został automatycznie przeniesiony na nowy model, bez zmiany kodu i bez przypięcia wersji.

• Deprecacja — grok-voice-2.0 jest oznaczony jako przestarzały. Ścieżka aktualizacji dokumentowana przez xAI polega na ustawieniu pola model na grok-voice-3.0 lub pozostawieniu aliasu bez zmian.

• Endpoint i uwierzytelnianie — bez zmian. Ten sam adres URL w czasie rzeczywistym, ten sam handshake z tokenem bearer, te same krótkotrwałe tokeny efemeryczne dla połączeń po stronie klienta.

• Głosy — wbudowany zestaw głosów i endpoint niestandardowego głosu pozostają bez zmian; głosy niestandardowe są trenowane na klipie referencyjnym o długości do 120 sekund, a uzyskany voice_id działa w realtime API i strumieniowej syntezie tekstu na mowę.

Ta ostatnia lista jest powodem, dla którego zmiana aliasu ma większe znaczenie, niż się wydaje. Grok Voice 2.0 stał się celem aliasu dopiero 5 sierpnia 2026 r. — około dziesięciu tygodni przed tym wydaniem. Zespół, który w sierpniu tworzył z myślą o grok-voice-latest, ma teraz za sobą dwie ciche podmiany modelu w ciągu jednego kwartału, co jest dobrą właściwością w przypadku eksperymentu z chatbotem, a mniej dobrą w przypadku systemu telefonicznego, którego zestaw testów regresyjnych napisano pod timing konkretnego głosu.

Indeks, komponent po komponencie

Indeksy złożone ukrywają argument, dlatego warto przyjrzeć się bliżej Grok Voice 3.0. Każda liczba poniżej pochodzi z własnych testów Artificial Analysis, datowanych na 13 października 2026.

• Rozumowanie mowy, Big Bench Audio — 98,5%, w porównaniu do 97,2% dla Grok Voice 2.0.

• Dynamika konwersacji, Full Duplex Bench — 97,0%, wzrost z 95,1%.

• Preferencja w Speech Agent Arena — Elo 1070, wzrost z 1011 i najwyższy wynik na tablicy.

• Skuteczność zadania — 94,8%, wzrost z 94,6%. To najmniejsza zmiana spośród pięciu i warto ją odnotować jako taką: pod względem surowego wskaźnika ukończenia zadania oba modele są, w granicach pomiaru, tym samym modelem.

• Wydajność agentowa, τ-Voice — 71,6%, w górę z 56,5%. To największy pojedynczy skok w tym wydaniu — wzrost o 15 punktów w tym jednym komponencie, który mierzy, czy agent faktycznie potrafi ukończyć wieloetapowe zadanie, a nie tylko brzmieć przy tym kompetentnie.

• Czas do pierwszego dźwięku — 0,81 sekundy, w porównaniu z 0,70 dla Grok Voice 2.0.

Czytanie ich razem opowiada bardziej użyteczną historię niż wskaźnik złożony. Wzrost indeksu o 5,6 punktu nie rozkłada się równomiernie: niemal cały to wydajność agentowa i preferencja w arenie, podczas gdy rozumowanie i obsługa dupleksowa nieznacznie rosną, a surowy wskaźnik sukcesu zadań stoi w miejscu. Grok Voice 3.0 to lepszy agent, a nie lepszy rozmówca. Jeśli Twój produkt głosowy to linia wsparcia, która umawia wizyty i sprawdza status zamówienia, to dokładnie ta różnica, której chcesz. Jeśli to towarzysz lub front-end do odgrywania ról, wzrost indeksu jest w dużej mierze nieistotny, a zapłaciłeś za niego karą za opóźnienie.

Jedyny test, w którym lider nie jest liderem.

τ-Voice to komponent, o którym xAI powinno mówić, a jednocześnie ten, w którym wciąż pozostaje w tyle. Z wynikiem 71,6% Grok Voice 3.0 zanotował ogromny wzrost względem 56,5% swojego poprzednika — a mimo to wciąż ustępuje GPT-Live-1 skonfigurowanemu z Astra na średnim poziomie rozumowania, któremu Artificial Analysis przypisuje 74,5%. Gemini 3.8 Live osiąga 68,6% w tym samym teście.

Oto jaki kształt ma ta kategoria po tej premierze: xAI ma wskaźnik złożony i arenę; OpenAI ma test wykonywania zadań przez agenta; Google nie ma ani jednego, ani drugiego i jest tańszy od obu. Żadne z tych trzech stwierdzeń nie przeczy pozostałym, a każdy artykuł, który podaje tylko pierwsze, podaje ranking, a nie wynik.

Dostawca twierdzi, że żadna rada nie obejmuje

Twierdzenia dotyczące wydajności niosą ze sobą drugą warstwę liczb, których Artificial Analysis nie mierzy i nie może mierzyć, ponieważ opisują ruch produkcyjny wewnątrz własnych produktów jednej firmy. To są dane xAI, podane przez xAI, bez dostępnej niezależnej weryfikacji i prawdopodobnie żadnej nie będzie:

• Tesla — Mówi się, że Grok Voice obsługuje miliony rozmów dziennie w pojazdach, realizując działania w kalendarzu i poczcie e-mail przez konektory oraz zamawianie jedzenia przez tryb głosowy Grok Bot.

• Wsparcie Starlink — 20 000 rozmów z klientami dziennie w wielu językach, z czego około 70% jest rozwiązywanych bez udziału człowieka, a około jedna na cztery rozmowy sprzedażowe kończy się zakupem. Mówi się, że ten sam agent obsługuje weryfikację tożsamości, rozwiązywanie problemów ze sprzętem, środki na koncie i przesyłki zastępcze w jednym przepływie.

• ServiceNow EVA-Bench — zaokrąglona wartość dokładności na poziomie 74%, podawana jako najwyższa w tym benchmarku i najlepsza, gdy dokładność i doświadczenie klienta są oceniane łącznie. EVA-Bench obejmuje obsługę klienta w 15 narzędziach i 50 scenariuszach, zarządzanie usługami IT w 59 narzędziach i 80 scenariuszach oraz HR w 47 narzędziach i 83 scenariuszach.

Traktuj pierwsze dwa jako opis intencji, a nie jako dowód. Są najsilniejszym możliwym dowodem na to, że model głosowy działa — firma kierująca przez niego własne połączenia generujące przychody ma w tym własny interes — a jednocześnie najsłabszym możliwym dowodem dla czytelnika, ponieważ nic z tego nie poddaje się zewnętrznemu audytowi i nic z tego nie oddziela modelu od otaczających go promptów, mechanizmu wyszukiwania i polityki eskalacji. W szczególności wskaźnik containment wynoszący 70% to liczba na poziomie systemu przebrana za liczbę na poziomie modelu.

Co mówi ci cena, która się nie zmieniła

Utrzymanie stawki na poziomie $0.08 za minutę to najbardziej strategicznie interesująca rzecz w tym ogłoszeniu. Oczywista interpretacja to presja konkurencyjna: Google przez cały rok pozycjonowało Gemini Live jako tanią opcję w tej kategorii, a poprzednia generacja linii głosowej xAI już przyjęła podwyżkę cen o 60%, gdy linia Think Fast przeszła z $3.00 na $4.80 za godzinę. Ponowne podniesienie stawki flagowego produktu nie wchodziło w grę.

Efekt drugiego rzędu dotyczy każdego, kto modeluje koszty. Pomiar Artificial Analysis na zadanie wycenia Grok Voice 3.0 na $0.025 za ukończenie zadania Big Bench Audio, w porównaniu z $0.030 dla GPT-Live-1 Astra medium i $0.055 dla GPT-Realtime-2.1 High. Tańszy na zadanie i dokładniejszy na zadanie to połączenie, które kończy spory zakupowe, i po raz pierwszy w tej kategorii pojedynczy model obejmuje oba końce.

Udział warstwy routingu w tym obrazie jest węższy, niż się wydaje, i warto być precyzyjnym. OrcaRouter nie obsługuje punktu końcowego czasu rzeczywistego Grok Voice 3.0 — ten pochodzi z własnego API xAI, podobnie jak odpowiedniki Gemini Live i GPT-Live-1. To, co obsługujemy, to strona tekstowa: ponad 200 modeli językowych za jednym kluczem w cenie katalogowej dostawcy bez marży, gdzie zwykle mieszczą się oczyszczanie transkrypcji, podsumowanie po rozmowie, klasyfikacja transkrypcji do kodu dyspozycji oraz logika wywoływania narzędzi, której deleguje model głosowy. To zwykłe modele rozliczane za żądania, to dokładnie takie obciążenie, do jakiego służy router, a ponieważ cena katalogowa jest przekazywana bez zmian, obniżka ceny dostawcy na którykolwiek z nich działa po naszej stronie tego samego dnia, a nie dopiero przy kolejnym odnowieniu.

Co jest wciąż niezmierzone?

Trzy rzeczy — i to one powinny zdecydować, czy przenieść się teraz, czy przypiąć.

Pierwsza to stabilność długich sesji. Każda z powyższych liczb pochodzi z krótkich, ocenianych interakcji. Żadna publikacja nie opisuje, jak 20-minutowa rozmowa wpływa na wskaźniki błędów, a interesujący tryb awarii modelu dupleksowego — narastający dryf albo polityka przejmowania tur, która pogarsza się przy wtrącaniu się — ujawnia się dopiero w skali minut, a nie tur.

Druga to teza o zaszumionym kanale. Poprzednia generacja xAI była reklamowana w oparciu o wskaźnik błędów słów w warunkach telefonicznych, a to najbardziej falsyfikowalne twierdzenie w całej tej premierze. Każdy, kto ma korpus nagrań rozmów i wolne popołudnie, może to sprawdzić.

Po trzecie, czy wynik 0,81 sekundy utrzymuje się pod obciążeniem. Czas do pierwszego dźwięku mierzy się na nieobciążonym systemie. Środowisko produkcyjne nie jest nieobciążonym systemem.

Zanim one się pojawią, uczciwe podsumowanie Grok Voice 3.0 jest takie: to najlepszy model głosowy w publicznym rankingu, z przewagą, która jest realna, ale skupiona w jednym wymiarze; kosztuje tyle samo co model, który zastępuje; wolniej zaczyna mówić niż tamten model; i przeniósł każde istniejące wdrożenie grok-voice-latest na siebie, nie pytając o zgodę. Pierwsze trzy to powody, by go przetestować. Czwarty to powód, by mieć przypiętą wersję w konfiguracji, zanim to zrobisz.

Premiera modelu głosowego to także moment, by sprawdzić, co poszło nie tak wcześniej: udokumentowane incydenty związane ze sztuczną inteligencją oraz awarie agentów wokół modeli z tej klasy zebrano w OrcaRouter AI Incident Archive , gdzie każdy wpis zawiera własne źródła, wagę, stopień pewności i oznaczenie sporności.