Grok Voice 3.0: „Poniżej sekundy” to prawda, a „o 40% niższy” mierzy się względem niewłaściwego modelu.

SpaceXAI ogłosiła Grok Voice 3.0 14 października 2026 r., a głównym przekazem było to, że model odpowiada w niecałą sekundę, jednocześnie skracając opóźnienie o 40%. Obie te części bronią się w zetknięciu z liczbami, dlatego warto sprawdzić, które to liczby. Twierdzenie o niecałej sekundzie jest prawdziwe: 0,81 sekundy do pierwszego dźwięku — najszybszy wynik, jaki publikuje dziś jakikolwiek czołowy model typu mowa-mowa. Twierdzenie o 40% również jest prawdziwe, a porównanie zestawia Grok Voice 3.0 z GPT-Live-1 skonfigurowanym z Astra przy średnim poziomie rozumowania, które to stanowisko testowe mierzy na 1,34 sekundy. Czego materiał premierowy nie mówi, to że model, który ten zastępuje, Grok Voice 2.0, zaczyna mówić w 0,70 sekundy — o 0,11 sekundy szybciej niż flagowiec, który go wycofał.

To nie jest obalenie. Taki jest kształt tego wydania i każda jego część jest kompromisem. Grok Voice 3.0 to istotnie lepszy agent niż jego poprzednik, a przy tym nieco wolniejszy, jeśli chodzi o otwieranie ust — i te dwa fakty wskazują w przeciwnych kierunkach w zależności od tego, do czego służy twoja linia telefoniczna.

Cztery liczby, które się przesunęły, i dwie, które nie.

Artificial Analysis ponownie przeprowadziło swój ranking Speech to Speech 13 października 2026 r., dzień przed ogłoszeniem, więc pomiar poprzedza działania marketingowe. Każda liczba poniżej pochodzi z tego rankingu, a nie od SpaceXAI.

• Indeks złożony — 86,9, wzrost z 81,3 dla Grok Voice 2.0 i najwyższy wynik w zestawieniu. GPT-Live-1 w konfiguracji Astra medium osiąga 83,2, a Gemini 3.8 Live Extended Thinking — 82,6.

• Wydajność agentowa, τ-Voice — 71,6%, w górę z 56,5%. To największy skok w tym wydaniu, i to z dużą przewagą: wzrost o 15 punktów w komponencie, który ocenia, czy agent wykonuje wieloetapowe zadanie, a nie tylko brzmi kompetentnie, gdy je wykonuje.

• Preferencja areny — Elo 1070, wzrost z 1011 i najwyższy wynik na tablicy.

• Czas do pierwszego dźwięku — 0,81 sekundy wobec 0,70 sekundy w przypadku modelu, który zastępuje. Wolniej, a mimo to wciąż około 40% szybciej na starcie niż konfiguracja GPT-Live-1, z którą porównuje się SpaceXAI.

• Skuteczność w zadaniu — 94,8% wobec 94,6%. Dwie dziesiąte punktu. Pod względem surowego odsetka ukończonych zadań to, w granicach błędu pomiaru, ten sam model.

• Cena — 0,08 USD za minutę audio, czyli 4,80 USD za godzinę, plus 0,004 USD za tekst wejściowy. Identycznie jak Grok Voice 2.0. To aktualizacja możliwości przy stałym cenniku, a nie zmiana ceny.

Rozkład na składniki ma większe znaczenie niż sam nagłówek. Większość z 5,6-punktowego wzrostu wyniku złożonego pochodziła z wydajności agentowej i preferencji w arenie, z niewielkim wzrostem w rozumowaniu mowy — składnik rozumowania w rankingu wynosi od 98,5 do 99 w zależności od migawki, co i tak jest pułapem — a surowe wskaźniki sukcesu zadań pozostały płaskie. Grok Voice 3.0 jest lepszym agentem. Nie jest lepszym rozmówcą ani nie jest szybszy.

Na co tak naprawdę wskazuje „customer calls”

Brief, który ujawnił to wydanie, opisywał je jako stworzone do rozmów z klientami, a materiały dostawcy potwierdzają tę interpretację liczbami wdrożeniowymi, których nie może zweryfikować żadna zewnętrzna strona. SpaceXAI twierdzi, że Grok Voice obsługuje miliony codziennych rozmów w pojazdach Tesla i w SpaceX, że wsparcie Starlink prowadzi 20 000 połączeń z klientami dziennie w wielu językach, przy czym około 70% jest rozwiązywanych bez udziału człowieka, a około co czwarta rozmowa sprzedażowa kończy się zakupem, oraz że ten sam agent obsługuje weryfikację tożsamości, rozwiązywanie problemów ze sprzętem, uznania na koncie i wysyłki zastępcze w ramach jednego przepływu. Podaje również zaokrąglony wynik 74% w EVA-Bench firmy ServiceNow.

Czytaj uważnie wskaźnik containment, ponieważ jest to liczba, która najczęściej bywa cytowana jako zdolność modelu, choć w rzeczywistości jest wynikiem systemu. To, ile połączeń agent obsługi klienta zamyka bez eskalacji, zależy od konstrukcji promptu, jakości wyszukiwania i polityki eskalacji, którą napisałeś — nie tylko od modelu leżącego u podstaw. Dostawca, który przez własny model przepuszcza własne połączenia generujące przychody, jest najsilniejszym dostępnym sygnałem, że to działa, a jednocześnie najsłabszym dostępnym dowodem dla czytelnika, ponieważ nic z tego nie pozwala oddzielić modelu od wrappera.

Posunięcie τ-Voice to ta część wydania, która odnosi się do tego samego pytania liczbą, jaką może zweryfikować osoba z zewnątrz. Przejście z 56,5% na 71,6% w wieloturoowym benchmarku agentowym to różnica między modelem głosowym, który potrafi prowadzić rozmowę, a takim, który potrafi dokończyć zadanie w jej trakcie. To jest teza warta kupienia; to na wskaźnik powstrzymania warto poczekać.

Migracja, na którą nikt nie musiał wyrazić zgody

Grok Voice 3.0 działa na tym samym endpointcie WebSocket w czasie rzeczywistym co jego poprzednik, z tymi samymi parametrami sesji, tymi samymi nazwami zdarzeń, tym samym handshake’em z tokenem bearer oraz tym samym wbudowanym zestawem głosów i endpointem głosów niestandardowych. Nie ma zmian w SDK ani dokumentu migracyjnego, ponieważ nie ma czego migrować. Zmienił się ciąg znaków modelu i zmieniło się zachowanie stojące za nim.

A potem jest alias. grok-voice-latest od teraz wskazuje na Grok Voice 3.0, a grok-voice-2.0 jest oznaczony jako przestarzały. Każdy, kto wdrożył rozwiązanie w oparciu o alias, został automatycznie przeniesiony na nowy model, bez zmiany kodu i bez przypięcia wersji — a to ma większe znaczenie, niż się wydaje, ponieważ dopiero 5 sierpnia 2026 r. alias został wskazany na Grok Voice 2.0. Zespół, który zbudował rozwiązanie w oparciu o niego w sierpniu, przeszedł przez dwie ciche podmiany modelu w ciągu jednego kwartału. W przypadku eksperymentu z chatbotem to udogodnienie. W przypadku systemu telefonicznego, którego zestaw testów regresyjnych napisano pod timing konkretnego głosu i konkretny czas do pierwszego dźwięku, to zmiana konfiguracji, którą ktoś inny wprowadził w twoim imieniu.

Druga pozycja w tym samym briefie

Premiera nie przyszła sama. Marketplace Grok Bot jest teraz otwarty na zgłoszenia deweloperów dotyczące konektorów i wtyczek, co jest innym rodzajem wiadomości i wartym odnotowania, ponieważ oba ogłoszenia na siebie oddziałują. Grok Bot to produkt agentowy, którego komputery w chmurze logują się do narzędzi, z których zespół już korzysta; potok zgłoszeń konektorów sprawia, że jego lista integracji zmienia się z tego, co napisał SpaceXAI, w to, czego potrzebują jego klienci.

Połącz te dwie rzeczy, a ciekawa konsekwencja ma charakter architektoniczny, a nie komercyjny. Jeśli głos jest interfejsem do agenta, a zasięg agenta wyznaczają konektory, które może on wywoływać, to powierzchnią, która decyduje, czy wywołanie się powiedzie, jest coraz częściej warstwa narzędzi. To warstwa, której dostawca rozwiązań głosowych nie posiada i której nie poddaje benchmarkom. Nie istnieje dla niej publiczny wskaźnik i nie powstanie, ponieważ dla każdego klienta jest inny.

Gdzie router faktycznie pełni tu rolę nośną

OrcaRouter nie obsługuje endpointu czasu rzeczywistego Grok Voice 3.0. Ten endpoint należy do SpaceXAI i nic nie może pośredniczyć w sesji dupleksowego audio należącej do jednego dostawcy; każdy, kto twierdzi inaczej, opisuje możliwość, której nie posiada. To, co utrzymujemy, to warstwa tekstowa pod nim — sumaryzator, który zapisuje rekord po zakończeniu połączenia, klasyfikator, który przypisuje kod dyspozycji, wyszukiwanie, które odpowiada na to, co przekazał model głosowy, oraz wywołania narzędzi stojące za konektorami, które marketplace obecnie przyjmuje. Ta praca jest rozliczana za żądanie i to tam kumuluje się znacząca część kosztu na połączenie: 207 modeli od kilkunastu dostawców upstream za jednym kluczem, w cenie katalogowej dostawcy bez żadnej marży, z automatycznym przełączaniem awaryjnym, gdy dostawca zaczyna działać gorzej, oraz z DSL routingu, który łączy kilka modeli w jedno wywołanie. Ponieważ nic nie jest objęte marżą, obniżka ceny przez dostawcę któregokolwiek z tych modeli obowiązuje 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 najpierw przypiąć swoją wersję.

Pierwszą jest stabilność długich sesji. Każda z powyższych liczb pochodzi z krótkich, ocenianych interakcji. Żadna publikacja nie obejmuje tego, co 20-minutowa rozmowa robi ze wskaźnikami błędów, a tryby awarii istotne dla modelu dupleksowego — kumulujący się dryf, polityka przejmowania tur, która degraduje się przy powtarzającym się wtrącaniu — ujawniają się dopiero w skali minut, a nie pojedynczych tur.

Drugą kwestią jest to, czy 0,81 sekundy utrzyma się pod obciążeniem. Czas do pierwszego dźwięku mierzy się w systemie bez obciążenia, a środowisko produkcyjne nie jest systemem bez obciążenia. 0,70 sekundy poprzednika zmierzono w ten sam sposób, dlatego porównanie między nimi jest co najmniej porównaniem na tych samych zasadach, a porównanie z wdrożeniem na żywo już nie.

Trzecia to teza o kanale zaszumionym. Poprzednia generacja tej linii była promowana na podstawie współczynnika błędów słów w warunkach telefonicznych i w 24 językach, a to najbardziej falsyfikowalna rzecz, jaką dostawca kiedykolwiek powiedział o modelu głosowym. Nowsze materiały premierowe nie powtarzają tego, co jest albo przeoczeniem, albo przyznaniem się, i nikt z zewnątrz nie może obecnie stwierdzić, które to jest. Każdy, kto ma korpus nagrań rozmów i wolne popołudnie, może to sprawdzić, a dopóki ktoś tego nie zrobi, uczciwe podsumowanie Grok Voice 3.0 jest następujące: najlepszy wynik zbiorczy na publicznej tablicy wyników, skoncentrowany na wydajności agentowej; ta sama cena co model, który zastępuje; wolniejszy w rozpoczęciu mówienia niż tamten model; i wdrożony na każdego istniejącego użytkownika aliasu bez pytania. Pierwsze trzy to powody, by go przetestować, a czwarty to powód, by mieć przypiętą wersję w konfiguracji, zanim to zrobisz.