Grok Voice 3.0 vs Grok Voice Think Fast 2.0: Darmowa aktualizacja, realne zyski, jedna regresja

Model, który Grok Voice 3.0 zastępuje, to ten sam model, który znajdziesz na Artificial Analysis pod inną nazwą. Poszukaj na tablicy Grok Voice Think Fast 2.0 i nie znajdziesz go; poszukaj Grok Voice 2.0, a znajdziesz 81.3, która jest liczbą, jaką relacja z premiery wcześniejszego modelu podała dla Think Fast 2.0 w konfiguracji oznaczonej jako "High". API SpaceXAI nazywa identyfikator modelu grok-voice-2.0, a jego notatki o wydaniu nazywają lipcową generację Grok Voice 2.0, podczas gdy ogłoszenie, które go wprowadziło, używało nazwy Think Fast. Zatem kiedy SpaceXAI oznaczyło grok-voice-2.0 jako przestarzałe 14 października 2026 i skierowało grok-voice-latest na grok-voice-3.0, wycofało model, który jego własny wiersz na tablicy wyników i jego własna nazwa marketingowa opisują jako dwie rzeczy.

Praktyczną konsekwencją jest to, że aktualizacja, którą wiele zespołów już otrzymało — po cichu, bez wdrożenia, ponieważ alias się przesunął — jest większa, niż sugeruje zamieszanie z nazewnictwem, i mniejsza, niż implikuje luka w indeksie. Oba modele naliczają 0,08 USD za minutę i 0,004 USD za wejście tekstowe, więc cena się nie zmieniła. Jakość w większości tak.

Co daje aktualizacja, komponent po komponencie

Wszystkie liczby w tej sekcji pochodzą z własnych testów Artificial Analysis: z dnia 13 października 2026 r. dla Grok Voice 3.0 i z tego samego rankingu dla ustępującej generacji.

• Indeks mowy na mowę — 86,9 dla Grok Voice 3.0 w porównaniu z 81,3 dla Grok Voice Think Fast 2.0. Łączny wzrost o 5,6 punktu, który brzmi jak podbicie wersji, dopóki nie rozłożysz go na czynniki pierwsze.

• Wydajność agentowa, τ-Voice — 71,6% vs 56,5%. To tutaj tak naprawdę rozstrzyga się wartość tego wydania. Piętnaście punktów w ukończeniu zadań wieloturażowych to różnica między modelem głosowym, który obsługuje rozmowę według scenariusza, a takim, który radzi sobie z rozmową z rozgałęzieniami.

{{1}}Speech Agent{{/1}} — {{2}}Elo 1070 vs 1010{{/2}}. {{3}}Pięćdziesiąt dziewięć punktów przewagi w preferencjach użytkowników{{/3}}, i najwyższy zarejestrowany wynik.

• Dynamika konwersacyjna, Full Duplex Bench — 97,0% vs 95,1%. Prawie dwa punkty w zakresie wcinania się w wypowiedź i przejmowania tur, czyli osi, na której ta linia modeli miała pierwotnie wygrywać.

• Rozumowanie mowy, Big Bench Audio — 98,5% vs 97,2%. Oba w praktyce na maksymalnym poziomie.

• Skuteczność zadania — 94,8% vs 94,6%. Bez różnicy w granicach pomiaru. Jeśli Twoja ocena dotyczy pojedynczego polecenia wykonanego poprawnie, te dwa modele uzyskują taki sam wynik, a ulepszenie jest niewidoczne.

• Czas do pierwszego dźwięku — 0,81 sekundy dla Grok Voice 3.0 vs 0,70 dla Grok Voice Think Fast 2.0.

• Cena — identyczna po obu stronach. 0,08 $ za minutę, 4,80 $ za godzinę, plus 0,004 $ za wprowadzenie tekstu.

Regresja i dlaczego to właśnie ta część jest interesująca

Przeczytaj razem dwa ostatnie wiersze. Grok Voice Think Fast 2.0 skrócił czas do pierwszego dźwięku z 1,25 sekundy swojego poprzednika do 0,70, a xAI mocno się tym chwaliło — był to najszybszy publikowany wynik w tej kategorii, gdy trafił na rynek pod koniec lipca 2026 roku, i nadal jest szybszy niż cokolwiek innego w zestawieniu. Grok Voice 3.0 oddaje z tego 0,11 sekundy.

To nie skandal i nie przypadek. To widoczna cena skoku τ-Voice. Cokolwiek xAI dodało do modelu, aby podnieść wskaźnik ukończenia zadań wieloturwych z 56,5% do 71,6%, kosztuje czas przed pierwszą ramką audio, a żadna ilość inżynierii promptów tego nie nadrobi, ponieważ opóźnienie jest wewnątrz modelu, a nie przed nim.

To, co sprawia, że warto powiedzieć to wprost, polega na tym, że odwraca to argumentację. Zespół, który wybrał Think Fast 2.0, zrobił to w większości przypadków ze względu na 0,70. Jeśli właśnie dlatego ten model znajduje się w twoim stosie, następca jest mierzalnie gorszy pod względem właściwości, dla której go kupiłeś, a uczciwym posunięciem jest zmierzenie, czy 0,11 sekundy dodatkowego opóźnienia kosztuje cię więcej niż daje ci 15 punktów zysku w ukończeniu zadań. W przypadku wdrożenia telefonicznego odpowiedź nie jest oczywista w żadnym kierunku i zależy od tego, gdzie w twoim przepływie połączeń agent wykonuje rzeczywistą pracę.

Alias został przeniesiony, a to nie jest przypis.

grok-voice-2.0 jest przestarzały od wydania z 14 października, a grok-voice-latest wskazuje teraz na grok-voice-3.0. Każdy, kto wdrożył aplikację z użyciem aliasu, został automatycznie przeniesiony na nowy model — bez zmian w kodzie i bez niczego w logach, co by na to wskazywało.

Zestaw to z osią czasu, a staje się to schematem, a nie incydentem. 5 sierpnia 2026 r. — około dziesięciu tygodni przed tym wydaniem — grok-voice-latest wskazywał na model nazywany obecnie Think Fast 2.0, a programiści, którzy chcieli pozostać przy poprzedniej generacji, musieli przed tą datą przypiąć wersjonowany identyfikator modelu albo zaakceptować tę zmianę. To dwie ciche podmiany w jednym kwartale, z których każda zmienia charakterystykę opóźnień o więcej niż jedną dziesiątą sekundy, bez manifestu wersji i bez ogłoszonego z wyprzedzeniem okna deprecjacji.

Dla chatbota to w porządku. Dla systemu telefonicznego z zestawem testów regresyjnych napisanych pod timing konkretnego głosu albo umowy SLA, która określa opóźnienie interakcji, oznacza to, że alias nie jest taką abstrakcją, na jaką wygląda. W środowisku produkcyjnym przypnij wersjonowany identyfikator, a grok-voice-latest traktuj jako udogodnienie dla środowiska stagingowego, a nie cel wdrożenia.

Co się nie zmieniło i jedna rzecz, która się przenosi

Ta aktualizacja jest niemal zamiennikiem typu drop-in i warto sprecyzować, dlaczego, ponieważ alternatywa — na przykład GPT-Live-1 — wymaga przepisania transportu audio na WebRTC oraz wzorca delegacji, który nie ma tutaj odpowiednika. Grok Voice 3.0 zachowuje ten sam punkt końcowy WebSocket czasu rzeczywistego, te same parametry session.update, te same nazwy zdarzeń, ten sam handshake z tokenem bearer oraz te same krótkotrwałe tokeny efemeryczne dla połączeń po stronie klienta. Głosy pozostają niezmienione, a punkt końcowy niestandardowego głosu, który trenuje głos na podstawie klipu referencyjnego o długości do 120 sekund, generuje identyfikatory działające w interfejsie API czasu rzeczywistego i strumieniowej syntezie mowy dokładnie tak jak wcześniej.

To, co się przenosi, a nie poprawia, to dowody po stronie transkrypcji. Poprzednia generacja była mocno reklamowana na podstawie wskaźnika błędów słów — xAI podało, że oceniało tysiące krótkich fraz w 24 językach i stwierdziło, że błąd jest od 1,5 do 2,0 razy niższy niż w dedykowanych modelach zamiany mowy na tekst, w tym Deepgram Nova 3 i ElevenLabs Scribe v2, 1,4 razy niższy niż w jego własnym poprzedniku, oraz około 10 razy niższy błąd w warunkach szumowych z szumem tła i kompresją telefoniczną. Są to dane producenta i nigdy nie zostały niezależnie odtworzone. Materiały premierowe Grok Voice 3.0 nie powtarzają ich, co nie jest ani potwierdzeniem, ani wycofaniem. Jeśli dokładność w warunkach szumowych ma kluczowe znaczenie dla Twojego wdrożenia, to jedna z niewielu rzeczy, które musisz samodzielnie przetestować, zamiast odczytywać z tablicy.

Próbuję nowego, nie ryzykując przy tym linii telefonicznej

Powód, dla którego przypięcie wersji kosztuje tutaj tak niewiele, jest taki, że nic związanego z Grok Voice 3.0 nie jest trudne do uruchomienia obok siebie — a powód, dla którego warto mieć router w tym stosie, nie tkwi w warstwie audio, która należy wyłącznie do xAI, lecz we wszystkim, co warstwa audio wywołuje.

OrcaRouter nie obsługuje endpointu czasu rzeczywistego Grok Voice i nie mógłby; dupleksowy WebSocket audio to interfejs jednego dostawcy. To, co uruchamiamy, to warstwa tekstowa, po którą sięga model głosowy. Wdrożenie głosowe to model głosowy plus klasyfikator, sumaryzator, etap wyszukiwania i backend wywołujący narzędzia, a ta połowa to zwykłe wnioskowanie rozliczane za żądanie: ponad 200 modeli za jednym kluczem, w cenie katalogowej dostawcy, bez marży, więc obniżka ceny u dowolnego dostawcy w tej warstwie trafia do nas tego samego dnia, a nie przy odnowieniu; automatyczne przełączanie awaryjne w razie pogorszenia działania dostawcy, co w przypadku aktywnej rozmowy oznacza różnicę między ponownym wyszukaniem a rozłączeniem dzwoniącego; oraz DSL routingu, który pozwala łączyć kilka modeli w jedno wywołanie i przełączać ten miks na żywym ruchu bez dotykania ścieżki audio.

Ta struktura sprawia, że przypięcie wersji jest tanie. Zostaw grok-voice-2.0 na produkcji, skieruj drugie środowisko na grok-voice-3.0 i pozwól tym samym modelom backendu obsługiwać oba — porównanie mierzy wtedy tę jedną zmienną, którą faktycznie zmieniono, a ścieżka kodu pod spodem jest identyczna w obu kierunkach.

Werdykt, każdy w jednej linii

Zaktualizuj, jeśli twój agent wykonuje pracę, a nie prowadzi rozmowy. Piętnaście punktów τ-Voice i 59 punktów preferencji Arena przy stałej cenie to najczystsza transakcja wartość za nic w tej kategorii w tym roku, a nic w integracji nie musi się zmieniać, żeby to uzyskać.

Przypnij i przetestuj najpierw, jeśli całym twoim argumentem za linią głosową xAI był start 0,70 sekundy. Ta właściwość wynosi teraz 0,81, model, który pobił ten wynik, nadal działa i jest przestarzały, a nie usunięty.

Zignoruj nazewnictwo. Grok Voice Think Fast 2.0, Grok Voice 2.0 oraz identyfikator API grok-voice-2.0 wskazują na tę samą generację, a jeśli czytałeś ranking, który wymienia tylko jedną z tych nazw, czytałeś właściwą liczbę pod etykietą, której nie używa twój własny plik konfiguracyjny.

Właśnie przy takich porównaniach ujawniają się też tryby awarii: udokumentowane incydenty związane z AI i awarie agentów stojące za modelami z tej klasy zebrano w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis ma własne źródła, wagę, ocenę wiarygodności i flagę sporu.