Grok Voice 3.0 toppar Speech to Speech Index med 86,9 – och lämnar tillbaka latensrekordet

Siffran alla kommer att citera är 86,9. Det är där Grok Voice 3.0 landade på Artificial Analysis Speech to Speech Index när resultattavlan kördes om den 13 oktober 2026, fem och en halv poäng före modellen den ersätter, Grok Voice 2.0, som låg på 81,3. Den ligger också före GPT-Live-1 i dess Astra medium-konfiguration på 83,2 och Gemini 3.8 Live Extended Thinking på 82,6, vilket gör den till den första xAI-röstmodellen som håller den översta raden helt själv i stället för att dela anspråket på den. SpaceXAI tillkännagav den 14 oktober, samma dag som API:ets versionsanteckningar ändrades, och till samma pris per minut som modellen den pensionerar.

Siffran som ingen kommer att citera, eftersom xAI inte lade den i rubriken, är 0,70. Det är Grok Voice 2.0:s tid till första ljud i sekunder, och den är snabbare än Grok Voice 3.0:s 0,81. Företaget som i ett år har sålt in subsekundsnabb turtagning har nu en flaggskeppsmodell som börjar tala 0,11 sekunder senare än dess egen utgående modell. Den är fortfarande ungefär 40 % snabbare från start än den GPT-Live-1-konfiguration som Artificial Analysis uppmätte till 1,34 sekunder, så marknadsföringspåståendet håller vid en rak läsning. Det håller bara inte vid en jämförelse med den föregående versionen.

Vad som faktiskt levererades, och vad det kostar

Grok Voice 3.0 är en tal-till-tal-modell som serveras via samma realtids-WebSocket-endpoint som sin föregångare, med samma sessionsparametrar och samma händelsenamn. Det finns inget nytt SDK och inget migreringsdokument, eftersom det inte finns något att migrera. Modellsträngen ändrades och beteendet bakom den ändrades.

• Pris — 0,08 USD per ljudminut, eller 4,80 USD per timme, plus 0,004 USD per textinmatning. Identiskt med Grok Voice 2.0. Detta är en kapacitetsuppdatering till oförändrat pris, inte en omprissättning.

• Aliasbeteende – grok-voice-latest pekar nu på grok-voice-3.0. Alla som hade driftsatt mot aliaset flyttades automatiskt över till den nya modellen, utan kodändring och utan versionslåsning.

• Utfasning – grok-voice-2.0 är flaggad som utfasad. Uppgraderingsvägen som xAI dokumenterar är att ställa in fältet model till grok-voice-3.0 eller låta aliaset vara kvar.

• Endpoint och auth — oförändrade. Samma realtids-URL, samma handskakning med bearer-token, samma kortlivade efemära tokens för anslutningar på klientsidan.

• Röster — den inbyggda röstuppsättningen och slutpunkten för anpassade röster är oförändrade; anpassade röster tränas från ett referensklipp på upp till 120 sekunder och det resulterande voice_id fungerar i realtids-API:et och strömmande text-till-tal.

Den sista listan är anledningen till att aliasbytet spelar större roll än det låter. Grok Voice 2.0 gjordes först till aliasmål den 5 augusti 2026 – ungefär tio veckor före den här utgåvan. Ett team som byggde mot grok-voice-latest i augusti har nu gått igenom två tysta modellbyten under ett enda kvartal, vilket är en bra egenskap för ett chatbot-experiment och en mindre bra sådan för ett telefonsystem vars regressionssvit skrevs mot en specifik rösts timing.

Indexet, komponent för komponent

Sammansatta index döljer argumentet, så det är värt att plocka isär Grok Voice 3.0. Alla siffror nedan kommer från Artificial Analysis egenutförda tester, daterade 13 oktober 2026.

• Talresonemang, Big Bench Audio — 98,5 %, upp från 97,2 % för Grok Voice 2.0.

• Konversationsdynamik, Full Duplex Bench — 97,0 %, upp från 95,1 %.

• Speech Agent Arena-preferens Elo 1070, upp från 1011, och högst på tavlan.

• Uppgiftsframgång — 94,8 %, upp från 94,6 %. Detta är den minsta förändringen av de fem och värt att notera som sådan: sett till rå uppgiftslösning är de två modellerna, inom mätosäkerheten, samma modell.

• Agentisk prestanda, τ-Voice – 71,6 %, upp från 56,5 %. Detta är den största enskilda förändringen i släppet, ett hopp på 15 punkter för den komponent som mäter huruvida en agent faktiskt kan slutföra en uppgift över flera turer i stället för att bara verka kompetent medan den utför den.

• Tid till första ljud — 0,81 sekunder, jämfört med 0,70 för Grok Voice 2.0.

Att läsa dem tillsammans berättar en mer användbar historia än det sammansatta måttet gör. Indexökningen på 5,6 punkter är inte jämnt fördelad: nästan hela består av agentisk prestanda och arenapreferens, medan resonemang och duplexhantering rör sig svagt uppåt och rå uppgiftsframgång står stilla. Grok Voice 3.0 är en bättre agent, inte en bättre samtalspartner. Om din röstprodukt är en supportlinje som bokar möten och kontrollerar orderstatus, är det precis det delta du vill ha. Om det är en följeslagare eller en rollspelsfront-end, är indexökningen till stor del irrelevant, och du har betalat ett latensstraff för den.

Det enda testet där ledaren inte är ledaren

τ-Voice är komponenten som xAI borde prata om, och den där man fortfarande ligger efter. Med 71,6 % har Grok Voice 3.0 ökat enormt jämfört med föregångarens 56,5 % – och ligger fortfarande efter GPT-Live-1 konfigurerad med Astra på medelhög resonemangsnivå, som Artificial Analysis anger till 74,5 %. Gemini 3.8 Live ligger på 68,6 % i samma test.

Så ser kategorin ut efter den här lanseringen: xAI har kompositmåttet och arenan; OpenAI har det agentiska testet för uppgiftsfullföljande; Google har ingendera och är billigare än båda. Inget av dessa tre påståenden motsäger de andra, och varje artikel som bara rapporterar det första rapporterar en rankning snarare än ett resultat.

Leverantören hävdar att ingen styrelse täcker

Prestandapåståendena kommer med ett andra lager av siffror som Artificial Analysis inte mäter och inte kan mäta, eftersom de beskriver produktionstrafik i ett företags egna produkter. Detta är xAI:s siffror, rapporterade av xAI, utan någon oberoende verifiering tillgänglig och någon sådan är inte heller sannolik:

• Tesla — Grok Voice uppges driva miljontals konversationer per dag i fordon, och hanterar kalender- och e-poståtgärder via anslutningar samt matbeställning via Grok Bots röstläge.

• Starlink-support – 20 000 kundsamtal per dag på flera språk, varav cirka 70 % löstes utan mänsklig inblandning och ungefär vart fjärde säljsamtal ledde till ett köp. Samma agent uppges hantera identitetsverifiering, felsökning av hårdvara, kontokrediter och ersättningsleveranser i ett och samma flöde.

• ServiceNow EVA-Bench — en avrundad noggrannhetssiffra på 74 %, rapporterad som högst i den benchmarken och bäst när noggrannhet och kundupplevelse poängsätts tillsammans. EVA-Bench omfattar kundservice med 15 verktyg och 50 scenarier, IT-tjänstehantering med 59 verktyg och 80 scenarier samt HR med 47 verktyg och 83 scenarier.

Betrakta de två första som en beskrivning av avsikten snarare än som bevis. De är det starkaste möjliga beviset för att en röstmodell fungerar – ett företag som låter sina egna intäktsgenererande samtal gå via den har något att förlora – och samtidigt det svagaste möjliga beviset för en läsare, eftersom inget av det kan granskas utifrån och inget av det skiljer modellen från promptarna, retrievalen och eskaleringspolicyn som omger den. Särskilt containment-siffran på 70 % är ett systemnivåmått utklätt till ett modellnivåmått.

Vad ett pris som inte rörde sig säger dig

Att hålla priset på 0,08 dollar per minut är det mest strategiskt intressanta i lanseringen. Den uppenbara tolkningen är konkurrenspress: Google har under året positionerat Gemini Live som det billiga alternativet i den här kategorin, och den tidigare generationen av xAI:s röstlinje hade redan absorberat en prishöjning på 60 % när Think Fast-linjen gick från 3,00 till 4,80 dollar per timme. Att höja flaggskeppspriset igen var inte möjligt.

Andra ordningens effekt gäller alla som modellerar kostnad. Artificial Analysiss mätning per uppgift placerar Grok Voice 3.0 på 0,025 USD för att slutföra en Big Bench Audio-uppgift, mot 0,030 USD för GPT-Live-1 Astra medium och 0,055 USD för GPT-Realtime-2.1 High. Billigare per uppgift och mer exakt per uppgift är kombinationen som gör slut på inköpsdebatter, och det är första gången i den här kategorin som en enda modell har hållit båda ändarna.

Var ett routningslager kommer in i den här bilden är snävare än det ser ut, och det är värt att vara exakt. OrcaRouter betjänar inte realtidsendpointen för Grok Voice 3.0 – den kommer från xAI:s eget API, liksom motsvarigheten för Gemini Live och GPT-Live-1. Det vi däremot kör är textsidan: 200+ språkmodeller bakom en enda nyckel till leverantörens listpris utan påslag, vilket är där transkriptionsrensningen, sammanfattningen efter samtalet, klassificeringen av ett transkript till en dispositionskod och den verktygsanropslogik som röstmodellen delegerar till brukar ligga. Det är vanliga modeller som mäts per förfrågan, de är precis den arbetsbelastning en router är till för, och eftersom listpriset förs vidare oförändrat blir en leverantörs prissänkning på någon av dem live hos oss samma dag i stället för vid din nästa förnyelse.

Vad är fortfarande omätt?

Tre saker, och det är de som bör avgöra om du flyttar nu eller fäster.

Det första är stabilitet över långa sessioner. Alla siffror ovan kommer från korta, poängsatta interaktioner. Inget publicerat material täcker vad ett 20-minuterssamtal gör med felfrekvenserna, och det intressanta felmoden för en duplexmodell – ackumulerande drift, eller en turtagningspolicy som försämras vid barge-in – visar sig först över minuter, inte över turer.

Den andra är påståendet om den brusiga kanalen. xAI:s föregående generation marknadsfördes utifrån ordfelsfrekvens under telefoniförhållanden, och det är det mest falsifierbara påståendet i hela lanseringen. Vem som helst med en korpus av samtalsinspelningar och en eftermiddag kan kontrollera det.

Den tredje är huruvida siffran 0,81 sekunder håller under belastning. Tid till första ljud mäts på ett tyst system. Produktion är inte ett tyst system.

Tills de är på plats är den ärliga sammanfattningen av Grok Voice 3.0 denna: det är den bästa röstmodellen på den offentliga resultattavlan med en marginal som är verklig men koncentrerad till en dimension, den kostar lika mycket som modellen den ersätter, den är långsammare att börja tala än den modellen, och den flyttade över varje befintlig grok-voice-latest-driftsättning till sig själv utan att fråga. De tre första är skäl att testa den. Den fjärde är ett skäl att ha en versionslåsning i din konfiguration innan du gör det.

En röstmodells lansering är också tillfället att kontrollera vad som har gått fel tidigare: de dokumenterade AI-incidenterna och agentfelen kring modeller i den här klassen samlas i OrcaRouter AI Incident Archive , där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omtvistad flagga.