Grok Voice 3.0: "Under en sekund" stämmer, och "40 % lägre" mäts mot fel modell

SpaceXAI tillkännagav Grok Voice 3.0 den 14 oktober 2026, och det man inledde med var att modellen svarar på under en sekund samtidigt som den minskar latensen med 40 %. Båda delarna av detta håller mot siffrorna, vilket är anledningen till att det är värt att läsa vilka siffror det handlar om. Påståendet om under en sekund är sant: 0,81 sekunder till första ljud, den snabbaste siffran som någon frontier-modell för tal-till-tal publicerar i dag. Påståendet om 40 % är också sant, och det jämför Grok Voice 3.0 med GPT-Live-1 konfigurerad med Astra vid medelhög resonemangsansträngning, vilket boarden mäter till 1,34 sekunder. Vad lanseringsmaterialet inte säger är att modellen som den här ersätter, Grok Voice 2.0, börjar tala på 0,70 sekunder – 0,11 sekunder snabbare än flaggskeppet som pensionerade den.

Det är inte en motbevisning. Det är formen på den här lanseringen, och varje del av den är en avvägning. Grok Voice 3.0 är en väsentligt bättre agent än sin föregångare och en något långsammare sådan när det gäller att öppna munnen, och dessa två fakta pekar i motsatta riktningar beroende på vad din telefonlinje är till för.

De fyra numren som flyttades, och de två som inte gjorde det

Artificial Analysis körde om sin Speech to Speech-resultattavla den 13 oktober 2026, dagen innan tillkännagivandet, så mätningen föregår marknadsföringen. Varje siffra nedan är resultattavlans, inte SpaceXAI:s.

• Sammansatt index — 86,9, upp från 81,3 för Grok Voice 2.0, och den högsta poängen på tavlan. GPT-Live-1 i sin Astra medium-konfiguration ligger på 83,2 och Gemini 3.8 Live Extended Thinking på 82,6.

• Agentisk prestanda, τ-Voice – 71,6 %, upp från 56,5 %. Detta är den största förändringen i utgåvan med god marginal: ett hopp på 15 punkter på komponenten som bedömer huruvida en agent slutför en uppgift i flera steg i stället för att bara verka kompetent när den gör det.

• Arenapreferens — Elo 1070, upp från 1011, och den högsta på tavlan.

• Tid till första ljud — 0,81 sekunder, jämfört med 0,70 sekunder för modellen den ersätter. Långsammare, och ändå ungefär 40 % snabbare från start än den GPT-Live-1-konfiguration som SpaceXAI jämför sig med.

• Uppgiftsframgång — 94,8 %, mot 94,6 %. Två tiondels procentenhet. Vad gäller rå uppgiftsfullföljning är dessa, inom mätfelet, samma modell.

• Pris — $0.08 per minut ljud, eller $4.80 i timmen, plus $0.004 per textinmatning. Identiskt med Grok Voice 2.0. Detta är en kapacitetsuppdatering med oförändrad prislista, inte en omprissättning.

Uppdelningen är viktigare än rubriken. Merparten av den sammansatta ökningen på 5,6 punkter kom från agentisk prestanda och arenapreferens, med en liten knuff inom talresonemang — tavlans resonemangskomponent ligger mellan 98,5 och 99 beroende på ögonblicksbilden, vilket hur som helst är ett tak — och rå uppgiftsframgång oförändrad. Grok Voice 3.0 är en bättre agent. Den är inte en bättre samtalspartner, och den är inte snabbare.

Vad "kundsamtal" faktiskt pekar på

Den brief som dök upp i samband med detta släpp beskrev det som byggt för kundsamtal, och leverantörens material stöder den tolkningen med driftsiffror som ingen utomstående part kan granska. SpaceXAI säger att Grok Voice driver miljontals dagliga konversationer i Teslafordon och inom SpaceX, att Starlink-support hanterar 20 000 kundsamtal om dagen på flera språk, där ungefär 70 % löses utan mänsklig inblandning och omkring vart fjärde säljsamtal leder till ett köp, och att samma agent hanterar identitetsverifiering, hårdvarufelsökning, kontokrediter och ersättningsleveranser i ett och samma flöde. Företaget rapporterar också en avrundad siffra på 74 % på ServiceNows EVA-Bench.

Läs containmentgraden noggrant, eftersom det är det tal som mest sannolikt citeras som en modellförmåga när det i själva verket är ett systemresultat. Hur många samtal en supportagent stänger utan eskalering beror på promptdesign, hämtningskvalitet och den eskaleringspolicy du har skrivit – inte bara på modellen under. Att en leverantör dirigerar sina egna intäktssamtal genom sin egen modell är den starkaste tillgängliga signalen om att saken fungerar, och samtidigt det svagaste tillgängliga beviset för en läsare, eftersom inget av det skiljer modellen från wrappern.

τ-Voice-rörelsen är den del av släppet som svarar på samma fråga med en siffra som en utomstående kan kontrollera. Att gå från 56,5 % till 71,6 % på ett agentiskt benchmark med flera turer är skillnaden mellan en röstmodell som kan hålla en konversation och en som kan slutföra en uppgift i den. Det är påståendet som är värt att köpa; inneslutningssiffran är den som är värd att vänta på.

Migrationen som ingen behövde samtycka till

Grok Voice 3.0 körs över samma WebSocket-endpoint för realtid som sin föregångare, med samma sessionsparametrar, samma händelsenamn, samma bearer-token-handskakning och samma inbyggda röstuppsättning plus endpoint för anpassad röst. Det finns ingen SDK-ändring och inget migreringsdokument, eftersom det inte finns något att migrera. Modellsträngen ändrades och beteendet bakom den ändrades.

Sedan har vi aliaset. grok-voice-latest pekar nu på Grok Voice 3.0, och grok-voice-2.0 har flaggats som föråldrad. Alla som hade driftsatt mot aliaset flyttades automatiskt över till den nya modellen, utan kodändring och utan att låsa versionen – och det spelar större roll än det låter, eftersom aliaset inte pekades mot Grok Voice 2.0 förrän den 5 augusti 2026. Ett team som byggde mot det i augusti har genomgått två tysta modellbyten under ett enda kvartal. För ett chatbotexperiment är det en bekvämlighet. För ett telefonsystem vars regressionstestsvit skrevs mot en specifik rösts timing och en specifik tid till första ljud, är det en konfigurationsändring som någon annan gjort åt dig.

Den andra punkten i samma brief

Lanseringen kom inte ensam. Marknadsplatsen för Grok Bot är nu öppen för utvecklares inlämningar av anslutningar och plugins, vilket är en annan typ av nyhet och värt att nämna eftersom de två tillkännagivandena samverkar. Grok Bot är agentprodukten vars molndatorer loggar in i de verktyg som ett team redan använder; ett inlämningsflöde för anslutningar är det som förvandlar dess integrationslista från vad SpaceXAI har skrivit till vad dess kunder behöver.

Lägger man ihop de två är den intressanta konsekvensen arkitektonisk snarare än kommersiell. Om rösten är gränssnittet mot en agent, och agentens räckvidd definieras av de anslutningar den kan anropa, är den yta som avgör om ett anrop går igenom i allt högre grad verktygslagret. Det är lagret som en röstleverantör inte äger och inte mäter prestandan för. Det finns ingen offentlig siffra för det, och det kommer inte att finnas någon, eftersom den är olika för varje kund.

Där en router faktiskt är bärande här

OrcaRouter tillhandahåller inte Grok Voice 3.0-realtidsendpointen. Den endpointen tillhör SpaceXAI och ingenting kan tränga sig in i en duplexljudsession som ägs av en enda leverantör; den som påstår något annat beskriver en funktion de inte har. Det vi kör är textnivån under den – sammanfattaren som skriver protokollet efter samtalet, klassificeraren som tilldelar en dispositionskod, hämtningen som besvarar det röstmodellen lämnade över, och de verktygsanrop som ligger bakom de kopplingar som marknadsplatsen nu tar emot. Det arbetet mäts per förfrågan och det är där en betydande del av kostnaden per samtal ackumuleras: 207 modeller från ett drygt dussin uppströmsleverantörer bakom en enda nyckel, till leverantörens listpris utan påslag, med automatisk redundansväxling när en leverantör försämras och ett routing-DSL som komponerar flera modeller till ett anrop. Eftersom inget har något påslag blir en leverantörs prissänkning på någon av dessa modeller aktiv 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 går vidare nu eller låser din version först.

Det första är stabilitet under långa sessioner. Varje siffra ovan kommer från korta, poängsatta interaktioner. Inget som publicerats täcker vad ett 20-minuterssamtal gör med felfrekvenserna, och de felmoder som har betydelse för en duplexmodell – ackumulerande drift, en turtagningspolicy som försämras vid upprepade avbrott – visar sig först över minuter snarare än turer.

Det andra är huruvida 0,81 sekunder håller under belastning. Tid till första ljud mäts på ett tyst system, och produktionsmiljön är inte ett tyst system. Föregångarens 0,70 sekunder mättes på samma sätt, vilket är anledningen till att jämförelsen mellan dem åtminstone är jämförbar, medan jämförelsen med en skarp driftsättning inte är det.

Det tredje är påståendet om den brusiga kanalen. Den tidigare generationen i den här serien marknadsfördes med ordfelsfrekvens under telefoniförhållanden och över 24 språk, och det är det mest falsifierbara som leverantören någonsin har sagt om en röstmodell. Det nyare lanseringsmaterialet upprepar det inte, vilket antingen är ett förbiseende eller ett medgivande, och ingen utomstående kan för närvarande avgöra vilket. Den som har ett material med samtalsinspelningar och en eftermiddag till övers kan kontrollera det, och tills någon gör det är den ärliga sammanfattningen av Grok Voice 3.0 denna: den bästa sammansatta poängen på den offentliga resultattavlan, koncentrerad till agentisk prestanda; samma pris som modellen den ersätter; långsammare att börja tala än den modellen; och utrullad till varje befintlig aliasanvändare utan att fråga. De tre första är skäl att testa den, och den fjärde är ett skäl att ha en låst version i din konfiguration innan du gör det.