Guides & Insights

Grok Voice 3.0 ครองอันดับหนึ่งใน Speech to Speech Index ด้วยคะแนน 86.9 — และคืนสถิติความหน่วง

ผู้เขียน

Elias Hawthorne

วันที่เผยแพร่

Oct 14, 2026

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →

เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

กลับไปยังโพสต์ทั้งหมด

ตัวเลขที่ทุกคนจะกล่าวถึงคือ 86.9 นั่นคือจุดที่ Grok Voice 3.0ทำคะแนนได้บนดัชนี Speech to Speech ของ Artificial Analysis เมื่อลีดเดอร์บอร์ดถูกจัดอันดับใหม่เมื่อวันที่ 13 ตุลาคม 2026 ทิ้งห่างจากโมเดลที่มันมาแทนอยู่ห้าจุดครึ่ง Grok Voice 2.0ซึ่งอยู่ที่ 81.3 รุ่นใหม่ยังนำหน้า GPT-Live-1 ในคอนฟิกูเรชัน Astra medium ที่ 83.2 และ Gemini 3.8 Live Extended Thinking ที่ 82.6 ซึ่งทำให้มันเป็นโมเดลเสียงตัวแรกของ xAI ที่ครองอันดับสูงสุดแต่เพียงผู้เดียว แทนที่จะต้องแบ่งตำแหน่งนั้นกับใคร SpaceXAI ประกาศเปิดตัวเมื่อวันที่ 14 ตุลาคม วันเดียวกับที่บันทึกการเผยแพร่ API มีการเปลี่ยนแปลง และในราคาต่อนาทีเท่ากับโมเดลที่มันปลดระวาง

ตัวเลขที่ไม่มีใครจะยกมาอ้าง เพราะ xAI ไม่ได้ใส่ไว้ในพาดหัวข่าว คือ 0.70 นั่นคือเวลาถึงเสียงแรกของ Grok Voice 2.0 ในหน่วยวินาที และเร็วกว่า 0.81 ของ Grok Voice 3.0 บริษัทที่ใช้เวลาหนึ่งปีขายความสามารถในการผลัดกันพูดที่ต่ำกว่าหนึ่งวินาที ตอนนี้กลับส่งเรือธงที่เริ่มพูดช้ากว่ารุ่นที่กำลังจะเลิกใช้ของตัวเอง 0.11 วินาที มันยังออกตัวได้เร็วกว่าคอนฟิกูเรชัน GPT-Live-1 ที่ Artificial Analysis วัดไว้ที่ 1.34 วินาที อยู่ราว 40% ดังนั้นคำกล่าวอ้างทางการตลาดยังคงใช้ได้หากอ่านแบบตรงตัว แต่ก็ไม่รอดเมื่อเทียบกับเวอร์ชันก่อนหน้า

สิ่งที่ส่งมอบจริง และสิ่งที่ต้องแลกมา

Grok Voice 3.0 เป็นโมเดลเสียงเป็นเสียงที่ให้บริการผ่านปลายทาง WebSocket แบบเรียลไทม์เดียวกันกับรุ่นก่อน โดยมีพารามิเตอร์เซสชันเดียวกันและชื่ออีเวนต์เดียวกัน ไม่มี SDK ใหม่และไม่มีเอกสารการย้ายระบบ เพราะไม่มีอะไรต้องย้าย สตริงโมเดลเปลี่ยนไป และพฤติกรรมที่อยู่เบื้องหลังก็เปลี่ยนไป

• ราคา — $0.08 ต่อนาทีของเสียง หรือ $4.80 ต่อชั่วโมง บวก $0.004 ต่ออินพุตข้อความ เทียบเท่ากับ Grok Voice 2.0 นี่คือการอัปเดตขีดความสามารถที่ราคาคงเดิม ไม่ใช่การปรับราคาใหม่

• พฤติกรรมการทำงานของ alias — grok-voice-latest ตอนนี้ชี้ไปที่ grok-voice-3.0 ใครก็ตามที่ deploy โดยอ้างอิงกับ alias นี้จะถูกย้ายไปยังโมเดลใหม่โดยอัตโนมัติ โดยไม่ต้องแก้โค้ดและไม่ต้อง pin เวอร์ชัน

• การเลิกใช้งาน — grok-voice-2.0 ถูกตั้งค่าสถานะเป็นเลิกใช้งานแล้ว แนวทางการอัปเกรดที่ xAI ระบุไว้คือตั้งค่าฟิลด์ model เป็น grok-voice-3.0 หรือปล่อย alias ไว้ตามเดิม

• เอนด์พอยต์และการยืนยันตัวตน — ไม่เปลี่ยนแปลง URL เรียลไทม์เดิม การจับมือด้วยโทเคนแบบ bearer เดิม โทเคนชั่วคราวอายุสั้นแบบเดิมสำหรับการเชื่อมต่อฝั่งไคลเอนต์

• เสียง — ชุดเสียงที่มีมาให้ในตัวและ endpoint สำหรับเสียงกำหนดเองยังคงเดิม; เสียงกำหนดเองจะถูกฝึกจากคลิปอ้างอิงความยาวไม่เกิน 120 วินาที และ voice_id ที่ได้จะใช้งานได้กับทั้ง realtime API และ text-to-speech แบบสตรีมมิง

รายการสุดท้ายนั้นคือเหตุผลที่การเปลี่ยน alias สำคัญมากกว่าที่ฟังดู Grok Voice 2.0 เพิ่งถูกตั้งเป็นเป้าหมาย alias เมื่อวันที่ 5 สิงหาคม 2026 — ประมาณสิบสัปดาห์ก่อนการเปิดตัวนี้ ทีมที่พัฒนากับ grok-voice-latest ในเดือนสิงหาคม ตอนนี้ได้ผ่านการสลับโมเดลแบบเงียบ ๆ สองครั้งในไตรมาสเดียว ซึ่งเป็นคุณสมบัติที่ดีสำหรับการทดลองแชตบอต และเป็นคุณสมบัติที่ไม่ค่อยดีนักสำหรับระบบโทรศัพท์ซึ่งชุดทดสอบ regression ถูกเขียนขึ้นโดยอิงกับจังหวะเวลาของเสียงเฉพาะเสียงหนึ่ง

ดัชนี ทีละองค์ประกอบ

ดัชนีแบบผสมมักปิดบังข้อโต้แย้ง ดังนั้นจึงคุ้มค่าที่จะแยก Grok Voice 3.0 ออกมาวิเคราะห์อย่างละเอียด ตัวเลขทุกตัวด้านล่างนี้มาจากการทดสอบของ Artificial Analysis เอง ลงวันที่ 13 ตุลาคม 2026

• การให้เหตุผลด้านเสียง, Big Bench Audio — 98.5% เพิ่มขึ้นจาก 97.2% สำหรับ Grok Voice 2.0

• พลวัตของการสนทนา, Full Duplex Bench — 97.0% เพิ่มขึ้นจาก 95.1%

• ความชื่นชอบ Speech Agent Arena — Elo 1070 เพิ่มขึ้นจาก 1011 และสูงที่สุดบนกระดาน

• ความสำเร็จของงาน — 94.8% เพิ่มขึ้นจาก 94.6% นี่คือการเปลี่ยนแปลงที่เล็กที่สุดในบรรดาทั้งห้า และควรค่าแก่การสังเกตเช่นนั้น: ในแง่ของอัตราความสำเร็จของงานแบบดิบ โมเดลทั้งสองนั้น ภายในขอบเขตความคลาดเคลื่อนจากการวัด ถือเป็นโมเดลเดียวกัน

• ประสิทธิภาพเชิงเอเจนต์, τ-Voice — 71.6% เพิ่มขึ้นจาก 56.5% นี่คือการเปลี่ยนแปลงครั้งใหญ่ที่สุดเพียงรายการเดียวในรีลีสนี้ เป็นการกระโดด 15 จุดในองค์ประกอบเดียวที่วัดว่าเอเจนต์สามารถทำงานหลายเทิร์นให้สำเร็จได้จริงหรือไม่ มากกว่าแค่ดูเหมือนทำได้ดี

• เวลาถึงเสียงแรก — 0.81 วินาที เทียบกับ 0.70 สำหรับ Grok Voice 2.0

การอ่านสิ่งเหล่านั้นร่วมกันบอกเล่าเรื่องราวที่เป็นประโยชน์มากกว่าคะแนนรวม การเพิ่มขึ้นของดัชนี 5.6 จุดไม่ได้กระจายตัวอย่างทั่วถึง โดยเกือบทั้งหมดมาจากประสิทธิภาพแบบเอเจนต์และความชอบในอารีนา ขณะที่การให้เหตุผลและการจัดการแบบดูเพล็กซ์ขยับขึ้นเล็กน้อย และความสำเร็จของงานทรงตัว Grok Voice 3.0 เป็นเอเจนต์ที่ดีกว่า ไม่ใช่คู่สนทนาที่ดีกว่า ถ้าผลิตภัณฑ์เสียงของคุณเป็นสายสนับสนุนที่จองนัดหมายและตรวจสอบนัดหมาย นั่นคือเดลต้าที่คุณต้องการ ถ้ามันเป็นเพื่อนคู่ใจหรือฟรอนต์เอนด์สำหรับเล่นบทบาทสมมติ การเพิ่มขึ้นของดัชนีส่วนใหญ่ก็ไม่ใช่ประเด็นสำคัญ และคุณได้จ่ายค่าปรับด้านความหน่วงสำหรับสิ่งนั้นไปแล้ว

การทดสอบเดียวที่ผู้นำไม่ใช่ผู้นำ

τ-Voice เป็นองค์ประกอบที่ xAI ควรพูดถึง และเป็นจุดที่ยังตามหลังอยู่ ด้วยคะแนน 71.6% Grok Voice 3.0 เพิ่มขึ้นอย่างมหาศาลจาก 56.5% ของรุ่นก่อน — และยังตามหลัง GPT-Live-1 ที่กำหนดค่าให้ใช้ Astra ที่ระดับการใช้เหตุผลปานกลาง ซึ่ง Artificial Analysis จัดให้อยู่ที่ 74.5% ส่วน Gemini 3.8 Live อยู่ที่ 68.6% ในการทดสอบเดียวกัน

ดังนั้นรูปร่างของหมวดหมู่หลังการเปิดตัวครั้งนี้คือ: xAI ครองคอมโพสิตและอารีนา; OpenAI ครองแบบทดสอบการทำงานของเอเจนต์ให้เสร็จสมบูรณ์; ส่วน Google ไม่ครองทั้งสองอย่างและมีราคาถูกกว่าทั้งคู่ ไม่มีข้อความใดในสามข้อนี้ที่ขัดแย้งกับข้ออื่น และบทความใดก็ตามที่รายงานเพียงข้อแรก ก็คือการรายงานอันดับ而非ผลลัพธ์

A headless-browser capture of the Artificial Analysis Speech to Speech leaderboard in English, headed "Speech to Speech", with Grok Voice 3.0 on the top row reading 86.9 on the composite index alongside 98.5% Big Bench Audio, 97.0% Full Duplex Bench, Elo 1070 on the Speech Agent Arena, 94.8% task success, 71.6% tau-Voice, 0.81 seconds to first audio and $0.08 per minute, and Grok Voice Think Fast 2.0 directly below at 81.3 with 97.2%, 95.1%, Elo 1011, 94.6%, 56.5%, 0.70 seconds and $0.08 per minute.

ผู้ขายอ้างว่าไม่มีบอร์ดใดครอบคลุม

คำกล่าวอ้างด้านประสิทธิภาพมาพร้อมกับตัวเลขชั้นที่สองที่ Artificial Analysis ไม่ได้วัดและไม่สามารถวัดได้ เพราะตัวเลขเหล่านั้นอธิบายทราฟฟิกในงานจริงภายในผลิตภัณฑ์ของบริษัทเดียวเอง ตัวเลขเหล่านี้เป็นตัวเลขของ xAI ซึ่งรายงานโดย xAI โดยไม่มีการตรวจสอบอิสระใด ๆ ที่มีให้ใช้ และไม่มีแนวโน้มว่าจะมี:

• Tesla — ว่ากันว่า Grok Voice ขับเคลื่อนการสนทนาหลายล้านครั้งต่อวันในยานพาหนะ จัดการการดำเนินการเกี่ยวกับปฏิทินและอีเมลผ่านตัวเชื่อมต่อ และการสั่งอาหารผ่านโหมดเสียงของ Grok Bot

• ฝ่ายสนับสนุน Starlink — มีสายจากลูกค้า 20,000 สายต่อวันในหลายภาษา โดยประมาณ 70% ได้รับการแก้ไขโดยไม่ต้องใช้มนุษย์ และประมาณหนึ่งในสี่ของสายการขายที่จบลงด้วยการซื้อ เอเจนต์เดียวกันนี้ได้รับการอธิบายว่าจัดการการยืนยันตัวตน การแก้ไขปัญห�าร์ดแวร์ การให้เครดิตในบัญชี และการจัดส่งอะไหล่ทดแทนในโฟลว์เดียว

• ServiceNow EVA-Bench — ค่าความแม่นยำ 74% แบบปัดเศษ ซึ่งได้รับการรายงานว่าสูงที่สุดบนเบนช์มาร์กนั้น และดีที่สุดเมื่อให้คะแนนความแม่นยำและประสบการณ์ลูกค้าร่วมกัน EVA-Bench ครอบคลุมบริการลูกค้าใน 15 เครื่องมือและ 50 สถานการณ์ การจัดการบริการไอทีใน 59 เครื่องมือและ 80 สถานการณ์ และ HR ใน 47 เครื่องมือและ 83 สถานการณ์

ให้ถือว่าสองข้อแรกเป็นคำอธิบายเจตนามากกว่าหลักฐาน พวกมันเป็นหลักฐานที่แข็งแกร่งที่สุดเท่าที่จะเป็นไปได้ว่าโมเดลเสียงทำงาน — บริษัทที่ส่งสายเรียกรายได้ของตัวเองผ่านมันย่อมมีส่วนได้ส่วนเสีย — และในขณะเดียวกันก็เป็นหลักฐานที่อ่อนแอที่สุดเท่าที่จะเป็นไปได้สำหรับผู้อ่าน เพราะไม่มีส่วนใดเลยที่ตรวจสอบได้จากภายนอก และไม่มีส่วนใดเลยที่แยกโมเดลออกจากพรอมป์ต์ การดึงข้อมูล และนโยบายการส่งต่อที่ห่อหุ้มมันอยู่ ตัวเลขการควบคุมที่ 70% โดยเฉพาะอย่างยิ่งเป็นตัวเลขระดับระบบที่สวมชุดระดับโมเดล

สิ่งที่ราคาที่ไม่ขยับบอกกับคุณ

การตรึงอัตราไว้ที่ $0.08 ต่อนาทีเป็นสิ่งที่น่าสนใจเชิงกลยุทธ์ที่สุดในการเปิดตัวครั้งนี้ การตีความที่ชัดเจนคือแรงกดดันด้านการแข่งขัน Google ใช้เวลาทั้งปีวางตำแหน่ง Gemini Live ให้เป็นตัวเลือกราคาถูกในหมวดนี้ และสายผลิตภัณฑ์เสียงรุ่นก่อนของ xAI ก็ได้แบกรับการขึ้นราคา 60% ไปแล้ว เมื่อสาย Think Fast ปรับจาก $3.00 เป็น $4.80 ต่อชั่วโมง การขึ้นอัตราของเรือธงอีกครั้งจึงไม่ใช่ทางเลือกที่มี

ผลกระทบลำดับที่สองอยู่ที่ทุกคนที่กำลังจำลองต้นทุน การวัดผลต่อภารกิจของ Artificial Analysis ระบุว่า Grok Voice 3.0 อยู่ที่ $0.025 สำหรับการทำภารกิจ Big Bench Audio ให้เสร็จหนึ่งภารกิจ เทียบกับ $0.030 สำหรับ GPT-Live-1 Astra medium และ $0.055 สำหรับ GPT-Realtime-2.1 High การถูกกว่าต่อภารกิจและแม่นยำกว่าต่อภารกิจคือส่วนผสมที่ยุติการถกเถียงเรื่องการจัดซื้อ และนี่เป็นครั้งแรกในหมวดนี้ที่โมเดลเดียวครองทั้งสองด้าน

จุดที่ชั้นการกำหนดเส้นทางเข้ามาเกี่ยวข้องในภาพนี้แคบกว่าที่เห็น และควรพูดให้ชัดเจน OrcaRouter ไม่ได้ให้บริการปลายทางแบบเรียลไทม์ของ Grok Voice 3.0 — นั่นมาจาก API ของ xAI เอง เช่นเดียวกับ Gemini Live และสิ่งที่เทียบเท่าอย่าง GPT-Live-1 สิ่งที่เราดำเนินการคือฝั่งข้อความ: โมเดลภาษากว่า 200 รายการภายใต้คีย์เดียว ในราคาตามประกาศของผู้ให้บริการโดยไม่บวกเพิ่ม ซึ่งเป็นที่ที่งานทำความสะอาดบทถอดเสียง การสรุปหลังการสนทนา การจัดประเภทบทถอดเสียงเป็นรหัสผลลัพธ์ และตรรกะการเรียกเครื่องมือที่โมเดลเสียงมอบหมายต่อ มักอยู่ตรงนั้น โมเดลดังกล่าวเป็นโมเดลแบบคิดตามจำนวนคำขอทั่วไป เป็นภาระงานที่เราเตอร์ถูกออกแบบมาเพื่อรองรับพอดี และเนื่องจาก ราคาตามประกาศส่งผ่านโดยไม่เปลี่ยนแปลง การลดราคาของผู้ขายสำหรับโมเดลใด ๆ จึงมีผลทันทีทางฝั่งเราในวันเดียวกัน แทนที่จะรอถึงการต่ออายุครั้งถัดไปของคุณ

อะไรที่ยังไม่ถูกวัด

สามสิ่ง และสิ่งเหล่านี้คือสิ่งที่ควรตัดสินว่าคุณจะเคลื่อนไหวตอนนี้หรือตรึงไว้

ประการแรกคือความเสถียรของเซสชันระยะยาว ตัวเลขทั้งหมดข้างต้นมาจากการโต้ตอบระยะสั้นที่มีการให้คะแนน ยังไม่มีงานตีพิมพ์ใดครอบคลุมว่าการสนทนา 20 นาทีส่งผลต่ออัตราความผิดพลาดอย่างไร และโหมดความล้มเหลวที่น่าสนใจสำหรับโมเดลดูเพล็กซ์ — การเลื่อนลอยที่สะสม หรือนโยบายการผลัดกันพูดที่เสื่อมลงเมื่อมีการพูดแทรก — จะปรากฏให้เห็นก็ต่อเมื่อเวลาผ่านไปหลายนาที ไม่ใช่หลายเทิร์น

อย่างที่สองคือข้ออ้างเรื่องช่องสัญญาณรบกวน เจเนอเรชันก่อนหน้าของ xAI ถูกทำการตลาดโดยอิงกับอัตราความผิดพลาดระดับคำภายใต้สภาวะโทรศัพท์ และนั่นคือข้ออ้างที่สามารถพิสูจน์ว่าผิดได้มากที่สุดในบรรดาการเปิดตัวทั้งหมด ใครก็ตามที่มีคลังบันทึกเสียงสนทนาและมีเวลาสักบ่ายหนึ่งก็ตรวจสอบได้

ประการที่สาม คือตัวเลข 0.81 วินาทีนั้นยังคงเป็นจริงภายใต้ภาวะโหลดหรือไม่ เวลาถึงเสียงแรกนั้นวัดบนระบบที่ไม่มีภาระอื่น แต่ระบบโปรดักชันไม่ใช่ระบบที่ไม่มีภาระอื่น

จนกว่าสิ่งเหล่านั้นจะถูกนำมาใช้จริง บทสรุปที่ตรงไปตรงมาของ Grok Voice 3.0 คือ: มันเป็นโมเดลเสียงที่ดีที่สุดบนกระดานจัดอันดับสาธารณะ ด้วยส่วนต่างที่แท้จริงแต่กระจุกตัวอยู่ในมิติเดียว มันมีต้นทุนเท่ากับโมเดลที่มันเข้ามาแทนที่ มันเริ่มพูดช้ากว่าโมเดลนั้น และมันย้ายดีพลอยเมนต์ grok-voice-latest ที่มีอยู่ทั้งหมดมาอยู่บนตัวเองโดยไม่ถาม สามข้อแรกคือเหตุผลที่ควรทดสอบมัน ข้อที่สี่คือเหตุผลที่ควรมี version pin ในคอนฟิกของคุณก่อนจะลงมือ

A headless-browser capture of xAI's documentation Release Notes page in English, showing the entry dated October 14, 2026 headed "Grok Voice 3.0" with the text announcing grok-voice-3.0 as the same price and the same API surface as grok-voice-2.0 with substantially better agentic capability, noting that grok-voice-2.0 is deprecated but remains available and that grok-voice-latest now resolves to grok-voice-3.0 with no changes required to the realtime endpoint, auth, session fields, event names or voice set.

การเปิดตัวโมเดลเสียงยังเป็นจังหวะที่ควรตรวจสอบว่าอะไรเคยผิดพลาดมาก่อน: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งเกี่ยวข้องกับโมเดลในกลุ่มนี้ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง ระดับความเชื่อมั่น และสถานะข้อโต้แย้งของตัวเอง

การเปรียบเทียบในบทความนี้1

Google: Gemini 3.8 FlashปะทะGrok 4.741ความฉลาด4676การเขียนโค้ด—$0.75ต่อ 1 ล้านโทเคนขาเข้า$2.00เปรียบเทียบ กล่าวถึงร่วมกัน

ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

Grok Voice 3.0 ครองอันดับหนึ่งใน Speech to Speech Index ด้วยคะแนน 86.9 — และคืนสถิติความหน่วง

สิ่งที่ส่งมอบจริง และสิ่งที่ต้องแลกมา

ดัชนี ทีละองค์ประกอบ

การทดสอบเดียวที่ผู้นำไม่ใช่ผู้นำ

ผู้ขายอ้างว่าไม่มีบอร์ดใดครอบคลุม

สิ่งที่ราคาที่ไม่ขยับบอกกับคุณ

อะไรที่ยังไม่ถูกวัด

การเปรียบเทียบในบทความนี้1

ผลิตภัณฑ์

ทรัพยากร

สำหรับผู้ให้บริการ

เข้าร่วมคอมมูนิตี้ของเรา

จากบล็อก

ผู้ให้บริการโมเดล