Grok Voice 3.0: "ต่ำกว่าหนึ่งวินาที" เป็นเรื่องจริง และ "ต่ำกว่า 40%" ถูกวัดเทียบกับโมเดลที่ผิด

SpaceXAI ประกาศ Grok Voice 3.0 เมื่อวันที่ 14 ตุลาคม 2026 และประเด็นที่ใช้เปิดตัวคือโมเดลตอบภายในเวลาไม่ถึงหนึ่งวินาทีพร้อมลดความหน่วงลง 40% ข้ออ้างทั้งสองส่วนนั้นยังคงใช้ได้เมื่อตรวจสอบกับตัวเลข ซึ่งเป็นเหตุผลว่าทำไมจึงคุ้มที่จะดูว่าตัวเลขชุดไหน ข้ออ้างเรื่องไม่ถึงหนึ่งวินาทีนั้นเป็นจริง: 0.81 วินาทีถึงเสียงแรก ซึ่งเป็นตัวเลขที่เร็วที่สุดที่โมเดล speech-to-speech ระดับแนวหน้าใด ๆ เผยแพร่ในปัจจุบัน ข้ออ้างเรื่อง 40% ก็เป็นจริงเช่นกัน และมันเปรียบเทียบ Grok Voice 3.0กับGPT-Live-1 ที่กำหนดค่าด้วย Astra ที่ความพยายามในการให้เหตุผลระดับปานกลาง ซึ่งบอร์ดวัดได้ที่ 1.34 วินาที สิ่งที่เอกสารเปิดตัวไม่ได้บอกคือ โมเดลที่รุ่นนี้มาแทนที่ คือ Grok Voice 2.0 เริ่มพูดใน 0.70 วินาที — เร็วกว่าเรือธงที่ปลดระวางมันอยู่ 0.11 วินาที

นั่นไม่ใช่การหักล้างความเชื่อ มันคือรูปร่างของการเปิดตัวครั้งนี้ และทุกส่วนของมันล้วนเป็นการแลกเปลี่ยน Grok Voice 3.0 เป็นเอเจนต์ที่ดีขึ้นอย่างมีนัยสำคัญเมื่อเทียบกับรุ่นก่อน และเป็นตัวที่ช้ากว่าเล็กน้อยในการเปิดปากพูด และข้อเท็จจริงสองข้อนั้นชี้ไปในทิศทางตรงกันข้าม ขึ้นอยู่กับว่าสายโทรศัพท์ของคุณมีไว้เพื่ออะไร

สี่ตัวเลขที่ขยับ และอีกสองตัวที่ไม่ได้ขยับ

Artificial Analysis ได้รันบอร์ด Speech to Speech ของตนอีกครั้งเมื่อวันที่ 13 ตุลาคม 2026 ซึ่งเป็นวันก่อนการประกาศ ดังนั้นการวัดผลจึงเกิดขึ้นก่อนการทำการตลาด ตัวเลขทุกตัวด้านล่างเป็นของบอร์ด ไม่ใช่ของ SpaceXAI

• ดัชนีรวม — 86.9 เพิ่มขึ้นจาก 81.3 ของ Grok Voice 2.0 และเป็นคะแนนสูงสุดในตาราง GPT-Live-1 ในคอนฟิกูเรชัน Astra ระดับกลางอยู่ที่ 83.2 และ Gemini 3.8 Live Extended Thinking อยู่ที่ 82.6

• ประสิทธิภาพแบบเอเจนติก, τ-Voice — 71.6% เพิ่มขึ้นจาก 56.5% นี่เป็นการเปลี่ยนแปลงที่ใหญ่ที่สุดในรีลีสนี้อย่างชัดเจน: กระโดดขึ้น 15 จุดในองค์ประกอบที่ให้คะแนนว่าเอเจนต์ทำงานหลายขั้นตอนสำเร็จหรือไม่ แทนที่จะแค่ดูเก่งเวลาทำ

• ความชอบใน Arena — Elo 1070 เพิ่มขึ้นจาก 1011 และสูงที่สุดบนกระดาน

• เวลาถึงเสียงแรก — 0.81 วินาที เทียบกับ 0.70 วินาทีของโมเดลที่มันเข้ามาแทนที่ ช้ากว่า แต่ก็ยังออกตัวได้เร็วกว่าคอนฟิกูเรชัน GPT-Live-1 ที่ SpaceXAI ใช้เปรียบเทียบอยู่ราว 40%

• ความสำเร็จของงาน — 94.8% เทียบกับ 94.6% ต่างกันแค่สองในสิบของจุด เมื่อดูที่อัตราความสำเร็จของงานแบบดิบ ทั้งสองนี้ถือเป็นโมเดลเดียวกันภายในความคลาดเคลื่อนของการวัด

• ราคา — $0.08 ต่อนาทีของเสียง หรือ $4.80 ต่อชั่วโมง บวก $0.004 ต่อข้อความอินพุต เหมือนกับ Grok Voice 2.0 ทุกประการ นี่คือการอัปเดตขีดความสามารถโดยใช้เรตการ์ดเดิม ไม่ใช่การปรับราคาใหม่

การแยกองค์ประกอบสำคัญกว่าตัวเลขพาดหัว คะแนนรวมที่เพิ่มขึ้น 5.6 จุด ส่วนใหญ่มาจากประสิทธิภาพด้านเอเจนต์และความชื่นชอบใน arena โดยมีการขยับเล็กน้อยในด้านการให้เหตุผลเกี่ยวกับเสียงพูด — องค์ประกอบด้านการให้เหตุผลของบอร์ดวัดค่าได้ระหว่าง 98.5 ถึง 99 ขึ้นอยู่กับสแนปช็อต ซึ่งไม่ว่าจะทางไหนก็ถือเป็นเพดานอยู่แล้ว — และความสำเร็จของงานแบบดิบทรงตัว Grok Voice 3.0 เป็นเอเจนต์ที่เก่งขึ้น แต่ไม่ใช่คู่สนทนาที่ดีขึ้น และไม่ใช่คู่สนทนาที่เร็วขึ้น

คำว่า "customer calls" ชี้ไปที่อะไรกันแน่

บรีฟที่เปิดเผยการเปิดตัวนี้อธิบายว่ามันถูกสร้างมาสำหรับการรับสายลูกค้า และเอกสารของผู้ขายก็สนับสนุนการตีความดังกล่าวด้วยตัวเลขการนำไปใช้งานที่ไม่มีบุคคลภายนอกใดตรวจสอบได้ SpaceXAI กล่าวว่า Grok Voice ขับเคลื่อนบทสนทนาหลายล้านครั้งต่อวันในรถ Tesla และ SpaceX ว่าฝ่ายสนับสนุนของ Starlink รับสายลูกค้า 20,000 สายต่อวันในหลายภาษา โดยประมาณ 70% ได้รับการแก้ไขโดยไม่ต้องมีมนุษย์ และประมาณหนึ่งในสี่ของสายขายจบลงด้วยการซื้อ อีกทั้งเอเจนต์ตัวเดียวกันยังจัดการการยืนยันตัวตน การแก้ปัญห�าร์ดแวร์ เครดิตบัญชี และการจัดส่งสินค้าทดแทนภายในโฟลว์เดียว นอกจากนี้ยังรายงานผลประมาณ 74% บน EVA-Bench ของ ServiceNow

อ่านอัตราการจัดการได้เองให้ดี เพราะนั่นคือตัวเลขที่มักถูกยกมาอ้างว่าเป็นความสามารถของโมเดล ทั้งที่จริงเป็นผลลัพธ์ของระบบ จำนวนสายที่ตัวแทนฝ่ายสนับสนุนปิดได้โดยไม่ต้องส่งต่อ ขึ้นอยู่กับการออกแบบพรอมป์ต์ คุณภาพการดึงข้อมูล และนโยบายการส่งต่อที่คุณเขียนขึ้น — ไม่ใช่แค่โมเดลที่อยู่เบื้องหลัง ผู้ขายที่กำหนดเส้นทางสายสร้างรายได้ของตัวเองผ่านโมเดลของตัวเอง ถือเป็นสัญญาณที่แข็งแกร่งที่สุดที่มีอยู่ว่าสิ่งนี้ทำงานได้ และในขณะเดียวกันก็เป็นหลักฐานที่อ่อนแอที่สุดที่มีอยู่สำหรับผู้อ่าน เพราะไม่มีส่วนใดเลยที่แยกโมเดลออกจากตัวห่อหุ้ม

การขับเคลื่อนของ τ-Voice คือส่วนหนึ่งของการเปิดตัวที่ตอบคำถามเดียวกันด้วยตัวเลขที่คนนอกสามารถตรวจสอบได้ การก้าวจาก 56.5% ไปเป็น 71.6% บนเบนช์มาร์กแบบเอเจนติกหลายรอบ คือความแตกต่างระหว่างโมเดลเสียงที่สนทนาได้ กับโมเดลที่ทำงานให้เสร็จภายในบทสนทนานั้นได้ นั่นคือคำกล่าวอ้างที่ควรค่าแก่การเชื่อ ส่วนตัวเลขการกักกันคือสิ่งที่ควรรอ

การอพยพที่ไม่มีใครจำเป็นต้องให้ความยินยอม

Grok Voice 3.0 ทำงานผ่านเอนด์พอยต์ WebSocket แบบเรียลไทม์เดียวกันกับรุ่นก่อน โดยใช้พารามิเตอร์เซสชันเดียวกัน ชื่ออีเวนต์เดียวกัน การจับมือแบบ bearer-token เดียวกัน และชุดเสียงในตัวเดียวกันพร้อมเอนด์พอยต์เสียงแบบกำหนดเอง ไม่มีการเปลี่ยนแปลง SDK และไม่มีเอกสารการย้ายระบบ เพราะไม่มีอะไรต้องย้าย สตริงโมเดลเปลี่ยนไป และพฤติกรรมเบื้องหลังก็เปลี่ยนไป

จากนั้นก็มี alias grok-voice-latestตอนนี้ชี้ไปที่ Grok Voice 3.0 แล้ว และ grok-voice-2.0 ถูกทำเครื่องหมายว่าล้าสมัย ใครก็ตามที่ deploy โดยอิงกับ alias นี้จะถูกย้ายไปยังโมเดลใหม่โดยอัตโนมัติ โดยไม่ต้องแก้โค้ดและไม่ต้อง pin เวอร์ชัน — และเรื่องนี้สำคัญกว่าที่ฟังดู เพราะ alias นี้เพิ่งถูกชี้ไปที่ Grok Voice 2.0 เมื่อวันที่ 5 สิงหาคม 2026 เท่านั้น ทีมที่สร้างระบบโดยอิงกับมันในเดือนสิงหาคมต้องผ่านการสลับโมเดลแบบเงียบ ๆ มาสองครั้งในไตรมาสเดียว สำหรับการทดลองแชตบอต นั่นคือความสะดวก แต่สำหรับระบบโทรศัพท์ที่มีชุดทดสอบ regression เขียนขึ้นจากจังหวะของเสียงเฉพาะและเวลา time-to-first-audio ที่เฉพาะเจาะจง มันคือการเปลี่ยนแปลงการตั้งค่าที่มีคนอื่นทำแทนคุณ

รายการที่สองในบรีฟเดียวกัน

การเปิดตัวครั้งนี้ไม่ได้มาลำพัง ตอนนี้ Grok Bot มาร์เก็ตเพลสเปิดให้นักพัฒนาส่งคอนเนกเตอร์และปลั๊กอินเข้ามาแล้ว ซึ่งเป็นข่าวอีกประเภทหนึ่งและน่าจะกล่าวถึง เพราะประกาศทั้งสองอย่างนี้เชื่อมโยงส่งผลต่อกัน Grok Bot คือผลิตภัณฑ์เอเจนต์ที่คลาวด์คอมพิวเตอร์ของมันลงชื่อเข้าใช้เครื่องมือที่ทีมใช้อยู่แล้ว ส่วนไปป์ไลน์การส่งคอนเนกเตอร์คือสิ่งที่เปลี่ยนรายการการผสานรวมของมันจากสิ่งที่ SpaceXAI เขียนไว้ ให้กลายเป็นสิ่งที่ลูกค้าของมันต้องการ

เมื่อนำสองสิ่งนี้มารวมกัน ผลลัพธ์ที่น่าสนใจกลับเป็นเรื่องของสถาปัตยกรรมมากกว่าการพาณิชย์ หากเสียงคืออินเทอร์เฟซสู่เอเจนต์ และขอบเขตที่เอเจนต์เข้าถึงได้ถูกกำหนดโดยคอนเนกเตอร์ที่มันเรียกใช้ได้ ชั้นที่ตัดสินว่าการเรียกหนึ่งๆ จะสำเร็จหรือไม่ก็ย่อมกลายเป็นชั้นเครื่องมือมากขึ้นเรื่อยๆ นั่นคือชั้นที่ผู้จำหน่ายระบบเสียงไม่ได้เป็นเจ้าของและไม่ได้วัดเปรียบเทียบมาตรฐาน ไม่มีตัวเลขสาธารณะสำหรับเรื่องนี้ และจะไม่มี เพราะมันแตกต่างกันไปสำหรับลูกค้าแต่ละราย

ตรงจุดที่เราเตอร์เป็นตัวรับน้ำหนักจริง ๆ ในที่นี้

OrcaRouter ไม่ได้ให้บริการเอนด์พอยต์เรียลไทม์ของ Grok Voice 3.0 เอนด์พอยต์นั้นเป็นของ SpaceXAI และไม่มีสิ่งใดแทรกกลางในเซสชันเสียงแบบดูเพล็กซ์ที่เป็นของเจ้าของรายเดียวได้ ใครก็ตามที่อ้างเป็นอย่างอื่นกำลังอธิบายถึงความสามารถที่ตนเองไม่มี สิ่งที่เราดำเนินการคือชั้นข้อความที่อยู่ใต้ลงไป ได้แก่ ตัวสรุปที่เขียนบันทึกหลังการสนทนาจบ ตัวจำแนกที่กำหนดรหัสการจัดประเภท การค้นคืนที่ตอบคำถามในสิ่งที่โมเดลเสียงส่งต่อ และการเรียกเครื่องมือที่อยู่เบื้องหลังตัวเชื่อมต่อที่มาร์เก็ตเพลสกำลังเปิดรับอยู่ในขณะนี้ งานส่วนนั้นคิดค่าบริการตามจำนวนคำขอ และเป็นจุดที่ต้นทุนต่อการสนทนาหนึ่งครั้งสะสมไปอย่างมีนัยสำคัญ: โมเดล 207 ตัวจากผู้ให้บริการต้นทางกว่าสิบรายไว้หลังคีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม พร้อมการสลับไปใช้ระบบสำรองอัตโนมัติเมื่อผู้ให้บริการรายใดมีประสิทธิภาพลดลง และมี DSL สำหรับกำหนดเส้นทางที่ประกอบหลายโมเดลเข้าเป็นการเรียกครั้งเดียว เพราะเราไม่บวกเพิ่ม ราคาที่ผู้ให้บริการปรับลดสำหรับโมเดลใด ๆ เหล่านั้นจึงมีผลฝั่งเราในวันเดียวกัน แทนที่จะรอถึงรอบต่ออายุครั้งถัดไปของคุณ

อะไรที่ยังไม่ถูกวัด

สามสิ่ง และสิ่งเหล่านี้คือสิ่งที่ควรเป็นตัวกำหนดว่าคุณจะเดินหน้าตอนนี้ หรือตรึงเวอร์ชันของคุณไว้ก่อน

ประการแรกคือความเสถียรของเซสชันยาว ตัวเลขทั้งหมดข้างต้นมาจากการโต้ตอบระยะสั้นที่มีการให้คะแนน ยังไม่มีงานตีพิมพ์ใดที่ครอบคลุมว่าการสนทนาทางสาย 20 นาทีส่งผลต่ออัตราข้อผิดพลาดอย่างไร และโหมดความล้มเหลวที่สำคัญสำหรับโมเดลดูเพล็กซ์ — การคลาดเคลื่อนที่สะสม และนโยบายการสลับผลัดที่เสื่อมลงเมื่อมีการพูดแทรกซ้ำ ๆ — จะปรากฏเฉพาะเมื่อเวลาผ่านไปหลายนาที ไม่ใช่แค่ตามจำนวนผลัด

ประการที่สองคือ 0.81 วินาทีจะยังคงเป็นจริงเมื่อมีโหลดหรือไม่ เวลาถึงเสียงแรกวัดบนระบบที่ไม่มีภาระงาน และระบบโปรดักชันก็ไม่ใช่ระบบที่ไม่มีภาระงาน ค่า 0.70 วินาทีของรุ่นก่อนวัดด้วยวิธีเดียวกัน นี่จึงทำให้การเปรียบเทียบระหว่างทั้งสองอย่างน้อยก็เป็นการเปรียบเทียบแบบเทียบเคียงกันได้ ส่วนการเปรียบเทียบกับระบบที่ติดตั้งใช้งานจริงไม่ใช่

ข้อที่สามคือข้ออ้างเรื่องช่องสัญญาณรบกวน เจเนอเรชันก่อนหน้าของไลน์นี้ถูกทำการตลาดโดยอิงกับอัตราความผิดพลาดระดับคำในสภาวะโทรศัพท์และครอบคลุม 24 ภาษา และนั่นคือสิ่งที่ผู้ขายเคยกล่าวเกี่ยวกับโมเดลเสียงที่สามารถพิสูจน์ว่าผิดได้มากที่สุด เอกสารเปิดตัวที่ใหม่กว่าไม่กล่าวซ้ำ ซึ่งอาจเป็นการมองข้ามหรือเป็นการยอมรับ และตอนนี้ไม่มีใครจากภายนอกบอกได้ว่าเป็นอย่างไหน ใครก็ตามที่มีคลังบันทึกการสนทนาทางโทรศัพท์และเวลาหนึ่งบ่ายสามารถตรวจสอบได้ และจนกว่าจะมีใครทำ สรุปที่ซื่อสัตย์ของ Grok Voice 3.0 คือสิ่งนี้: คะแนนรวมที่ดีที่สุดบนบอร์ดสาธารณะ โดยกระจุกตัวอยู่ในประสิทธิภาพด้านเอเจนต์ ราคาเท่ากับโมเดลที่มันมาแทนที่ เริ่มพูดช้ากว่าโมเดลนั้น และถูกนำไปใช้กับผู้ใช้ alias ที่มีอยู่ทั้งหมดโดยไม่ถาม สามข้อแรกเป็นเหตุผลให้ทดสอบมัน และข้อที่สี่เป็นเหตุผลให้มี version pin ในคอนฟิกของคุณก่อนที่คุณจะทดสอบ