Grok Voice 3.0 vs Grok Voice Think Fast 2.0: อัปเกรดฟรี ได้ประโยชน์จริง ถอยหลังหนึ่งจุด
- Orcaใหม่Orca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 59 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 763 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xAIGrok 4.72026-09-2146ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 39 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 ต่อ 1 ล้านโทเค็น · 2230 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-09-1040ความฉลาด
- OpenAIOpenAI: GPT-6 Astra2026-09-0453ความฉลาด77การเขียนโค้ด
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241ความฉลาด76การเขียนโค้ด
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245ความฉลาด76การเขียนโค้ด
- AnthropicAnthropic: Claude Fable 5.12026-09-0153ความฉลาด82การเขียนโค้ด
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 57 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 ต่อ 1 ล้านโทเค็น · 122 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642ความฉลาด72การเขียนโค้ด
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 ต่อ 1 ล้านโทเค็น · 204 tok/s
- z-aiZ.ai: GLM 5.32026-08-1845ความฉลาด75การเขียนโค้ด
โมเดลที่Grok Voice 3.0เข้าแทนที่ คือโมเดลเดียวกันกับที่คุณจะพบใน Artificial Analysis ภายใต้ชื่ออื่น ค้นหาบนกระดานสำหรับGrok Voice Think Fast 2.0แล้วคุณจะไม่พบมัน ค้นหา Grok Voice 2.0 แล้วคุณจะพบ 81.3 ซึ่งเป็นตัวเลขที่การรายงานข่าวเปิดตัวของโมเดลรุ่นก่อนรายงานไว้สำหรับ Think Fast 2.0 ภายใต้ป้ายการตั้งค่า "High" API ของ SpaceXAI เรียก ID โมเดลว่า grok-voice-2.0 และบันทึกการเผยแพร่ของบริษัทเรียกเจเนอเรชันเดือนกรกฎาคมว่า Grok Voice 2.0 ขณะที่ประกาศที่เปิดตัวมันใช้ชื่อ Think Fast ดังนั้น เมื่อ SpaceXAI เลิกใช้ grok-voice-2.0 เมื่อวันที่ 14 ตุลาคม 2026 และชี้ grok-voice-latest ไปที่ grok-voice-3.0 บริษัทจึงปลดระวางโมเดลที่ทั้งแถวในลีดเดอร์บอร์ดของตัวเองและชื่อทางการตลาดของตัวเองบรรยายว่าเป็นสองสิ่ง
ผลลัพธ์ในทางปฏิบัติก็คือ การอัปเกรดที่หลายทีมได้รับไปแล้ว — อย่างเงียบ ๆ โดยไม่ต้องดีพลอย เพราะ alias ถูกย้าย — นั้นยิ่งใหญ่กว่าที่ความสับสนในการตั้งชื่อชี้ให้เห็น และเล็กกว่าที่ช่องว่างของดัชนีบ่งบอก ทั้งสองโมเดลคิดค่าบริการ $0.08 ต่อนาที และ $0.004 ต่ออินพุตข้อความ ดังนั้นราคาจึงไม่เปลี่ยนแปลง แต่คุณภาพส่วนใหญ่เปลี่ยนไป
สิ่งที่การอัปเกรดมอบให้ แยกทีละส่วนประกอบ
ทุกตัวเลขในส่วนนี้มาจากการทดสอบของ Artificial Analysis เอง โดยระบุวันที่ 13 ตุลาคม 2026 สำหรับ Grok Voice 3.0 และมาจากบอร์ดเดียวกันสำหรับรุ่นที่กำลังจะเลิกใช้
• เสียงเป็นเสียง — 86.9 สำหรับ Grok Voice 3.0 เทียบกับ 81.3 สำหรับ Grok Voice Think Fast 2.0 คะแนนที่เพิ่มขึ้น 5.6 จุด ซึ่งฟังดูเหมือนแค่การอัปเวอร์ชัน จนกว่าคุณจะแยกดูให้ละเอียด
• ประสิทธิภาพแบบเอเจนติก, τ-Voice — 71.6% เทียบกับ 56.5% นี่คือจุดที่การเปิดตัวนี้พิสูจน์ตัวเองจริง ๆ ห่างกันสิบห้าจุดในการทำภารกิจแบบหลายรอบสนทนา คือความแตกต่างระหว่างโมเดลเสียงที่รับมือสายที่เขียนบทไว้ตายตัว กับโมเดลที่รับมือสายที่มีทางแยกแตกออกไปได้
• ความชอบบน Speech Agent Arena — Elo 1070 เทียบกับ 1011 ห่างกัน 59 คะแนนจากความชอบของมนุษย์ และเป็นค่าสูงสุดที่บันทึกไว้บนกระดาน
• พลวัตการสนทนา, Full Duplex Bench — 97.0% เทียบกับ 95.1% เกือบสองจุดในด้านการพูดแทรกและการสลับผลัดกันพูด ซึ่งเป็นแกนที่ไลน์โมเดลนี้ถูกสร้างขึ้นมาเพื่อเอาชนะตั้งแต่แรก
• การให้เหตุผลด้านเสียงพูด, Big Bench Audio — 98.5% เทียบกับ 97.2% ทั้งคู่อยู่ในระดับสูงสุดแล้วในทางปฏิบัติ
• ความสำเร็จของงาน — 94.8% เทียบกับ 94.6% ไม่แตกต่างอย่างมีนัยสำคัญเมื่อเทียบกับความคลาดเคลื่อนของการวัด หากการประเมินของคุณเป็นคำขอแบบเทิร์นเดียวที่ทำสำเร็จอย่างถูกต้อง โมเดลทั้งสองนี้จะได้คะแนนเท่ากัน และการอัปเกรดก็มองไม่เห็นความแตกต่าง
เวลาถึงเสียงแรก — 0.81 วินาทีสำหรับ Grok Voice 3.0 เทียบกับ 0.70 สำหรับ Grok Voice Think Fast 2.0
• ราคา — เท่ากันทั้งสองฝ่าย 0.08 ดอลลาร์ต่อนาที 4.80 ดอลลาร์ต่อชั่วโมง บวก 0.004 ดอลลาร์ต่อข้อความที่ป้อน
การถดถอย และเหตุใดจึงเป็นส่วนที่น่าสนใจ
อ่านสองบรรทัดสุดท้ายรวมกัน Grok Voice Think Fast 2.0 ลดเวลาถึงเสียงแรกจาก 1.25 วินาทีของรุ่นก่อนหน้าตัวเอง เหลือ 0.70 วินาที และ xAI ก็โปรโมตตัวเลขนั้นอย่างหนัก — มันเป็นตัวเลขที่เผยแพร่เร็วที่สุดในหมวดนี้ตอนเปิดตัวช่วงปลายเดือนกรกฎาคม 2026 และยังคงเร็วกว่าอย่างอื่นทั้งหมดบนกระดาน Grok Voice 3.0 คืนไป 0.11 วินาทีจากตรงนั้น
นั่นไม่ใช่เรื่องอื้อฉาว และไม่ใช่อุบัติเหตุ มันคือราคาที่มองเห็นได้ของการก้าวกระโดดของ τ-Voice สิ่งใดก็ตามที่ xAI เพิ่มเข้าไปในโมเดลเพื่อขยับอัตราความสำเร็จของงานแบบหลายรอบจาก 56.5% ไปเป็น 71.6% ย่อมแลกมาด้วยเวลาก่อนเฟรมเสียงแรก และไม่ว่าวิศวกรรมพรอมป์จะมีมากเพียงใดก็กู้คืนเวลานั้นไม่ได้ เพราะความหน่วงอยู่ภายในโมเดล ไม่ใช่ด้านหน้าโมเดล
สิ่งที่ทำให้เรื่องนี้ควรพูดให้ตรงไปตรงมาก็คือมันพลิกจุดขายเดิม ทีมที่เลือก Think Fast 2.0 ส่วนใหญ่เลือกเพราะค่า 0.70 ถ้านั่นคือเหตุผลที่โมเดลนี้อยู่ในสแตกของคุณ รุ่นสืบทอดก็แย่ลงอย่างวัดได้ในคุณสมบัติที่คุณซื้อมันมา และสิ่งที่ตรงไปตรงมาที่ควรทำคือวัดว่าความล่าช้าที่เพิ่มขึ้น 0.11 วินาทีทำให้คุณเสียมากกว่าผลตอบแทนจากความสำเร็จของงาน 15 คะแนนหรือไม่ ในการติดตั้งใช้งานระบบโทรศัพท์ คำตอบไม่ชัดเจนในทั้งสองทิศทาง และมันขึ้นอยู่กับว่าภายในขั้นตอนการโทรของคุณ เอเจนต์ทำงานจริงตรงจุดไหน
นามแฝงย้ายไปแล้ว และนั่นไม่ใช่เชิงอรรถ
grok-voice-2.0 ถูกเลิกใช้งานแล้วในรีลีสวันที่ 14 ตุลาคม และตอนนี้ grok-voice-latest ชี้ไปที่ grok-voice-3.0 ใครก็ตามที่ดีพลอยโดยใช้อะลิแอสนี้ถูกย้ายไปยังโมเดลใหม่โดยอัตโนมัติ โดยไม่มีการเปลี่ยนแปลงโค้ด และไม่มีอะไรในล็อกของพวกเขาที่บ่งชี้ถึงเรื่องนี้
เมื่อเทียบเรื่องนั้นกับไทม์ไลน์ มันก็กลายเป็นรูปแบบมากกว่าเหตุการณ์เดี่ยว เมื่อวันที่ 5 สิงหาคม 2026 — ประมาณสิบสัปดาห์ก่อนการเปิดตัวนี้ — grok-voice-latest ถูกชี้ไปที่โมเดลซึ่งตอนนี้เรียกว่า Think Fast 2.0 และนักพัฒนาที่ต้องการอยู่กับรุ่นก่อนหน้าต้องปักหมุด ID โมเดลแบบมีเวอร์ชันก่อนวันนั้น หรือไม่ก็ต้องยอมรับการเปลี่ยนแปลง นั่นคือการสลับแบบเงียบ ๆ สองครั้งในไตรมาสเดียว โดยแต่ละครั้งเปลี่ยนลักษณะความหน่วงมากกว่าหนึ่งในสิบของวินาที โดยไม่มี manifest เวอร์ชันและไม่มีหน้าต่างประกาศเลิกใช้ที่แจ้งล่วงหน้า
สำหรับแชทบอทแล้วนั่นถือว่าโอเค แต่สำหรับระบบโทรศัพท์ที่มีชุดทดสอบการถดถอยที่เขียนขึ้นโดยอิงกับจังหวะของเสียงเฉพาะ หรือ SLA ที่ระบุความหน่วงของปฏิสัมพันธ์ มันหมายความว่านามแฝงไม่ใช่สิ่งนามธรรมอย่างที่มันดูเหมือน จงปักหมุด ID ที่มีเวอร์ชันในโปรดักชัน และมอง grok-voice-latest เป็นเพียงความสะดวกสำหรับ staging มากกว่าที่จะเป็นเป้าหมายสำหรับการดีพลอย
สิ่งที่ไม่ได้เปลี่ยนแปลง และอีกหนึ่งสิ่งที่ยังคงอยู่
การอัปเกรดนี้ใกล้เคียงกับการเปลี่ยนแบบแทบไม่ต้องแก้โค้ด และคุ้มค่าที่จะระบุให้ชัดว่าเพราะเหตุใด เนื่องจากทางเลือกอื่น — เช่น GPT-Live-1 — ต้องเขียน audio transport ใหม่ด้วย WebRTC และต้องใช้รูปแบบการมอบหมายงาน (delegation pattern) ที่ไม่มีสิ่งที่เทียบเท่าในที่นี้ Grok Voice 3.0 ยังคงใช้ realtime WebSocket endpoint เดิม พารามิเตอร์ session.update เดิม ชื่อเหตุการณ์เดิม การจับมือด้วย bearer-token เดิม และ ephemeral token อายุสั้นแบบเดิมสำหรับการเชื่อมต่อฝั่งไคลเอนต์ เสียงพากย์ไม่เปลี่ยนแปลง และ custom-voice endpoint ที่ฝึกเสียงจากคลิปอ้างอิงความยาวไม่เกิน 120 วินาทีจะสร้าง id ที่ใช้งานได้กับ realtime API และ streaming text-to-speech เหมือนเดิมทุกประการ
สิ่งที่สืบทอดมาโดยไม่ได้ดีขึ้นคือหลักฐานฝั่งการถอดเสียง รุ่นก่อนถูกทำการตลาดอย่างหนักโดยเน้นอัตราความผิดพลาดระดับคำ — xAI รายงานว่าประเมินวลีสั้นหลายพันวลีใน 24 ภาษา และพบข้อผิดพลาดต่ำกว่าโมเดลถอดเสียงเป็นข้อความโดยเฉพาะ ซึ่งรวมถึง Deepgram Nova 3 และ ElevenLabs Scribe v2 อยู่ที่ 1.5 ถึง 2.0 เท่า ต่ำกว่ารุ่นก่อนหน้าของตัวเอง 1.4 เท่า และมีข้อผิดพลาดต่ำลงราว 10 เท่าในสภาวะที่มีเสียงรบกวนซึ่งมีเสียงพื้นหลังและการบีบอัดทางโทรศัพท์ ตัวเลขเหล่านั้นเป็นตัวเลขจากผู้ขายและไม่เคยถูกทำซ้ำโดยอิสระ เอกสารเปิดตัวของ Grok Voice 3.0 ไม่ได้กล่าวถึงตัวเลขเหล่านั้นซ้ำ ซึ่งไม่ได้เป็นการยืนยันหรือการถอนคำกล่าวอ้าง หากความแม่นยำในช่องสัญญาณที่มีเสียงรบกวนเป็นปัจจัยสำคัญสำหรับการติดตั้งใช้งานของคุณ มันเป็นหนึ่งในไม่กี่สิ่งที่คุณต้องทดสอบซ้ำด้วยตัวเอง แทนที่จะอ่านเอาจากกระดานคะแนน
ลองตัวใหม่โดยไม่เอาสายโทรศัพท์มาเดิมพันกับมัน
เหตุผลที่การปักหมุดเวอร์ชันมีต้นทุนต่ำมากตรงนี้ คือไม่มีอะไรใน Grok Voice 3.0 ที่ยกขึ้นมาเคียงข้างกันได้ยาก — และเหตุผลที่เราเตอร์คุ้มค่าที่จะมีในสแต็กนี้ ไม่ใช่ชั้นเสียงซึ่งเป็นของ xAI เพียงผู้เดียว แต่เป็นทุกสิ่งที่ชั้นเสียงเรียกใช้
OrcaRouter ไม่ได้ให้บริการปลายทางเรียลไทม์ของ Grok Voice และก็ทำไม่ได้ด้วย เพราะ WebSocket เสียงแบบสองทิศทางเป็นพื้นผิวที่ผูกกับผู้ให้บริการรายเดียว สิ่งที่เราให้บริการคือชั้นข้อความที่โมเดลเสียงเรียกใช้ การติดตั้งระบบเสียงหนึ่งชุดประกอบด้วยโมเดลเสียง บวกกับตัวจำแนก ตัวสรุป ขั้นตอนการค้นคืน และแบ็กเอนด์สำหรับเรียกใช้เครื่องมือ และครึ่งนั้นก็คือการอนุมานแบบคิดตามคำขอตามปกติ: โมเดลมากกว่า 200 ตัวภายใต้คีย์เดียว ในราคาตามที่ผู้ให้บริการประกาศโดยไม่บวกเพิ่ม ดังนั้นหากผู้ให้บริการรายใดลดราคาที่ใดก็ตามในชั้นนี้ ฝั่งเราจะได้รับผลในวันเดียวกัน ไม่ใช่รอถึงรอบต่ออายุ; การสลับสำรองอัตโนมัติเมื่อผู้ให้บริการมีปัญหา ซึ่งสำหรับสายสนทนาสด ๆ นั่นคือความแตกต่างระหว่างการลองค้นหาอีกครั้งกับการที่ผู้โทรถูกตัดสาย; และ DSL สำหรับการกำหนดเส้นทางที่ให้คุณประกอบหลายโมเดลเข้าเป็นการเรียกครั้งเดียว และสลับสัดส่วนการผสมบนทราฟฟิกสดได้โดยไม่ต้องแตะเส้นทางเสียง
โครงสร้างแบบนี้เองที่ทำให้การ pin มีต้นทุนต่ำ ให้ grok-voice-2.0 ทำงานบน production ต่อไป ชี้ environment ที่สองไปที่ grok-voice-3.0 แล้วให้โมเดล backend ตัวเดียวกันตอบทั้งสองฝั่ง การเปรียบเทียบก็จะวัดตัวแปรเดียวที่คุณเปลี่ยนจริง ๆ และเส้นทางโค้ดที่รองรับอยู่ข้างใต้ก็เหมือนกันทั้งสองทาง
คำตัดสิน อย่างละหนึ่งบรรทัด
อัปเกรดเลย ถ้าเอเจนต์ของคุณลงมือทำงานจริงมากกว่าแค่สนทนา τ-Voice 15 คะแนน และคะแนนความชอบบนอารีนา 59 คะแนน ในราคาเดิม คือดีลที่ได้คุณค่าโดยไม่ต้องแลกอะไรเลยที่ชัดเจนที่สุดในหมวดนี้ของปีนี้ และไม่ต้องขยับอะไรในระบบอินทิเกรตเลยสักอย่างเพื่อสิ่งนี้
ปักหมุดและทดสอบดูก่อนว่าหลักฐานทั้งหมดของคุณสำหรับไลน์เสียงของ xAI คือค่าเริ่มต้นที่ 0.70 วินาทีหรือไม่ คุณสมบัตินั้นตอนนี้อยู่ที่ 0.81 โมเดลที่เอาชนะมันได้ยังทำงานอยู่ และมันถูกประกาศเลิกใช้ (deprecated) มากกว่าจะถูกลบออก
ไม่ต้องสนใจการตั้งชื่อ Grok Voice Think Fast 2.0, Grok Voice 2.0 และ API id grok-voice-2.0 ต่างก็ชี้ไปที่รุ่นเดียวกัน และถ้าคุณอ่านลีดเดอร์บอร์ดที่แสดงเพียงหนึ่งในชื่อเหล่านั้น คุณกำลังอ่านตัวเลขที่ถูกต้องภายใต้ป้ายชื่อที่ไฟล์คอนฟิกของคุณเองไม่ได้ใช้
การเปรียบเทียบแบบนี้ก็เป็นจุดที่โหมดความล้มเหลวปรากฏให้เห็นเช่นกัน: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในระดับนี้ได้รับการรวบรวมไว้ในthe OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะถูกโต้แย้งเป็นของตนเอง
