Grok Voice 3.0 đứng đầu Speech to Speech Index ở mức 86,9 — và trả lại kỷ lục độ trễ

Con số mà mọi người sẽ trích dẫn là 86.9. Đó là vị trí mà Grok Voice 3.0 đạt được trên Artificial Analysis Speech to Speech Index khi bảng xếp hạng được chạy lại vào ngày 13 tháng 10 năm 2026, hơn năm điểm rưỡi so với mô hình mà nó thay thế, Grok Voice 2.0, vốn đứng ở mức 81.3. Nó cũng vượt qua GPT-Live-1 trong cấu hình Astra medium của nó ở mức 83.2 và Gemini 3.8 Live Extended Thinking ở mức 82.6, điều này khiến nó trở thành mô hình giọng nói xAI đầu tiên giữ vị trí dẫn đầu một cách trọn vẹn thay vì chỉ chia sẻ danh hiệu đó. SpaceXAI đã công bố nó vào ngày 14 tháng 10, cùng ngày ghi chú phát hành API thay đổi, và với cùng mức giá mỗi phút như mô hình mà nó cho ngừng hoạt động.

Con số mà không ai sẽ trích dẫn, bởi vì xAI đã không đưa nó lên tiêu đề, là 0,70. Đó là thời gian đến âm thanh đầu tiên của Grok Voice 2.0 tính bằng giây, và nó nhanh hơn mức 0,81 của Grok Voice 3.0. Công ty đã dành cả một năm để bán khả năng luân phiên lượt nói dưới một giây giờ lại tung ra một mẫu chủ lực bắt đầu nói muộn hơn 0,11 giây so với chính mẫu cũ của mình. Nó vẫn nhanh hơn khoảng 40% khi xuất phát so với cấu hình GPT-Live-1 mà Artificial Analysis đo được ở 1,34 giây, nên tuyên bố tiếp thị vẫn đứng vững nếu hiểu theo nghĩa đen. Chỉ có điều nó không đứng vững khi so với phiên bản trước.

Điều gì thực sự đã được phát hành, và cái giá phải trả là bao nhiêu

Grok Voice 3.0 là một mô hình giọng nói sang giọng nói được cung cấp qua cùng endpoint WebSocket thời gian thực như phiên bản tiền nhiệm, với cùng các tham số phiên và cùng tên sự kiện. Không có SDK mới và không có tài liệu di trú, vì không có gì cần di trú. Chuỗi mô hình đã thay đổi và hành vi đằng sau nó cũng thay đổi.

• Giá — 0,08 USD mỗi phút âm thanh, hoặc 4,80 USD mỗi giờ, cộng thêm 0,004 USD mỗi đầu vào văn bản. Giống hệt Grok Voice 2.0. Đây là bản cập nhật năng lực với mức giá không đổi, không phải là việc định giá lại.

• Hành vi alias — grok-voice-latest giờ đây trỏ đến grok-voice-3.0. Bất kỳ ai đã triển khai dựa trên alias đều được tự động chuyển sang model mới, mà không cần thay đổi mã nguồn và không cần ghim phiên bản.

• Ngừng hỗ trợ — grok-voice-2.0 được gắn cờ là ngừng hỗ trợ. Lộ trình nâng cấp mà xAI ghi trong tài liệu là đặt trường model thành grok-voice-3.0 hoặc giữ nguyên alias.

• Điểm cuối và xác thực — không thay đổi. Vẫn cùng URL thời gian thực, vẫn cùng bắt tay bearer-token, vẫn cùng các token tạm thời ngắn hạn cho các kết nối phía máy khách.

Giọng nói — bộ giọng nói tích hợp sẵn và endpoint giọng nói tùy chỉnh không thay đổi; giọng nói tùy chỉnh được huấn luyện từ một clip tham chiếu tối đa 120 giây và voice_id thu được hoạt động trên cả API thời gian thực lẫn tính năng chuyển văn bản thành giọng nói dạng truyền phát.

Danh sách cuối cùng đó chính là lý do việc chuyển alias quan trọng hơn vẻ ngoài của nó. Grok Voice 2.0 chỉ được đặt làm đích alias vào ngày 5 tháng 8 năm 2026 — khoảng mười tuần trước bản phát hành này. Một nhóm đã xây dựng dựa trên grok-voice-latest vào tháng 8 giờ đã trải qua hai lần hoán đổi mô hình âm thầm trong một quý duy nhất, một đặc tính tốt cho một thử nghiệm chatbot và kém tốt hơn đối với một hệ thống điện thoại mà bộ kiểm thử hồi quy của nó được viết dựa trên thời gian của một giọng nói cụ thể.

Chỉ mục, từng thành phần một

Các chỉ số tổng hợp che giấu lập luận, vì vậy đáng để mổ xẻ Grok Voice 3.0. Mọi con số dưới đây đều đến từ hoạt động kiểm thử của chính Artificial Analysis, đề ngày 13 tháng 10 năm 2026.

• Suy luận giọng nói, Big Bench Audio — 98,5%, tăng từ 97,2% của Grok Voice 2.0.

• Động lực hội thoại, Full Duplex Bench — 97,0%, tăng từ 95,1%.

• Mức ưa thích Speech Agent Arena — Elo 1070, tăng từ 1011 và cao nhất trên bảng xếp hạng.

• Tỷ lệ thành công nhiệm vụ — 94,8%, tăng từ 94,6%. Đây là mức thay đổi nhỏ nhất trong số năm mức và đáng lưu ý đúng như vậy: xét về tỷ lệ hoàn thành nhiệm vụ thô, hai mô hình, trong phạm vi đo lường, là cùng một mô hình.

• Hiệu suất agentic, τ-Voice — 71,6%, tăng từ 56,5%. Đây là mức tăng đơn lẻ lớn nhất trong bản phát hành này, một cú nhảy 15 điểm ở thành phần duy nhất đo lường liệu một tác tử có thực sự hoàn thành được một công việc nhiều lượt hay chỉ tỏ ra có năng lực khi làm việc đó.

• Thời gian đến âm thanh đầu tiên — 0,81 giây, so với 0,70 của Grok Voice 2.0.

Đọc chúng cùng nhau sẽ cho một câu chuyện hữu ích hơn so với chỉ số tổng hợp. Mức tăng 5,6 điểm của chỉ số không được phân bổ đồng đều: gần như toàn bộ nằm ở hiệu suất tác tử và sở thích đấu trường, trong khi khả năng suy luận và xử lý song công chỉ nhích lên nhẹ, còn tỷ lệ thành công tác vụ thuần túy thì giậm chân tại chỗ. Grok Voice 3.0 là một tác tử tốt hơn, chứ không phải một người trò chuyện tốt hơn. Nếu sản phẩm thoại của bạn là một tổng đài hỗ trợ đặt lịch hẹn và kiểm tra trạng thái đơn hàng, thì đó chính xác là mức chênh lệch bạn muốn. Nếu đó là một người bạn đồng hành hoặc giao diện nhập vai, thì mức tăng chỉ số phần lớn là không đáng kể, và bạn đã phải trả giá bằng độ trễ.

Bài kiểm tra duy nhất mà người dẫn đầu không phải là người dẫn đầu

τ-Voice là thành phần mà xAI nên nói đến, và cũng là lĩnh vực mà nó vẫn còn thua kém. Ở mức 71.6%, Grok Voice 3.0 đã tăng vọt so với 56.5% của phiên bản tiền nhiệm — và vẫn đứng sau GPT-Live-1 được cấu hình với Astra ở mức suy luận trung bình, mà Artificial Analysis đánh giá là 74.5%. Gemini 3.8 Live đạt 68.6% trong cùng bài kiểm tra.

Vậy nên cục diện của hạng mục này sau bản phát hành lần này là: xAI nắm chỉ số tổng hợp và đấu trường; O​penAI nắm bài kiểm tra hoàn thành tác vụ dạng agent; Google không nắm cái nào và rẻ hơn cả hai. Không phát biểu nào trong ba phát biểu đó mâu thuẫn với những phát biểu còn lại, và bất kỳ bài viết nào chỉ đưa tin về phát biểu đầu tiên thì đang đưa tin về một thứ hạng chứ không phải một kết quả.

Nhà cung cấp tuyên bố rằng không có bo mạch nào bao phủ

Các tuyên bố về hiệu năng đi kèm với một lớp số liệu thứ hai mà Artificial Analysis không đo lường và không thể đo lường, bởi vì chúng mô tả lưu lượng vận hành thực tế bên trong chính các sản phẩm của một công ty. Đây là những con số của xAI, do xAI báo cáo, không có xác minh độc lập nào và khó có thể có:

• Tesla — Grok Voice được cho là đang vận hành hàng triệu cuộc trò chuyện mỗi ngày trong xe, xử lý các thao tác lịch và email thông qua trình kết nối và đặt đồ ăn thông qua chế độ thoại của Grok Bot.

• Hỗ trợ Starlink — 20.000 cuộc gọi khách hàng mỗi ngày trên nhiều ngôn ngữ, với khoảng 70% được giải quyết mà không cần đến con người và cứ bốn cuộc gọi bán hàng thì có khoảng một cuộc kết thúc bằng giao dịch mua. Cùng một tác nhân được mô tả là xử lý việc xác minh danh tính, khắc phục sự cố phần cứng, tín dụng tài khoản và gửi hàng thay thế trong một luồng xử lý duy nhất.

• ServiceNow EVA-Bench — con số độ chính xác được làm tròn là 74%, được báo cáo là cao nhất trên benchmark đó và tốt nhất khi độ chính xác và trải nghiệm khách hàng được chấm điểm cùng nhau. EVA-Bench bao gồm dịch vụ khách hàng với 15 công cụ và 50 kịch bản, quản lý dịch vụ CNTT với 59 công cụ và 80 kịch bản, và nhân sự với 47 công cụ và 83 kịch bản.

Hãy coi hai điều đầu tiên là mô tả về ý định chứ không phải là bằng chứng. Chúng là bằng chứng mạnh nhất có thể rằng một mô hình giọng nói hoạt động hiệu quả — một công ty định tuyến các cuộc gọi doanh thu của chính mình qua nó thì có lợi ích liên đới — đồng thời là bằng chứng yếu nhất có thể đối với người đọc, bởi không phần nào trong đó có thể kiểm chứng được từ bên ngoài và không phần nào tách bạch mô hình khỏi các prompt, cơ chế truy hồi và chính sách chuyển tuyến được bao quanh nó. Con số containment 70% nói riêng là một con số cấp hệ thống khoác lên mình bộ cánh cấp mô hình.

Một mức giá không hề nhúc nhích cho bạn biết điều gì

Việc giữ nguyên mức giá $0.08 mỗi phút là điều thú vị nhất về mặt chiến lược trong bản phát hành này. Cách lý giải rõ ràng là áp lực cạnh tranh: Google đã dành cả năm để định vị Gemini Live là lựa chọn giá rẻ trong phân khúc này, và thế hệ trước của dòng giọng nói xAI đã phải gánh chịu mức tăng giá 60% khi dòng Think Fast chuyển từ $3.00 lên $4.80 mỗi giờ. Việc lại tăng mức giá của sản phẩm chủ lực không phải là một lựa chọn khả thi.

Hiệu ứng bậc hai là đối với bất kỳ ai đang mô hình hóa chi phí. Phép đo theo từng tác vụ của Artificial Analysis đặt Grok Voice 3.0 ở mức $0.025 để hoàn thành một tác vụ Big Bench Audio, so với $0.030 cho GPT-Live-1 Astra medium và $0.055 cho GPT-Realtime-2.1 High. Rẻ hơn trên mỗi tác vụ và chính xác hơn trên mỗi tác vụ là sự kết hợp chấm dứt các cuộc tranh luận về thu mua, và đây là lần đầu tiên trong hạng mục này một mô hình duy nhất nắm giữ cả hai đầu.

Vị trí mà một lớp định tuyến tham gia vào bức tranh này hẹp hơn vẻ ngoài của nó, và cần phải nói cho thật chính xác. OrcaRouter không phục vụ endpoint thời gian thực Grok Voice 3.0 — thứ đó đến từ API của chính xAI, và Gemini Live cùng bản tương đương GPT-Live-1 cũng vậy. Thứ chúng tôi vận hành là phần văn bản: hơn 200 mô hình ngôn ngữ sau một khóa duy nhất với giá niêm yết của nhà cung cấp, không phụ phí, và đó chính là nơi thường diễn ra việc dọn dẹp bản ghi âm, tóm tắt sau cuộc gọi, phân loại bản ghi thành mã xử lý, cùng logic gọi công cụ mà mô hình giọng nói giao phó lại. Đó là những mô hình tính phí theo yêu cầu thông thường, đúng loại khối lượng công việc mà một bộ định tuyến sinh ra để xử lý, và vì giá niêm yết được chuyển nguyên vẹn nên bất kỳ đợt giảm giá nào của nhà cung cấp đối với các mô hình đó đều có hiệu lực ngay bên chúng tôi trong cùng ngày chứ không phải đợi đến kỳ gia hạn tiếp theo của bạn.

Điều gì vẫn chưa được đo lường

Ba điều, và chúng chính là thứ phải quyết định xem bạn nên di chuyển ngay hay ghim lại.

Điều đầu tiên là độ ổn định trong phiên dài. Mọi con số ở trên đều đến từ các tương tác ngắn đã được chấm điểm. Không có tài liệu nào được công bố đề cập đến việc một cuộc gọi 20 phút ảnh hưởng thế nào đến tỷ lệ lỗi, và kiểu thất bại thú vị đối với một mô hình song công — trôi dạt tích lũy, hay một chính sách nhường lượt bị suy giảm khi có người chen ngang — chỉ xuất hiện qua nhiều phút, chứ không phải qua các lượt.

Điều thứ hai là tuyên bố về kênh nhiễu. Thế hệ tiền nhiệm của xAI được tiếp thị dựa trên tỷ lệ lỗi từ trong điều kiện thoại, và đó là tuyên bố dễ bị phản bác nhất trong toàn bộ đợt ra mắt. Bất kỳ ai có một kho ngữ liệu ghi âm cuộc gọi và một buổi chiều đều có thể kiểm chứng điều đó.

Điều thứ ba là liệu con số 0,81 giây có còn đúng khi chịu tải hay không. Thời gian đến âm thanh đầu tiên được đo trên một hệ thống yên tĩnh. Môi trường production không phải là một hệ thống yên tĩnh.

Cho đến khi những thứ đó thành hiện thực, tóm tắt trung thực về Grok Voice 3.0 là thế này: đây là mô hình giọng nói tốt nhất trên bảng công khai với một khoảng cách có thật nhưng chỉ tập trung ở một khía cạnh, nó có cùng mức giá như mô hình mà nó thay thế, nó bắt đầu nói chậm hơn mô hình đó, và nó đã tự động chuyển mọi triển khai grok-voice-latest hiện có sang chính nó mà không hỏi. Ba điều đầu tiên là lý do để thử nó. Điều thứ tư là lý do để ghim phiên bản trong cấu hình của bạn trước khi làm vậy.

Việc phát hành mô hình giọng nói cũng là thời điểm để kiểm tra những gì đã sai trước đây: các sự cố AI và lỗi agent được ghi nhận liên quan đến các mô hình thuộc lớp này đều được tập hợp trong Kho lưu trữ Sự cố AI OrcaRouter, nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.