0,81 másodperces válaszidővel lett első a SpaceXAI új hangügynöke

A SpaceXAI bemutatta a Grok Voice 3.0-át, a legújabb hangügynök modellt, amely képes meghallgatni, érvelni, eszközöket használni és beszélni. A modell az Artificial Analysis Speech-to-Speech Indexen 86,9-es pontszámmal az első helyet szerezte meg. A fejlesztők számára az API végpont és az árazás változatlan maradt a Grok Voice 2.0-hoz képest. (MarkTechPost)

A Grok Voice 3.0 kizárólag a SpaceXAI hosztolt Voice Agent API-ján keresztül érhető el, nincsenek nyílt súlyai vagy lokális változatai. A modell alapértelmezetten bekapcsolt érvelési képességgel rendelkezik, amely „high” erőfeszítésre van állítva, de kikapcsolható a gyorsabb válaszidő érdekében. Az API-n keresztül elérhető eszközök között szerepel keresés a gyűjteményekben, weben, X-en, távoli MCP szerverek és egyéni függvények.

Teljesítmény a benchmarkokon

Az Artificial Analysis Speech-to-Speech Index négy komponens átlagán alapul: Big Bench Audio érvelés, τ-Voice ügynöki teljesítmény, Speech Agent Arena preferencia és feladat-sikességi ráta. A Grok Voice 3.0 86,9 pontot ért el, megelőzve a GPT-Live-1 (Astra, medium) 83,2 pontját és a Gemini 3.8 Live Extended Thinking 82,6 pontját.

A Grok Voice 2.0 korábban 81,3 ponttal végzett. A komponenseredmények erősek, bár nem mindenhol első helyezettek: a Big Bench Audio teszten 98,5%-ot, a Full Duplex Bench teszten 97,0%-ot ért el, míg a τ-Voice teszten 71,6%-ot, ami alatta marad a GPT-Live-1 74,5%-os eredményének.

Sebesség és költség

A modell első hang válaszig tartó átlagos ideje 0,81 másodperc, ami a SpaceXAI állítása szerint 40%-kal alacsonyabb késleltetés a GPT-Live-1-hez képest. Bár a Grok Voice 2.0 ennél is gyorsabb volt, 0,70 másodperccel. Az árazás percenként 0,08 dollár, ami megegyezik a korábbi verzióval. Feladatokként 0,025 dolláros költséggel számolnak, ami kedvezőbb a GPT-Live-1 0,030 dolláros és a GPT-Realtime-2.1 0,055 dolláros áraihoz képest. Azonban a Gemini 3.8 Live Extended Thinking óránkénti 3,50 dolláros bemeneti audió költsége alacsonyabb a Grok Voice 3.0 4,80 dolláros díjánál.

Fejlesztői hozzáférés és funkciók

A Grok Voice 3.0 API kompatibilis az OpenAI Realtime API-jával, így a migrálás egy új URL és kulcs megadását jelenti. A támogatott szállítási módok közé tartozik a WebSocket, WebRTC demó alkalmazások és az SIP telefonhívásokhoz. A modell 28 beépített hanggal és egy legfeljebb 120 másodperces referenciaklipből klónozható egyéni hangokkal rendelkezik. 20 nyelvi helyszín támogatott automatikus nyelvfelismeréssel. A fejlesztők finomhangolhatják a viselkedést olyan opciókkal, mint a `force_message` szkriptelt sorokhoz, vagy a 30 perces munkamenet-folytatás.

A Grok Voice 3.0 a ServiceNow EVA-Bench teszten 74%-os pontosságot ért el. A SpaceXAI közölte, hogy a modell nem tárolja és nem használja fel a hanganyagot képzésre, és megfelel az SOC 2 Type II, HIPAA és GDPR előírásoknak. A Grok Voice 2.0 verzió már nem támogatott.