Нейролень
AI

Grok Voice 3.0 стал первым в рейтинге голосовых ИИ. Разбираю, что это значит для тех, кто делает голосовых агентов

14 октября вышел Grok Voice 3.0 — новая speech-to-speech модель от команды Grok (бывшая xAI). Это модель, которая слушает голос и сразу отвечает голосом, без цепочки «распознать текст → подумать → озвучить». Главная новость: в независимом рейтинге Artificial Analysis она сразу заняла первое место. Пост Artificial Analysis за сутки набрал больше 660 тысяч просмотров, так что тема явно задела индустрию.

Цифры

По данным Artificial Analysis и официального анонса:

  • Speech to Speech Index: 86.9 — первое место. У GPT-Live-1 (Astra, medium) от OpenAI 83.2, у Gemini 3.8 Live (Extended Thinking, High) 82.6. Предыдущая Grok Voice 2.0 набирала 81.3, а Grok Voice 1.0, вышедшая меньше полугода назад, — 73.7.
  • Task Success Rate: 94.8% — лучший результат в таблице (решённые задачи в живых звонках).
  • Big Bench Audio (рассуждение на слух): 98.5%. Тут, правда, есть нюанс: по этой метрике отдельно выше StepAudio 3 Realtime и пара моделей Qwen, просто они не лидируют по индексу в целом.
  • Tau-Voice (поддержка с акцентами, шумом, перебиваниями): 71.6% — второе место, впереди GPT-Live-1 (Astra) с 74.5%.
  • Арена предпочтений: Elo 1070 — третье место после двух моделей Gemini.
  • Время до первого звука: 0.81 с против 1.24–1.35 с у конкурентов. Забавно, что Grok Voice 2.0 была быстрее — 0.70 с.
  • Цена: $0.08 за минуту ($4.80 в час), столько же, сколько у 2.0.

Важно понимать, как устроен индекс: по методике AA это среднее с равными весами четырёх частей: рассуждение, агентные задачи, арена и доля успешно решённых задач. То есть первое место — это не победа во всём, а лучший баланс.

Мой разбор: что тут реально интересно

1. Скорость важнее, чем кажется. В голосе задержка в полсекунды — это разница между «живой собеседник» и «робот с колл-центра». 0.81 с при лидирующем качестве — это главный практический аргумент. Команда Grok отдельно пишет, что на Tau-Voice модель сопоставима с GPT-Live-1 (Astra), но примерно на 40% быстрее отвечает.

2. Ставка на колл-центры. И анонс, и SiliconANGLE делают упор на поддержку и продажи по телефону. По данным компании, Grok Voice уже обслуживает миллионы разговоров в день в Tesla и SpaceX. Это заявление самой компании, независимо его проверить нельзя.

3. Апгрейд бесплатный. Если агент обращается к алиасу grok-voice-latest, он уже переключён на 3.0 без изменений в коде. Удобно, но учтите: поведение агента могло поменяться без вашего ведома. Если у вас продакшен, стоит прогнать свои тестовые сценарии.

4. Цена — не самая низкая. $4.80 в час дороже, чем у Gemini 3.8 Live ($3.50) и GPT-Live-1 (Sol, low) ($4.47), но дешевле GPT-Live-1 (Astra, medium) ($5.83) и примерно в 2.2 раза дешевле GPT-Realtime-2.1 High по подсчётам AA.

Что я бы проверил перед внедрением

  • Русский язык. Все замеры сделаны на английском, про качество на русском в источниках нет ни слова.
  • Свои сценарии, а не бенчмарки. Арена показывает, что по «приятности» голоса пользователи пока чаще выбирают Gemini.
  • Стоимость на ваших объёмах: при тысячах часов разница в $1–1.3 за час становится ощутимой.

Голосовые агенты за полгода прошли путь от 73.7 до 86.9 по индексу у одной только линейки Grok. Похоже, «позвонить боту и решить вопрос» скоро перестанет быть болью.

А вы уже пробовали голосовых ИИ-агентов в работе или как клиент? Готовы ли разговаривать с ботом поддержки, если он отвечает быстрее человека?