Грок все продолжает прокачивать голос, выпустили Grok Voice 3.0

Speech-to-speech модель, вышла в API по той же цене, что и вторая версия. Скорее всего у них огромнейшие датасеты речи из машин. В итоге обошли практически всех.

Бенчмарки (Artificial Analysis):
– Speech-to-Speech Index – 86.9 и 1-е место (GPT-Live-1 – 83.2, Gemini 3.8 Live – 82.6)
– Big Bench Audio – 98.5%
– Task Success Rate – 94.8% против 87.4% у GPT-Live-1
– Full Duplex Bench (паузы, перебивания, очередность реплик) – 97%
– EVA-Bench от ServiceNow (200+ корпоративных сценариев поддержки) – 74%, лучший результат
Деньги:
– $0.08/мин, то есть $4.80 в час (!) Это прям супер-дешево!
– стоимость задачи на Big Bench Audio – $0.025, у GPT-Live-1 – $0.030, у GPT-Realtime-2.1 – $0.055
– задержка до первого звука меньше секунды

Прикол, что на τ-Voice (звонки в поддержку с акцентами, шумом и перебиваниями) Grok набирает 71.6%, а GPT-Live-1 – 74.5%. xAI называет это «сопоставимо», зато на 40% быстрее.

В колл-центрах Starlink Grok отвечает на 20 тыс. звонков в день на нескольких языках, около 70% закрываются без человека, а каждый четвертый продажный звонок заканчивается покупкой до того, как клиент положил трубку. Плюс миллионы разговоров в день в машинах Tesla.
Короче, голосовые агенты для поддержки уже могут просто сожрать все, что только можно...

https://x.ai/news/grok-voice-3