Grok Voice 3.0 от SpaceXAI возглавила рейтинг Artificial Analysis

Компания SpaceXAI представила флагманскую языковую модель Grok Voice 3.0 для работы с голосовыми запросами в реальном времени. Новинка поднялась на первую строчку профильного индекса искусственного интеллекта, опередив конкурентов по ряду ключевых метрик задержки и производительности.

Интерфейс новинки полностью совместим со стандартом OpenAI Realtime API, а базовая стоимость использования составляет 0,08 доллара за минуту сеанса. Разработчики получили доступ к расширенному набору инструментов и встроенным функциям синтеза речи.

Основные характеристики новой модели

Система функционирует исключительно через облачный интерфейс веб-сокетов по адресу конечной точки grok-voice-3.0 на платформе API компании. Псевдоним grok-voice-latest уже указывает на эту версию, поэтому существующие агентские решения переключились автоматически. Точные данные об архитектуре и количестве параметров разработчики не раскрывают.

Функция рассуждений активирована по умолчанию с высоким уровнем усиления, однако параметр можно переключить в режим отключения для ускорения ответов. Серверный модуль распознавания активности управляет прерываниями речи (barge-in) на лету. Внутри сеанса запускаются поисковые запросы по базам данных, веб-ресурсам и платформе X, а также удаленные серверы MCP и пользовательские функции.

Результаты независимого тестирования

Сводный индекс Speech-to-Speech рассчитывается как среднее арифметическое четырех составляющих: рассуждений Big Bench Audio, агентской производительности τ-Voice, предпочтений в арене голосовых агентов и процента успешного выполнения задач. Общий балл рассматриваемой модели составляет 86,9 пункта, тогда как аналогичные решения от конкурентов набирают меньше.

Показатели в отдельных категориях распределились следующим образом:

• Big Bench Audio: 98,5%, четвертая позиция в общем зачете.
• Full Duplex Bench: 97,0%, также четвертое место.
• Успешность решения задач: 94,8% (рост по сравнению с предыдущей итерацией).
• Рейтинг Elo в специализированной арене: 1070 баллов, лучший результат среди сопоставляемых вариантов.

В рамках бенчмарка EVA-Bench от ServiceNow, оценивающего корпоративных голосовых агентов, точность системы достигает 74%.

Скорость отклика и финансовые затраты

Тестирование фиксирует время до появления первого фрагмента аудио на уровне 0,81 секунды. Заявленное сокращение задержки примерно на 40% относительно конкурирующих решений подтверждается на практике, хотя прошлая версия работала немного быстрее. По расчетам затрат на одну задачу в тестах аудиорассуждений показатель составляет 0,025 доллара.

Прямое сравнение прейскурантов затруднено из-за особенностей тарификации сторонних систем, где отдельно оплачиваются фоновые языковые модели или текстовые токены. Общая стоимость часа входящего аудиопотока составляет 4,80 доллара, что дешевле некоторых аналогов, но дороже отдельных альтернатив с покомпонентной оплатой.

Особенности внедрения для разработчиков

Интеграция не требует глубокой переработки кода благодаря совместимости со стандартными протоколами. Поддерживаются транспортные механизмы WebSocket, демонстрационные приложения на базе WebRTC, а также протокол SIP для телефонных вызовов и контакт-центров. Аудиопоток обрабатывается в форматах PCM с частотой дискретизации от 8 до 48 кГц, а также с использованием алгоритмов G.711 и Opus.

Платформа предлагает 28 встроенных голосов и возможность создания пользовательских профилей на основе коротких образцов длительностью до 120 секунд. Заявлена поддержка 20 локалей с автоматическим определением языка общения. Производственным командам рекомендуется явно указывать идентификатор grok-voice-3.0 в конфигурации, поскольку прошлая версия официально переведена в статус устаревших.