مهر
اخبار
گراک ویس ۳٫۰ از xAI منتشر شد؛ باهوش‌ترین مدل صوتی با همان قیمت قبل
شرکت xAI در ۱۴ اکتبر ۲۰۲۶ مدل صوتی Grok Voice 3.0 را عرضه کرد؛ مدلی که در شاخص مستقل گفتار به گفتار رتبه‌ی اول گرفته، قیمتش نسبت به نسخه‌ی قبل تغییری نکرده و از همین حالا پشت تماس‌های Starlink و دستیار صوتی Tesla کار می‌کند.
لیست مطالب
۱. گراک ویس ۳٫۰ دقیقاً چیست؟
شرکت xAI، سازنده‌ی ربات گفتگوی Grok، اعلام کرد نسخه‌ی تازه‌ی مدل صوتی‌اش را در Voice Agent API در اختیار توسعه‌دهندگان گذاشته است. این مدل از خانواده‌ی «گفتار به گفتار» (Speech-to-Speech) است. در روش قدیمی، صدای کاربر اول به متن تبدیل می‌شد، مدل زبانی متن را پردازش می‌کرد و سپس یک موتور تبدیل متن به گفتار جواب را می‌خواند. هر کدام از این مراحل مقداری تأخیر اضافه می‌کرد و لحن و مکث و احساس گوینده در میانه‌ی راه از بین می‌رفت.
در مدل‌های گفتار به گفتار، صدا مستقیم وارد مدل می‌شود و صدا از آن بیرون می‌آید. نتیجه گفتگویی طبیعی‌تر است که می‌تواند وسط حرف قطع شود، مکث را بفهمد و نوبت صحبت را درست رعایت کند. xAI برای معرفی نسخه‌ی ۳٫۰ از عبارت «باهوش‌ترین مدل صوتی دنیا» استفاده کرده است؛ جمله‌ای تبلیغاتی که باید در کنار اعداد مستقل بررسی شود.
۲. امتیازها؛ ۸۶٫۹ در شاخص گفتار به گفتار
شاخص Speech-to-Speech را مؤسسه‌ی Artificial Analysis محاسبه می‌کند و نسخه‌ی ۱۳ اکتبر ۲۰۲۶ آن، Grok Voice 3.0 را با ۸۶٫۹ در رتبه‌ی اول نشان می‌دهد. برای مقایسه، نسخه‌ی ۲٫۰ همین مدل ۸۱٫۳ داشت. یعنی جهش حدود ۵٫۶ امتیازی در یک نسخه.
اجزای این شاخص برای نسخه‌ی جدید نسبت به نسخه‌ی قبل به این صورت گزارش شده است:
- دقت استدلال گفتاری در آزمون Big Bench Audio از ۹۷٫۲٪ به ۹۸٫۵٪ رسیده است.
- امتیاز Elo در Speech Agent Arena از ۱۰۱۱ به ۱۰۷۰ بالا رفته است.
- نرخ موفقیت در انجام وظیفه از ۹۴٫۶٪ به ۹۴٫۸٪ رسیده؛ تغییری کوچک اما رو به جلو.
- نتیجه در Full Duplex Bench که توقف، نوبت‌گیری و قطع‌کردن حرف را می‌سنجد، از ۹۵٫۱٪ به ۹۷٫۰٪ رسیده است.
نکته‌ی جالب اینجاست که بزرگ‌ترین جهش در بخش «رفتار گفتگویی» و رتبه‌بندی انسانی دیده می‌شود، نه در نرخ موفقیت وظایف. یعنی بخش مهمی از پیشرفت به طبیعی‌تر شدن مکالمه برمی‌گردد.
۳. مقایسه با رقبا؛ GPT-Live و Gemini Live
در جدول مقایسه‌ی xAI، مدل GPT-Live-1 از OpenAI با امتیاز ۸۳٫۲ در شاخص و ۷۴٫۵٪ در آزمون tau-Voice حضور دارد. هزینه‌ی هر وظیفه برای آن ۰٫۰۳۰ دلار ذکر شده است. مدل Gemini 3.8 Live گوگل با ۸۲٫۶ در شاخص و ۶۸٫۶٪ در tau-Voice آمده و مدل GPT-Realtime-2.1 هزینه‌ی ۰٫۰۵۵ دلار برای هر وظیفه دارد.
Grok Voice 3.0 در tau-Voice، که تماس‌های شبیه‌سازی‌شده‌ی پشتیبانی مشتری را می‌سنجد، ۷۱٫۶٪ گرفته و هزینه‌ی هر وظیفه در Big Bench Audio برای آن ۰٫۰۲۵ دلار است. xAI می‌گوید کیفیتش در tau-Voice با GPT-Live-1 قابل مقایسه است، اما تأخیر آن حدود ۴۰٪ کمتر است. همچنین در آزمون EVA-Bench از ServiceNow، دقت ۷۴٪ ثبت شده که بالاترین عدد گزارش‌شده است. دقت کنید که در tau-Voice خودِ GPT-Live-1 با ۷۴٫۵٪ هنوز کمی بالاتر است؛ بنابراین برتری گراک بیشتر در شاخص کلی، هزینه و سرعت است تا در هر آزمون تکی.
۴. قیمت و دسترسی؛ بدون افزایش هزینه
قیمت استفاده از Grok Voice 3.0 در Voice Agent API برابر ۰٫۰۸ دلار در دقیقه یا ۴٫۸۰ دلار در ساعت است؛ دقیقاً همان قیمت نسخه‌ی ۲٫۰. برای کسب‌وکارهایی که ایجنت تلفنی دارند، این یعنی ارتقای کیفیت بدون تغییر در بودجه.
ارتقا هم برای توسعه‌دهندگان ساده بوده است. ایجنت‌هایی که از نام مستعار grok-voice-latest استفاده می‌کردند، خودکار به نسخه‌ی ۳٫۰ منتقل شدند و نیازی به تغییر کد نداشتند. اگر نسخه را به‌صورت ثابت قفل کرده‌اید، باید خودتان نام مدل را به‌روز کنید و قبل از انتقال کامل، چند تماس آزمایشی بگیرید.
تأخیر مدل طبق گفته‌ی xAI زیر یک ثانیه است. Artificial Analysis این معیار را «زمان تا اولین صدا» تعریف می‌کند، یعنی ثانیه‌هایی که طول می‌کشد تا اولین توکن صوتی تولید شود. برای نسخه‌ی ۳٫۰ عدد دقیق این معیار در منابع بررسی‌شده اعلام نشده است.
۵. کاربرد واقعی؛ Starlink و Tesla
xAI دو نمونه‌ی استفاده در مقیاس بزرگ را مطرح کرده است. نمونه‌ی اول مرکز تماس Starlink است که روزانه حدود ۲۰ هزار تماس را به چند زبان پاسخ می‌دهد. طبق این گزارش حدود ۷۰٪ تماس‌ها بدون دخالت هیچ انسانی حل می‌شود. یک ایجنت واحد مشتری را احراز هویت می‌کند، مشکل سخت‌افزار را عیب‌یابی می‌کند، اعتبار صادر می‌کند و حتی ارسال تجهیزات جایگزین را ثبت می‌کند. در تماس‌های فروش هم تقریباً از هر چهار تماس یکی به خرید ختم می‌شود.
نمونه‌ی دوم Tesla است. دستیار صوتی خودروها و حالت صوتی Grok Bot روی همین مدل کار می‌کنند. راننده می‌تواند بدون دست زدن به هیچ چیز از طریق اتصال‌دهنده‌هایی مثل تقویم و ایمیل کار انجام دهد، یا با Grok Bot قهوه سفارش بدهد و برای شام جا رزرو کند. xAI می‌گوید مدل صوتی Grok روزانه میلیون‌ها گفتگو را در Tesla و SpaceX پردازش می‌کند.
۶. این خبر برای ساخت ایجنت صوتی چه معنایی دارد؟
رقابت در بازار ایجنت‌های صوتی از «کدام مدل صدای قشنگ‌تری دارد» به «کدام مدل کار را کامل و ارزان‌تر تمام می‌کند» تغییر کرده است. وقتی هزینه‌ی هر وظیفه به حدود دو و سه سنت می‌رسد و تأخیر زیر یک ثانیه است، جایگزین‌کردن بخشی از اپراتورهای انسانی از نظر اقتصادی توجیه‌پذیر می‌شود. البته نرخ ۷۰٪ حل‌شدن بدون انسان یک نتیجه‌ی گزارش‌شده توسط خود شرکت است و برای هر کسب‌وکار باید جداگانه سنجیده شود.
اگر قصد ساخت ایجنت صوتی دارید، پیشنهاد عملی این است که چند سناریوی واقعی خودتان را روی دو یا سه مدل اجرا کنید و فقط به جدول‌های تبلیغاتی تکیه نکنید. معیارهای مهم عبارت‌اند از دقت در اعداد و نام‌ها، رفتار در لحظه‌ی قطع‌شدن حرف، کیفیت در محیط پرنویز و هزینه‌ی نهایی هر تماس موفق. برای آشنایی با اصول نوشتن دستورهای درست برای مدل‌ها، راهنمای نوشتن پرامپت برای مبتدی‌ها را ببینید.
۷. محدودیت‌ها و نکته‌های احتیاطی
اولین نکته این است که بخش بزرگی از اعداد، از جمله نرخ حل‌شدن تماس‌های Starlink و تعداد گفتگوها در Tesla، از طرف xAI اعلام شده و گزارش مستقل ندارد. شاخص Artificial Analysis مستقل است، اما ترکیب آزمون‌هایی که در جدول مقایسه آمده را خود xAI انتخاب کرده است.
نکته‌ی دوم زبان است. در منابع بررسی‌شده فقط به «چند زبان» اشاره شده و فهرست زبان‌های پشتیبانی‌شده، از جمله وضعیت زبان فارسی، مشخص نشده است. پس قبل از هر برنامه‌ریزی برای بازار فارسی‌زبان باید خودتان مدل را آزمایش کنید. فهرست صداهای موجود هم هنوز اعلام نشده است. برای دیدن تصویر کلی‌تر از توان و محدودیت‌های هوش مصنوعی، مقاله‌ی توان و محدودیت‌های واقعی هوش مصنوعی را مطالعه کنید.
۸. رقابت صوتی هوش مصنوعی به کجا می‌رود؟
در چند ماه اخیر، شرکت‌های بزرگ یکی پس از دیگری مدل‌های صوتی تازه عرضه کرده‌اند و بازار صدا به یکی از داغ‌ترین جبهه‌های رقابت تبدیل شده است. برای دنبال‌کردن آخرین اتفاق‌ها می‌توانید به بخش اخبار هوش مصنوعی سر بزنید. اگر تازه با دنیای مدل‌های زبانی آشنا شده‌اید، مقاله‌ی OpenAI چیست نقطه‌ی شروع خوبی است و برای دیدن مقایسه‌ی مدل‌ها در عمل، مقایسه‌ی ChatGPT و DeepSeek را بخوانید.
از نظر کسب‌وکاری هم ایجنت‌های صوتی یکی از سریع‌ترین مسیرهای بازگشت سرمایه هستند؛ هزینه‌ی هر تماس پایین می‌آید، پشتیبانی بیست‌وچهار ساعته ممکن می‌شود و اپراتورهای انسانی روی موارد پیچیده‌تر وقت می‌گذارند. نگاهی دقیق‌تر به این موضوع را در مقاله‌ی اهمیت هوش مصنوعی در کسب‌وکار می‌توانید ببینید. آموزش‌های کاربردی ChatGPT هم در بخش آموزش ChatGPT جمع شده‌اند.
۹. پرسش‌های متداول
گراک ویس ۳٫۰ چقدر هزینه دارد؟
هزینه‌ی آن در Voice Agent API برابر ۰٫۰۸ دلار در دقیقه، معادل ۴٫۸۰ دلار در ساعت، است و نسبت به نسخه‌ی ۲٫۰ تغییری نکرده است.
گراک ویس ۳٫۰ با چه مدل‌هایی مقایسه شده است؟
در جدول xAI با GPT-Live-1، GPT-Realtime-2.1 و Gemini 3.8 Live مقایسه شده و در شاخص گفتار به گفتار با ۸۶٫۹ از همه بالاتر است.
آیا مدل از زبان فارسی پشتیبانی می‌کند؟
در منابع بررسی‌شده فهرست زبان‌های پشتیبانی‌شده اعلام نشده است. فقط گفته شده Starlink از مدل برای تماس‌های چندزبانه استفاده می‌کند. پیش از هر استفاده‌ی تجاری، خودتان مدل را روی فارسی آزمایش کنید.
آیا باید ایجنت قدیمی را ارتقا بدهم؟
اگر از grok-voice-latest استفاده می‌کنید، ارتقا خودکار انجام شده است. در غیر این صورت نام مدل را عوض کنید و با چند تماس آزمایشی کیفیت را بسنجید.
