گروک ویس ۳ رسید؛ مدل صوتی xAI با تأخیر زیر یک ثانیه

شرکت xAI با عرضه‌ی Grok Voice 3.0 ادعا می‌کند «باهوش‌ترین مدل گفتار به گفتار دنیا» را ساخته است؛ مدلی با تأخیر زیر یک ثانیه که همین حالا در تماس‌های پشتیبانی استارلینک و گفتگوهای داخل خودروهای تسلا کار می‌کند.

۱. Grok Voice 3.0 دقیقاً چیست؟

شرکت xAI در میانه‌ی هفته‌ی جاری نسخه‌ی سوم مدل صوتی گروک را معرفی کرد. این مدل از نوع گفتار به گفتار (speech-to-speech) است. در دستیارهای صوتی قدیمی، صدای کاربر اول به متن تبدیل می‌شد، سپس یک مدل زبانی متن پاسخ را می‌نوشت و در پایان یک موتور تبدیل متن به گفتار آن را می‌خواند. هر یک از این مراحل مقداری تأخیر اضافه می‌کرد و لحن و احساس گوینده را از بین می‌برد.

در معماری گفتار به گفتار، ورودی صدا و خروجی هم صدا است و مرحله‌ی میانی متنی حذف می‌شود. نتیجه‌ی این طراحی، پاسخ سریع‌تر و گفتگوی طبیعی‌تر است. xAI در معرفی مدل از عبارت «باهوش‌ترین مدل گفتار به گفتار دنیا» استفاده کرده است. این یک ادعای شرکتی است و باید کنار نتایج مستقل بنچمارک‌ها خوانده شود.

۲. تأخیر زیر یک ثانیه و گفتگوی دوطرفه

مهم‌ترین عدد این عرضه، زمان پاسخ است. طبق گزارش‌ها، Grok Voice 3.0 در کمتر از یک ثانیه پاسخ می‌دهد و این رقم حدود ۴۰ درصد پایین‌تر از نسل قبلی است. در گفتگوی تلفنی، حتی نیم ثانیه مکث اضافه حس «صحبت با ربات» را ایجاد می‌کند؛ بنابراین کاهش تأخیر مستقیماً کیفیت تجربه را بالا می‌برد.

طراحی گفتار به گفتار به مدل کمک می‌کند با موقعیت‌هایی مثل قطع شدن حرف، هم‌پوشانی صدای دو نفر و تغییر ناگهانی لحن بهتر کنار بیاید. همان چیزی که در بنچمارک Full Duplex Bench سنجیده می‌شود؛ جایی که نتیجه‌ی گزارش‌شده برای این مدل ۹۷ درصد است.

۳. بنچمارک‌ها چه می‌گویند؟

بر اساس اعداد منتشرشده، Grok Voice 3.0 در شاخص گفتار به گفتار مؤسسه‌ی Artificial Analysis با امتیاز ۸۶٫۹ در رتبه‌ی اول قرار گرفته است. نتایج دیگر به این شرح گزارش شده‌اند:

آزمون‌های گزارش‌شده

در Full Duplex Bench که توانایی گفتگوی دوطرفه را می‌سنجد، امتیاز ۹۷ درصد ثبت شده است. در τ-Voice که پایداری مدل در برابر لهجه‌های مختلف و نویز محیط را بررسی می‌کند، نتیجه ۷۱٫۶ درصد است. در EVA-Bench شرکت ServiceNow که برای عامل‌های صوتی سازمانی طراحی شده، دقت ۷۴ درصد گزارش شده و گفته می‌شود بالاترین رقم میان مدل‌های آزمایش‌شده است.

مثل هر بنچمارک دیگری، این اعداد تصویر کامل نیستند. عملکرد واقعی در زبان‌های کم‌منبع مثل فارسی، در تماس‌های پرنویز و در سناریوهای تخصصی باید جداگانه آزمایش شود. در منبع خبر هم فهرست زبان‌های پشتیبانی‌شده مشخص نشده است.

۴. قیمت و دسترسی برای توسعه‌دهندگان

مدل از همین حالا در Voice Agent API در دسترس است. قیمت ۰٫۰۸ دلار برای هر دقیقه است که معادل حدود ۴٫۸۰ دلار در ساعت می‌شود و نسبت به Grok Voice 2.0 تغییری نکرده است. توسعه‌دهندگانی که از endpoint با نام grok-voice-latest استفاده می‌کردند، بدون تغییر کد و بدون SKU جدید به نسخه‌ی سوم منتقل شدند.

برای استارتاپ‌هایی که مرکز تماس هوشمند می‌سازند، ثابت ماندن قیمت همراه با تأخیر کمتر یعنی بهبود کیفیت بدون افزایش هزینه. اگر تازه با دنیای مدل‌های زبانی آشنا می‌شوید، مقاله‌ی OpenAI چیست؟ نقطه‌ی شروع خوبی است.

۵. استارلینک: ۲۰ هزار تماس در روز

طبق افشاگری‌های حساب‌های وابسته به اسپیس‌ایکس، استارلینک روزانه حدود ۲۰ هزار تماس مشتری را با Grok Voice پاسخ می‌دهد و حدود ۷۰ درصد این تماس‌ها بدون دخالت اپراتور انسانی بسته می‌شود. عامل صوتی می‌تواند هویت مشتری را تأیید کند، مشکل سخت‌افزار را عیب‌یابی کند، اعتبار حساب بدهد و ارسال تجهیزات جایگزین را ثبت کند.

همچنین گفته شده از هر چهار تماس فروش که از مسیر گروک عبور می‌کند، یکی به خرید ختم می‌شود. اگر این آمار درست باشد، نشان می‌دهد عامل‌های صوتی دیگر فقط ابزار پاسخ‌گویی نیستند و وارد فروش مستقیم شده‌اند. برای نگاه کلی‌تر به اثر این روند بر کسب‌وکارها، اهمیت هوش مصنوعی در کسب‌وکار را بخوانید.

۶. تسلا: میلیون‌ها گفتگو در خودرو

بر اساس همان گزارش‌ها، Grok Voice 3.0 هر روز میلیون‌ها گفتگو را داخل خودروهای تسلا مدیریت می‌کند. رانندگان دو مسیر بدون‌دست دارند: بخش «Connectors» برای کارهای روزمره و «Grok Bot» برای درخواست‌های آزاد. گروک می‌تواند تنظیمات دما، بخش‌هایی از رابط کاربری و برخی تنظیمات خودرو را کنترل کند.

ایلان ماسک پیش‌تر وعده داده بود رفتارهای FSD هم با فرمان صوتی قابل فعال شدن باشد، اما تا زمان این خبر چنین قابلیتی به‌طور گسترده عرضه نشده است. بیشتر مالکان احتمالاً فقط پاسخ‌های سریع‌تر و محاوره‌ای‌تر را حس می‌کنند، نه یک ویژگی جدید با نام مشخص. اخبار بیشتر درباره‌ی گروک را در بخش اخبار مستر چت‌جی‌پی‌تی دنبال کنید.

۷. احتیاط‌ها: ادعا یا واقعیت؟

بخش زیادی از آمار استارلینک و تسلا از پست‌های شبکه‌های اجتماعی حساب‌های مرتبط با اسپیس‌ایکس نقل شده و تأیید مستقل ندارد. همچنین xAI گزارش ایمنی یا پایداری جداگانه‌ای برای استفاده‌ی داخل خودرو منتشر نکرده است. وقتی یک مدل صوتی در محیطی مثل خودرو یا مرکز تماس مالی کار می‌کند، خطا فقط یک پاسخ بد نیست و می‌تواند پیامد واقعی داشته باشد.

برای هر سازمانی که قصد استفاده از چنین مدلی را دارد، پیشنهاد منطقی این است که ابتدا روی بخش کوچکی از تماس‌ها آزمایش کند، مسیر انتقال به اپراتور انسانی را حفظ کند و کیفیت را با داده‌ی خودش بسنجد. شناخت مرزهای توانایی هوش مصنوعی هم مهم است؛ توانایی‌ها و محدودیت‌های واقعی هوش مصنوعی را ببینید.

۸. این خبر برای کاربران ایرانی چه معنایی دارد؟

رقابت در بازار مدل‌های صوتی سریع‌تر شده است و هر شرکت می‌خواهد دستیار صوتی طبیعی‌تر و ارزان‌تر ارائه کند. برای کاربران فارسی‌زبان، سؤال اصلی کیفیت درک و تولید گفتار فارسی است که در اطلاعات منتشرشده درباره‌ی این مدل ذکر نشده است. تا آزمایش عملی، بهتر است انتظارات را واقع‌بینانه نگه داشت.

اگر می‌خواهید بهتر از چنین ابزارهایی استفاده کنید، یادگیری درست پرامپت‌نویسی کمک بزرگی است. راهنمای نوشتن پرامپت برای مبتدی‌ها و آموزش‌های چت‌جی‌پی‌تی را از دست ندهید. برای مقایسه‌ی مدل‌ها هم رقابت چت‌جی‌پی‌تی و دیپ‌سیک خواندنی است.

۹. رقابت در بازار عامل‌های صوتی

عرضه‌ی Grok Voice 3.0 در شرایطی رخ می‌دهد که تقریباً همه‌ی بازیگران بزرگ هوش مصنوعی روی صدا سرمایه‌گذاری کرده‌اند. دلیلش روشن است: صدا طبیعی‌ترین رابط میان انسان و ماشین است و مراکز تماس، خودروها، لوازم خانگی و گوشی‌ها همه نیازمند دستیاری هستند که بدون صفحه‌کلید کار کند. هر شرکتی که بتواند تأخیر را پایین بیاورد و قیمت را ثابت نگه دارد، شانس بیشتری برای جذب توسعه‌دهندگان خواهد داشت.

مزیت xAI در این میدان، دسترسی مستقیم به دو محیط استقرار بزرگ است: شبکه‌ی پشتیبانی استارلینک و ناوگان خودروهای تسلا. این «یکپارچگی عمودی» به شرکت اجازه می‌دهد مدل را روی حجم عظیمی از گفتگوی واقعی بهبود دهد. البته همین نکته پرسش‌های حریم خصوصی هم ایجاد می‌کند، چون گفتگوهای صوتی داخل خودرو داده‌های بسیار شخصی هستند و شفافیت درباره‌ی نحوه‌ی ذخیره و استفاده از آن‌ها اهمیت دارد.

چه چیزی را باید زیر نظر گرفت؟

سه موضوع در هفته‌های آینده تعیین‌کننده است. اول، آزمایش‌های مستقل روی زبان‌های مختلف از جمله فارسی. دوم، انتشار مستندات رسمی درباره‌ی ایمنی و پایداری، به‌ویژه برای استفاده در خودرو. سوم، واکنش رقبا که معمولاً با کاهش قیمت یا عرضه‌ی مدل‌های سریع‌تر همراه است. اگر هر کدام از این‌ها اتفاق بیفتد، تصویر بازار صوتی هوش مصنوعی تغییر خواهد کرد.

۱۰. چطور از این اخبار برای کار خودتان استفاده کنید؟

اگر کسب‌وکار کوچکی دارید، لازم نیست منتظر ورود رسمی این مدل‌ها به بازار ایران بمانید. می‌توانید فرایندهای تکراری تلفنی خود را فهرست کنید: پاسخ به سؤال‌های پرتکرار، پیگیری سفارش، وقت‌گیری و تأیید هویت. هر کدام از این‌ها کاندیدای خوبی برای عامل صوتی هستند، به شرط اینکه مسیر انتقال به انسان همیشه باز بماند و کیفیت با تماس‌های واقعی خودتان سنجیده شود.

برای تولیدکنندگان محتوا هم مدل‌های گفتار به گفتار فرصت تازه‌ای هستند: پادکست‌های تعاملی، مربی زبان صوتی و دستیارهای آموزشی. نکته‌ی کلیدی در همه‌ی این کاربردها یکی است: خروجی هوش مصنوعی باید بازبینی شود و ادعاهای بازاریابی شرکت‌ها، حتی وقتی با عددهای چشم‌گیر همراه‌اند، با آزمایش خودتان تأیید شوند.

۱۱. پرسش‌های متداول

مدل گفتار به گفتار چه فرقی با دستیار صوتی قدیمی دارد؟

دستیار قدیمی صدا را به متن تبدیل می‌کرد، متن را پردازش می‌کرد و دوباره به صدا برمی‌گرداند. مدل گفتار به گفتار مستقیم با صدا کار می‌کند، پس تأخیر کمتر و لحن طبیعی‌تر دارد.

Grok Voice 3.0 چقدر هزینه دارد؟

قیمت گزارش‌شده ۰٫۰۸ دلار برای هر دقیقه است، یعنی حدود ۴٫۸۰ دلار در ساعت، و نسبت به نسخه‌ی دوم تغییری نکرده است.

آیا آمار استارلینک و تسلا قطعی است؟

خیر. این اعداد از حساب‌های وابسته به اسپیس‌ایکس و پست‌های شبکه‌های اجتماعی آمده و تأیید مستقل ندارند.

آیا مدل از زبان فارسی پشتیبانی می‌کند؟

در منبع خبر فهرست زبان‌ها مشخص نشده است. برای قطعیت باید مستندات رسمی xAI یا آزمایش عملی را بررسی کرد.