شرکتِ xAI روز ۱۴ اکتبر ۲۰۲۶ (۲۲ مهر ۱۴۰۵) مدلِ صوتیِ Grok Voice 3.0 را معرفی کرد. این مدل صدا را می‌شنود و مستقیم با صدا جواب می‌دهد و طبقِ سنجشِ مؤسسه‌ی مستقلِ Artificial Analysis، حالا در شاخصِ مدل‌های «گفتار به گفتار» رتبه‌ی اول را دارد؛ با همان قیمتِ قبلی، دقیقه‌ای ۸ سنت.
Grok Voice 3.0 چیست؟
بیشترِ دستیارهای صوتیِ قدیمی سه مرحله داشتند: اول صدا را به متن تبدیل می‌کردند، بعد مدلِ زبانی جواب را می‌نوشت و آخر متن دوباره به صدا تبدیل می‌شد. مدل‌های «گفتار به گفتار» این سه مرحله را یکجا انجام می‌دهند؛ برای همین سریع‌ترند، لحن را بهتر می‌فهمند و وسطِ حرف زدن می‌شود حرفشان را قطع کرد.
Grok Voice 3.0 جانشینِ Grok Voice 2.0 است و از راهِ API صوتیِ xAI و ابزارِ ساختِ ایجنتِ صوتیِ این شرکت در دسترس است. xAI می‌گوید همین مدل در خودروهای تسلا و در حالتِ صوتیِ Grok Bot هم کار می‌کند. ایجنت‌هایی که از نسخه‌ی «آخرین» استفاده می‌کردند، خودکار به مدلِ تازه منتقل شده‌اند.
نتیجه‌ی آزمون‌ها
جدولِ زیر عددهایی است که xAI به نقل از Artificial Analysis منتشر کرده است:
| آزمون | Grok Voice 3.0 | Grok Voice 2.0 | GPT-Live-1 | Gemini 3.8 Live |
|---|---|---|---|---|
| شاخصِ گفتار به گفتار | ۸۶٫۹ | ۸۱٫۳ | ۸۳٫۲ | ۸۲٫۶ |
| استدلال با صدا (Big Bench Audio) | ۹۸٫۵٪ | ۹۷٫۲٪ | ۹۰٫۱٪ | ۹۷٫۷٪ |
| موفقیت در انجامِ کار | ۹۴٫۸٪ | ۹۴٫۶٪ | ۸۷٫۴٪ | ۸۹٫۱٪ |
| نوبت‌گیری و قطعِ حرف (Full Duplex) | ۹۷٫۰٪ | ۹۵٫۱٪ | ۹۴٫۹٪ | ۹۱٫۹٪ |
در آزمونی که تماسِ پشتیبانیِ مشتری را شبیه‌سازی می‌کند (τ-Voice)، این مدل ۷۱٫۶ درصد گرفته که به گفته‌ی xAI هم‌سطحِ GPT-Live-1 است، ولی با حدودِ ۴۰ درصد تأخیرِ کمتر. xAI می‌گوید زمانِ پاسخ زیرِ یک ثانیه است. باید در نظر داشت که بخشی از این عددها را خودِ سازنده گزارش کرده است.
چرا آزمونِ «نوبت‌گیری» مهم است؟ در گفت‌وگوی واقعی، آدم‌ها وسطِ حرفِ هم می‌پرند، مکث می‌کنند یا جمله را نیمه‌کاره عوض می‌کنند. دستیارِ صوتی‌ای که این‌ها را نفهمد، یا حرفِ شما را قطع می‌کند یا بعد از تمام شدنِ حرفتان چند ثانیه ساکت می‌ماند. امتیازِ ۹۷ درصدیِ این مدل یعنی در این بخش تقریباً مثلِ یک اپراتورِ انسانی رفتار می‌کند.
قیمت و کاربرد
- قیمت: دقیقه‌ای ۰٫۰۸ دلار (ساعتی ۴٫۸ دلار)، برابر با نسخه‌ی قبل.
- تلفن: ایجنت‌هایی که با ابزارِ سازنده‌ی xAI ساخته می‌شوند، با دقیقه‌ای ۱ سنتِ اضافه شماره‌ی تلفن هم می‌گیرند.
- هزینه‌ی هر کار: در آزمونِ Big Bench Audio هزینه‌ی هر کار ۰٫۰۲۵ دلار بوده، کمتر از ۰٫۰۳ دلارِ GPT-Live-1.
xAI مثالی هم از استارلینک آورده: به گفته‌ی این شرکت، مرکزِ تماسِ استارلینک روزانه حدودِ ۲۰ هزار تماس را با این مدل جواب می‌دهد و حدودِ ۷۰ درصد بدونِ دخالتِ انسان حل می‌شود. این عدد را هنوز کسی جدا بررسی نکرده است.
این خبر برای کاربرِ فارسی‌زبان چه معنایی دارد؟
رقابت در دستیارهای صوتی داغ شده و این یعنی به‌زودی بیشترِ تماس‌های پشتیبانیِ شرکت‌ها را ایجنت‌های صوتی جواب می‌دهند. برای کسب‌وکارها هم معنایش این است که ساختِ «اپراتورِ تلفنیِ هوشمند» ارزان‌تر شده است: ساعتی کمتر از ۵ دلار. ولی xAI فهرستِ دقیقِ زبان‌ها و کیفیتِ هر زبان را منتشر نکرده و هنوز معلوم نیست فارسی‌اش چقدر خوب است. پیش‌تر در خبرِ اشتراکِ X Subscription دیدیم xAI چطور محصولاتش را در یک بسته جمع کرده است.
سرویس‌های xAI به‌طورِ رسمی برای کاربرانِ ایران در دسترس نیستند. در هوش‌نو می‌توانید متن را با گویندگیِ فارسی به صدای طبیعی تبدیل کنید و به فارسی با مدل‌های GPT، Claude، Gemini و DeepSeek گفت‌وگو کنید. برای آشنایی بیشتر با Grok، راهنمای کاملِ Grok را بخوانید. همه‌ی ابزارها در ابزارهای هوش‌نو است.
سؤالات متداول
Grok Voice 3.0 کی معرفی شد؟
روز ۱۴ اکتبر ۲۰۲۶ (۲۲ مهر ۱۴۰۵).
قیمتِ Grok Voice 3.0 چقدر است؟
دقیقه‌ای ۸ سنت در API صوتیِ xAI؛ همان قیمتِ Grok Voice 2.0.
آیا Grok Voice 3.0 فارسی صحبت می‌کند؟
xAI فهرستِ زبان‌های این نسخه را منتشر نکرده است. صفحه‌ی ابزارِ سازنده‌ی ایجنت از بیش از ۲۵ زبان نام می‌برد، ولی نتیجه‌ی جداگانه‌ای برای هر زبان منتشر نشده است.
