شرکت xAI نسل جدید مدل صوتی خود با نام Grok Voice 3.0 را معرفی کرده؛ مدلی که برای مکالمه‌های صوتی بلادرنگ، Call Centerها، دستیارهای صوتی و Agentهای تلفنی طراحی شده است.
مهم‌ترین تغییر نسخه جدید فقط کیفیت صدا نیست؛ xAI روی سه موضوع اصلی تمرکز کرده:
- Latency کمتر از یک ثانیه
- مدیریت بهتر قطع کردن صحبت و Turn-taking
- دقت بیشتر در انجام Taskهای واقعی
Grok Voice 3.0 همین حالا از طریق API در دسترس توسعه‌دهندگان قرار گرفته و قیمت آن نسبت به نسل قبلی افزایش پیدا نکرده است.
در این مقاله از معین گیفت بررسی می‌کنیم Grok Voice 3.0 چیست، چه پیشرفت‌هایی نسبت به نسل قبل داشته، قیمت API آن چقدر است و xAI چگونه از همین فناوری در Tesla و Starlink استفاده می‌کند.
Grok Voice 3.0 چیست؟
Grok Voice 3.0 مدل Speech-to-Speech بلادرنگ xAI است.
یعنی برخلاف سیستم‌هایی که ابتدا:
Speech
↓
Text
↓
LLM
↓
Text
↓
Speechرا به‌صورت چند مرحله مستقل اجرا می‌کنند، Grok Voice برای تجربه مکالمه صوتی Real-time بهینه شده است.
هدف xAI این است که تجربه گفتگو بیشتر شبیه تماس با یک انسان باشد:
- سریع پاسخ دهد
- مکث‌های کاربر را تشخیص دهد
- اگر کاربر وسط صحبت وارد شد، متوقف شود
- بعد از Interrupt مکالمه را طبیعی ادامه دهد
تأخیر کمتر از یک ثانیه
xAI اعلام کرده Grok Voice 3.0 دارای:
Sub-second Latency
است.
یعنی در شرایط مناسب، مدل می‌تواند کمتر از یک ثانیه بعد از پایان صحبت کاربر شروع به پاسخ دادن کند.
این موضوع برای Voice Agentها بسیار مهم است.
اگر پاسخ هوش مصنوعی دو یا سه ثانیه طول بکشد، مکالمه تلفنی خیلی سریع مصنوعی و آزاردهنده به نظر می‌رسد.
می‌توانید وسط حرف Grok صحبت کنید
یکی از مهم‌ترین قابلیت‌های نسل جدید، بهبود:
Full Duplex Conversation
است.
یعنی کاربر لازم نیست صبر کند تا AI تمام جمله خود را تمام کند.
می‌توانید وسط پاسخ وارد صحبت شوید و سیستم باید متوجه شود که:
- کاربر شروع به صحبت کرده
- پاسخ فعلی باید متوقف شود
- Context مکالمه نباید از بین برود
- پاسخ بعدی باید براساس صحبت جدید ادامه پیدا کند
Full Duplex Bench؛ امتیاز 97 درصد
طبق Benchmark منتشرشده توسط xAI و داده‌های Artificial Analysis، Grok Voice 3.0 در:
Full Duplex Bench
امتیاز:
97.0%را ثبت کرده است.
نسخه قبلی یعنی Grok Voice 2.0 در همین Benchmark امتیاز:
95.1%داشت.
این Benchmark توانایی مدل در مدیریت طبیعی:
- مکث‌ها
- نوبت صحبت
- Interrupt
- جریان Conversation
را اندازه‌گیری می‌کند.
رتبه اول Speech-to-Speech Index
طبق تست مستقل Artificial Analysis، Grok Voice 3.0 در Speech-to-Speech Index امتیاز:
86.9
را کسب کرده است.
برای مقایسه:
| مدل | Speech-to-Speech Index |
|---|---|
| Grok Voice 3.0 | 86.9 |
| GPT-Live-1 Astra | 83.2 |
| Gemini 3.8 Live | 82.6 |
| Grok Voice 2.0 | 81.3 |
این Index چند معیار مختلف مربوط به Voice Agent را با هم ترکیب می‌کند.
عملکرد بهتر در Taskهای واقعی
Grok Voice 3.0 در Task Completion نیز امتیاز بالایی ثبت کرده است.
| مدل | Task Success Rate |
|---|---|
| Grok Voice 3.0 | 94.8% |
| Grok Voice 2.0 | 94.6% |
| Gemini 3.8 Live | 89.1% |
| GPT-Live-1 Astra | 87.4% |
تفاوت با Voice 2.0 در این معیار خیلی بزرگ نیست، اما نکته مهم این است که xAI همزمان Latency را پایین نگه داشته است.
ماجرای «۴۰ درصد سریع‌تر» دقیقاً چیست؟
در بعضی پست‌ها گفته شده Grok Voice 3.0:
۴۰ درصد سریع‌تر از Grok Voice 2.0 است.
این جمله دقیق نیست.
xAI اعلام کرده Grok Voice 3.0 در Benchmark مربوط به τ-Voice عملکردی نزدیک به GPT-Live-1 Astra داشته، اما:
Latency آن حدود ۴۰ درصد کمتر از GPT-Live-1 Astra بوده است.
بنابراین این عدد مقایسه با مدل OpenAI است، نه نسل قبلی Grok Voice.
τ-Voice چیست؟
τ-Voice برای ارزیابی Voice Agentها در شرایط واقعی‌تر طراحی شده است.
مواردی مثل:
- Accentهای مختلف
- صدای پس‌زمینه
- Interrupt شدن Agent
- انجام Taskهای Customer Support
داخل این ارزیابی اهمیت دارند.
Grok Voice 3.0 در این Benchmark امتیاز:
71.6%ثبت کرده است.
EVA-Bench؛ تمرکز روی Contact Center
ServiceNow نیز Benchmark مستقلی با نام:
EVA-Bench
برای Voice Agentهای سازمانی دارد.
طبق نتایج اعلام‌شده، Grok Voice 3.0 در این Benchmark به Accuracy:
74%رسیده است.
این Benchmark بیش از ۲۰۰ سناریوی واقعی Enterprise Voice را ارزیابی می‌کند.
قیمت Grok Voice 3.0 چقدر است؟
یکی از نکات جذاب نسخه جدید این است که xAI قیمت را نسبت به نسل قبلی افزایش نداده است.
قیمت Speech-to-Speech:
$0.08 به‌ازای هر دقیقه
است.
یا:
$4.80 / hourبرای هر ساعت Voice Session.
Text Input جداگانه نیز در API می‌تواند:
$0.004 / messageهزینه داشته باشد.
پس یک تماس ۱۰ دقیقه‌ای چقدر هزینه دارد؟
اگر فقط بخش Audio را در نظر بگیریم:
10 × $0.08 = $0.80یعنی تقریباً:
۸۰ سنت برای یک مکالمه ۱۰ دقیقه‌ای
البته Tool Callها، Text Inputها یا سرویس‌های خارجی می‌توانند هزینه‌های جداگانه داشته باشند.
قیمت Voice 3.0 با Voice 2.0 یکسان است
نسخه قبلی Grok Voice 2.0 نیز:
$0.08 / minuteقیمت داشت.
xAI صراحتاً اعلام کرده Voice 3.0 با همان قیمت نسل قبلی عرضه شده است.
grok-voice-latest خودکار ارتقا پیدا کرده
اگر Developer قبلاً در API از:
grok-voice-latestاستفاده کرده باشد، xAI می‌گوید این Alias به‌صورت خودکار به نسل جدید منتقل شده است.
یعنی برای مهاجرت از Voice 2 به Voice 3 لازم نیست Application Code را تغییر دهید.
Grok Voice چه Toolهایی دارد؟
Voice Agent فقط صحبت نمی‌کند.
API از Function Calling پشتیبانی می‌کند.
از جمله:
- Web Search
- X Search
- Collections Search
- Remote MCP
- Custom Functions
بنابراین می‌توان Voice Agentهایی ساخت که علاوه بر صحبت، واقعاً Action انجام دهند.
مثلاً Voice Agent یک رستوران
فرض کنید کاربر تماس می‌گیرد و می‌گوید:
برای فردا ساعت ۸ برای چهار نفر میز دارید؟
Agent می‌تواند:
- صحبت را بفهمد
- سیستم Reservation را Query کند
- زمان‌های خالی را پیدا کند
- جواب صوتی بدهد
- Reservation را ثبت کند
بدون اینکه اپراتور انسانی وارد مکالمه شود.
Starlink روزانه ۲۰ هزار تماس را با Grok پاسخ می‌دهد
یکی از جالب‌ترین آمارهایی که xAI منتشر کرده مربوط به Starlink است.
طبق اعلام xAI:
Call Centerهای Starlink روزانه حدود ۲۰ هزار تماس را با Grok Voice پاسخ می‌دهند.
این تماس‌ها به چند زبان انجام می‌شوند.
xAI می‌گوید حدود:
70%از تماس‌ها بدون حضور اپراتور انسانی حل می‌شوند.
Voice Agent استارلینک چه کارهایی انجام می‌دهد؟
طبق توضیحات xAI، Agent می‌تواند:
- هویت مشتری را تأیید کند
- مشکلات سخت‌افزاری را Troubleshoot کند
- Credit صادر کند
- تجهیزات جایگزین ارسال کند
یعنی فقط یک IVR ساده یا پاسخگوی FAQ نیست.
یک چهارم تماس‌های فروش به خرید ختم می‌شوند؟
xAI همچنین ادعا می‌کند:
یک تماس از هر چهار تماس فروش Starlink قبل از قطع تماس به خرید منجر می‌شود.
این عدد بسیار قابل توجه است.
اما باید توجه داشت این آمار توسط خود xAI منتشر شده و در حال حاضر تأیید مستقل عمومی برای آن ارائه نشده است.
آیا آمار Starlink مستقل تأیید شده؟
فعلاً نه.
اعداد:
- ۲۰ هزار تماس روزانه
- ۷۰ درصد Resolution بدون Human
- یک خرید از هر چهار Sales Call
همگی مستقیماً از گزارش رسمی xAI آمده‌اند.
بنابراین بهتر است آن‌ها را به‌صورت:
«طبق اعلام xAI»
نقل کنیم، نه به‌عنوان آمار independently verified.
Tesla هم Grok Voice را در مقیاس بالا استفاده می‌کند
xAI می‌گوید Grok Voice 3.0 در خودروهای Tesla روزانه:
میلیون‌ها مکالمه
را پردازش می‌کند.
راننده می‌تواند بدون استفاده از دست، درخواست‌هایی مثل:
- بررسی Calendar
- پاسخ دادن به Email
- اجرای Connectorها
را انجام دهد.
Grok Bot داخل Tesla
xAI همچنین Grok Bot را با Voice Mode ترکیب کرده است.
در سناریوهای پیشرفته‌تر، کاربر می‌تواند از داخل خودرو درخواست‌هایی مثل:
- سفارش قهوه
- رزرو رستوران
- انجام Taskهای چندمرحله‌ای
بدهد.
Voice فقط Interface مکالمه است و Grok Bot می‌تواند Task را پشت صحنه اجرا کند.
آیا استفاده Tesla هم مستقل تأیید شده؟
اصل استفاده Grok داخل اکوسیستم Tesla مشخص است، اما عدد «میلیون‌ها مکالمه در روز» از اعلام رسمی xAI می‌آید.
بنابراین این آمار هم بهتر است با Attribution به خود شرکت منتشر شود.
Voice API چه تفاوتی با TTS دارد؟
این دو را نباید یکی دانست.
Text-to-Speech فقط Text را به صدا تبدیل می‌کند:
Text → Audioاما Speech-to-Speech Voice Agent یک Conversation کامل است:
Voice Input
↓
Understand Context
↓
Reason
↓
Use Tools
↓
Voice Response
xAI سرویس Speech-to-Text هم دارد
در کنار Voice Agent، xAI API جداگانه Speech-to-Text نیز ارائه می‌دهد.
قیمت فعلی:
| سرویس | قیمت |
|---|---|
| Speech-to-Text Batch | $0.10 / hour |
| Speech-to-Text Streaming | $0.20 / hour |
| Speech-to-Speech | $0.08 / minute |
| Text-to-Speech | $15 / 1M characters |
Smart Turn Detection چیست؟
یکی از بخش‌های مهم Voice Conversation تشخیص این موضوع است که:
آیا کاربر حرفش تمام شده یا فقط مکث کرده؟
اگر AI خیلی زود پاسخ دهد، مدام وسط حرف کاربر می‌پرد.
اگر خیلی دیر پاسخ دهد، Conversation کند و غیرطبیعی می‌شود.
xAI در API خود قابلیتی با نام:
Smart Turnارائه کرده که با Machine Learning تلاش می‌کند End of Turn را تشخیص دهد.
Voice Activity Detection هم وجود دارد
API از VAD یا:
Voice Activity Detection
استفاده می‌کند.
این سیستم تشخیص می‌دهد چه زمانی Audio شامل صحبت واقعی است و چه زمانی فقط:
- سکوت
- Noise
- صدای پس‌زمینه
شنیده می‌شود.
حداکثر زمان Session
طبق Documentation فعلی xAI، یک Session Speech-to-Speech می‌تواند تا:
۱۲۰ دقیقه
ادامه داشته باشد.
Rate Limit فعلی نیز تا:
10 concurrent sessions per teamاست؛ البته محدودیت‌های Account می‌توانند متفاوت باشند.
Grok Voice 3.0 برای چه کارهایی مناسب است؟
کاربردهای اصلی می‌تواند شامل:
- Customer Support
- Call Center
- Reservation Agent
- Sales Agent
- Voice Assistant داخل خودرو
- AI Receptionist
- Language Interpreter
- Hands-free Agent
باشد.
مثلاً AI Receptionist
یک شرکت می‌تواند Voice Agentی بسازد که:
- تلفن را پاسخ دهد
- دلیل تماس را تشخیص دهد
- اطلاعات مشتری را از CRM دریافت کند
- مشکل ساده را حل کند
- جلسه رزرو کند
- و فقط در موارد پیچیده تماس را به انسان منتقل کند
مزیت Latency پایین برای Call Center چیست؟
در Conversation واقعی حتی چند صد میلی‌ثانیه تفاوت می‌تواند محسوس باشد.
اگر Agent سریع‌تر پاسخ دهد:
- مکالمه طبیعی‌تر می‌شود
- Silenceهای عجیب کمتر می‌شوند
- کاربر کمتر تصور می‌کند با IVR صحبت می‌کند
- Interrupt بهتر مدیریت می‌شود
آیا Grok Voice 3.0 بهترین Voice Model دنیا است؟
xAI آن را:
The world's most intelligent voice model
معرفی کرده است.
Artificial Analysis نیز در Benchmark فعلی خود آن را در رتبه اول Speech-to-Speech Index قرار داده است.
اما «بهترین» بودن کاملاً به Use Case بستگی دارد.
برای بعضی پروژه‌ها مواردی مثل:
- Language Support
- Voice Quality
- Latency
- Tool Calling
- قیمت
- Data Residency
ممکن است مهم‌تر از یک Benchmark کلی باشند.
دسترسی به Grok Voice 3.0
مدل جدید همین حالا از طریق:
xAI Voice Agent API
در دسترس توسعه‌دهندگان قرار دارد.
برای استفاده از آن می‌توانید وارد xAI Console شوید.
مستندات رسمی Grok Voice
مستندات API:
مشاهده مستندات Grok Voice API →
معرفی رسمی Grok Voice 3.0
برای مشاهده گزارش و Benchmarkهای رسمی xAI:
مشاهده معرفی رسمی Grok Voice 3.0 →
جمع‌بندی
Grok Voice 3.0 نسل جدید Voice Agent شرکت xAI است که برای Conversationهای صوتی بلادرنگ طراحی شده و طبق اعلام شرکت Latency کمتر از یک ثانیه دارد.
مدل جدید در Speech-to-Speech Index شرکت Artificial Analysis امتیاز 86.9 گرفته و در Full Duplex Bench به امتیاز 97 درصد رسیده است.
هزینه API نیز همچنان:
$0.08 / minuteباقی مانده است.
xAI می‌گوید Starlink روزانه ۲۰ هزار تماس Customer Support را با Grok Voice پاسخ می‌دهد و حدود ۷۰ درصد آن‌ها بدون دخالت انسان حل می‌شوند. این شرکت همچنین از پردازش میلیون‌ها مکالمه روزانه در خودروهای Tesla صحبت می‌کند.
با این حال این آمار Usage از طرف خود xAI منتشر شده‌اند و فعلاً نباید آن‌ها را آمار independently verified در نظر گرفت.
مهم‌ترین پیشرفت Grok Voice 3.0 فقط سریع‌تر صحبت کردن نیست؛ هدف اصلی نزدیک‌تر کردن Voice Agent به یک مکالمه انسانی واقعی است، جایی که کاربر می‌تواند وسط حرف Agent وارد شود، سؤالش را عوض کند و بدون شکستن جریان گفتگو ادامه دهد.
اخبار هوش مصنوعی در معین گیفت
در معین گیفت جدیدترین مدل‌های Grok، ChatGPT، Claude، Gemini و Voice Agentهای هوش مصنوعی را بررسی می‌کنیم و علاوه بر قابلیت‌ها، قیمت API، Benchmarkها و کاربرد واقعی آن‌ها را هم توضیح می‌دهیم.
اشتراک‌ها و خدمات مرتبط با این راهنما
برای مقایسه امکانات، قیمت و شرایط خرید، صفحه هر محصول را بررسی کنید.