Grok Voice 3.0 от SpaceXSI превзошла модели OpenAI и Google по индексу преобразования речи в речь
Модели преобразования речи в речь (Speech-to-Speech, S2S) — это нейросети, которые принимают на вход аудиосигнал (голос) и напрямую генерируют новый аудиосигнал без промежуточной текстовой транскрипции или через каскадные пайплайны. Компания SpaceXSI предлагает свою модель организациям, которые с помощью голосовых агентов обрабатывают звонки в службу поддержки и в отдел продаж. Независимая компания по тестированию Artificial Analysis поставила ее на первое место среди моделей подобного типа.
Компания Artificial Analysis, которая составляет рейтинги на основе тестов на логическое мышление, успешности выполнения задач и голосов слушателей в ходе слепых сравнительных тестов, присвоила Grok Voice 3.0 86,9 балла по индексу преобразования речи в речь. По тому же индексу модель GPT-Live-1 от OpenAI Group PBC, протестированная с использованием модели GPT-6 Astra, набрала 83,2 балла, а модель Gemini 3.8 Live от Google – 82,6 балла. В тесте Full Duplex Bench, оценивающем, насколько естественно модель справляется с паузами и прерываниями, новая модель Grok набрала 97%.
Модель OpenAI сохранила небольшое преимущество в тесте Tau-Voice, который основан на звонках в службу поддержки людей с сильным акцентом и при значительном фоновом шуме, показав результат 74,5% против 71,6%. По данным SpaceXSI, в этом тесте ее модель обрабатывала первый аудиофрагмент примерно на 40 % быстрее конкурентов. Выполнение задачи в рамках теста Big Bench Audio от Artificial Analysis на модели Grok Voice 3.0 обошлось примерно в 2,5 цента, в то время как на GPT-Live-1 — в 3 цента, а на GPT-Realtime-2.1 от OpenAI — в 5,5 цента.
Модель Grok Voice 3.0 также лидировала по точности в открытом тесте EVA-Bench от компании ServiceNow Inc., набрав 74% в более чем 200 корпоративных сценариях. Ни одна модель не показала лучших результатов по точности и качеству обслуживания клиентов одновременно.
Нитин Аггарвал, старший директор по управлению продуктами в ServiceNow, отметил: «Модель сочетает высочайшую точность с естественным и отзывчивым общением».
В серийно выпускаемых автомобилях Tesla Inc. ежедневно происходит миллионы разговоров с помощью модели Grok Voice. Водители используют её для проверки календаря и ответа на электронные письма. Более сложные задачи, такие как бронирование столика в ресторане, выполняются через Grok Bot, и его голосовой режим работает и в новой модели. В компании SpaceX, предоставляющей услуги спутникового интернета Starlink, Grok Voice ежедневно отвечает примерно на 20’000 звонков клиентов на нескольких языках. По данным SpaceXSI, примерно в 70% случаев проблема решается без участия человека, а каждый четвертый звонок заканчивается покупкой до того, как звонящий повесит трубку.
Grok Voice 3.0 теперь доступен в API голосового агента по цене восемь центов за минуту, или 4,80 доллара в час, — столько же, сколько стоил Grok Voice 2.0. Разработчики, чьи агенты используют псевдоним модели grok-voice-latest, уже перешли на новую версию без каких-либо изменений со своей стороны.
