قیمت API مدل Grok Voice 3.0
خلاصهٔ کاملتر
xAI قیمت Grok Voice 3.0 رو تو API دقیقهای ۰.۰۸ دلار گذاشته، یعنی همون نرخ نسل قبلی. ولی تو هزینهٔ هر تسک (یعنی هزینهٔ انجام کامل یه تعامل صوتی، نه فقط مدت تماس) عدد ۰.۰۲۵ دلار رو اعلام کرده. این عدد برای GPT Live حدود ۰.۰۳ و برای GPT Realtime حدود ۰.۰۵۵ دلاره. نویسنده تأکید میکنه اینها عددهای خود xAI هستن و باید به چشم ادعای فروشنده دیدشون، ولی جهت کلی روشنه: Grok Voice 3.0 تو هزینهٔ هر تسک از هر سه ارزونتره.
برای مدلهای OpenAI قیمت دقیقهای کنار این عددها نیومده، پس مقایسهٔ دقیقهبهدقیقه ممکن نیست و نویسنده پیشنهاد میکنه هر کی داره بودجه میبنده، نرخ فعلی OpenAI رو خودش چک کنه. به گفتهٔ نویسنده، هزینهٔ هر تسک واحد مفیدتریه، چون طول تماس خیلی فرق میکنه: ریست پسورد ۲۰ ثانیهست ولی یه تماس عیبیابی چند دقیقه طول میکشه. در عوض تعداد تسکهای حلشده مستقیم به چیزایی مثل تیکت بستهشده یا فروش انجامشده وصله.
بخشی از این ارزونی به معماری مدل برمیگرده. Grok Voice 3.0 یه مدل speech-to-speech بومیه، یعنی صدا رو مستقیم میگیره و با صدا جواب میده. پایپلاینهای قدیمی سه مدل جدا رو پشت هم میچیدن: یکی برای تبدیل صدا به متن، یکی برای ساختن جواب متنی و یکی برای تبدیل متن به صدا. هر مرحله تأخیر و معمولاً هزینه اضافه میکنه. حذف این مراحل تأخیر جواب رو به زیر یه ثانیه رسونده و تماسهای کوتاهتر یعنی هزینهٔ کمتر برای هر تسک.
طبق بنچمارکهای xAI، این مدل تو امتیاز کلی، استدلال روی صدا، ترجیح کاربرها تو تست کور و مدیریت پریدن وسط حرف، از GPT Live و مدل صوتی Gemini جلوتره. فقط تو تکمیل تسک فاصلهش با نسل قبلی خودش کمه. تو استفادهٔ واقعی هم گفته شده روزانه میلیونها مکالمه تو ماشینهای Tesla انجام میده و تو پشتیبانی Starlink روزی حدود ۲۰ هزار تماس به چند زبون رو جواب میده که حدود ۷۰ درصدشون بدون دخالت آدم حل میشن. تو تماسهای فروش هم حدوداً از هر چهار تماس یکی به خرید ختم میشه.
نویسنده معتقده برای تیمهایی که هزینهٔ هر تعامل حلشده براشون مهمه، این اختلاف قیمت تو حجم بالا سریع جمع میشه. ولی قیمت فقط یه بخش ماجراست: تأخیر، دقت تو کارهای تخصصی، پشتیبانی چندزبانه و مدیریت جریان طبیعی مکالمه هم تعیین میکنن که ارزونی واقعاً پول ذخیره میکنه یا فقط تماسهای بیشتری رو به اپراتور انسانی میفرسته.
نکات کلیدی:
- قیمت دقیقهای Grok Voice 3.0 همون ۰.۰۸ دلار نسل قبلیه.
- هزینهٔ هر تسک: Grok Voice 3.0 حدود ۰.۰۲۵، GPT Live حدود ۰.۰۳ و GPT Realtime حدود ۰.۰۵۵ دلار.
- مدل speech-to-speech بومیه و تأخیر جوابش زیر یه ثانیهست.
- تو پشتیبانی Starlink روزی حدود ۲۰ هزار تماس رو جواب میده و حدود ۷۰ درصدشون بدون آدم حل میشن.
- همهٔ عددهای قیمت و بنچمارک رو خود xAI منتشر کرده و مستقل بررسی نشدن.




