‏Grok Voice 3.0: مدل صوتی جدید xAI که مستقیم با صدا کار می‌کنه

Grok Voice 3.0 مدل speech-to-speech بومی xAI هست، یعنی صدا رو مستقیم ورودی می‌گیره و مستقیم صدا تحویل می‌ده. دستیارهای صوتی قدیمی یه زنجیره‌ی سه‌مرحله‌ای دارن: تبدیل گفتار به متن (ASR)، تولید جواب متنی با مدل زبانی، و تبدیل دوباره‌ی متن به صدا (TTS). هر مرحله تأخیر اضافه می‌کنه و چیزایی مثل لحن، مکث و احساس رو از دست می‌ده.

به گفته‌ی xAI، حذف این زنجیره باعث شده مدل زیر یک ثانیه جواب بده و وسط حرف پریدن یا هم‌زمان حرف زدن رو بهتر مدیریت کنه. چون دیگه منتظر نمی‌مونه یه جمله‌ی کامل و تمیز تموم بشه تا تبدیلش کنه به متن. این تو صدای واقعی و شلوغ، مثلاً وقتی کاربر وسط جمله مکث می‌کنه یا صدای پس‌زمینه هست، خیلی فرق می‌کنه.

تو بنچمارک‌هایی که خود xAI منتشر کرده، Grok Voice 3.0 تو امتیاز کلی، استدلال روی صدای گفتاری، ترجیح آدم‌ها تو تست کور و مدیریت قطع‌شدن حرف، از GPT Realtime و Gemini Live جلوتره. فقط تو «تکمیل کار» فاصله کمه و تقریباً هم‌پای نسخه‌ی قبلی خودشه. هزینه به ازای هر کار ۰.۰۲۵ دلاره، در برابر ۰.۰۳ دلار GPT Realtime و ۰.۰۵۵ دلار Gemini Live. قیمت API هم مثل قبل دقیقه‌ای ۰.۰۸ دلاره.

نویسنده تأکید می‌کنه که این عددها از خود xAI اومده و هیچ آزمایشگاه مستقلی تأییدشون نکرده. معیارهایی مثل «ترجیح آدم‌ها» خیلی به طراحی سؤال‌ها و داورها بستگی داره، پس باید اینا رو نقطه‌ی شروع دونست نه حکم نهایی.

مدل الان تو ماشین‌های Tesla و پشتیبانی مشتری Starlink کار می‌کنه. xAI می‌گه Starlink روزی حدود ۲۰ هزار تماس به چند زبون داره، حدود ۷۰ درصدشون بدون اپراتور انسانی حل می‌شه و از هر چهار تماس فروش، یکی به خرید ختم می‌شه. تو یه دمو هم کاربر سعی کرد مدل رو با یه سناریوی مسخره گول بزنه؛ مدل همراهی نکرد، توضیح علمی داد و هر بار بحث رو به جواب واقعی برگردوند. نویسنده معتقده این رفتار برای استفاده‌ی واقعی از چند میلی‌ثانیه سرعت بیشتر مهمه.

نکات کلیدی:

• Grok Voice 3.0 بدون مرحله‌ی تبدیل به متن کار می‌کنه و زیر یک ثانیه جواب می‌ده.
• هزینه به ازای هر کار: ۰.۰۲۵ دلار، در برابر ۰.۰۳ (GPT Realtime) و ۰.۰۵۵ (Gemini Live).
• قیمت API دقیقه‌ای ۰.۰۸ دلاره و نسبت به نسخه‌ی قبلی تغییری نکرده.
• Starlink روزی حدود ۲۰ هزار تماس باهاش می‌گیره و حدود ۷۰ درصد بدون آدم حل می‌شه.
• همه‌ی بنچمارک‌ها رو خود xAI منتشر کرده و هنوز تست مستقلی تأییدشون نکرده.