‏Think Fast 2.0؛ مدل صوتی تازهٔ xAI برای ایجنت‌ها

xAI از Grok Voice Think Fast 2.0 رونمایی کرد؛ نسل بعدی مدل گفتار‌به‌گفتارش که تو هوشمندی، دقت رونویسی، رفتار مکالمه‌ای و کار با ابزارها بهتر شده. هدفش توسعه‌دهنده‌هایی‌ه که ایجنت صوتی می‌سازن و هزینه‌اش دقیقه‌ای ۰٫۰۸ دلاره. به گفتهٔ شرکت، این مدل تقریباً تو همهٔ کاربردها بدون هیچ تغییری تو پرامپت‌های فعلی، کارایی رو بالا می‌بره.

تو بنچمارک گفتار‌به‌گفتار Artificial Analysis، نسخهٔ ۲٫۰ نمرهٔ کلی ۸۲٫۹٪ گرفته؛ در برابر ۷۵٫۷٪ نسخهٔ ۱٫۰، ۷۹٫۱٪ برای GPT-Realtime-2.1 و ۶۹٫۵٪ برای Gemini 3.1 Flash. نمرهٔ ایجنتیک‌اش به ۵۶٫۵٪ رسیده (در مقابل ۵۲٫۱٪ نسخهٔ قبل، ۴۵٫۷٪ و ۳۷٫۷٪ رقبا) و زمان تا اولین صدا از ۱٫۲۵ به ۰٫۷۰ ثانیه اومده. تنها جایی که کمی عقبه، نمرهٔ مکالمه‌ایه: ۹۵٫۱٪ در برابر ۹۵٫۷٪.

تمرکز مهم دیگه روی رونویسیه. تو ارزیابی داخلی xAI روی هزاران عبارت کوتاه در ۲۴ زبان، دقت ۱٫۵ تا ۲ برابر بهتر از Deepgram Nova 3 و ElevenLabs Scribe v2 و ۱٫۴ برابر بهتر از نسخهٔ ۱٫۰ گزارش شده. شرکت می‌گه تو شرایط نویز زیاد و فشرده‌سازی تلفنی این فاصله به حدود ۱۰ برابر می‌رسه. معیار مقایسه نرخ خطای کلمه (WER) هست که هرچی کمتر باشه بهتره.

Think Fast 2.0 هم‌زمان با حرف‌زدن استدلال می‌کنه؛ طراحی‌ای که قراره تأخیر رو پایین نگه داره و در عین حال از پس پرسش‌های پیچیده‌تر بربیاد. میانهٔ مصرف توکن استدلال نسبت به نسخهٔ قبل به ۰٫۴ برابر رسیده و به گفتهٔ xAI همین باعث می‌شه فراخوانی ابزارها معمولاً قبل از تموم‌شدن اولین جملهٔ ایجنت اجرا بشه. یادگیری تقویتی هم مدل رو به سمت جمله‌های کوتاه‌تر، یه سؤال در هر نوبت و حرف اضافهٔ کمتر برده.

به نوشتهٔ مقاله، این نسخه تلاش شرکته برای اینکه Grok Voice تو جریان کاری واقعی مشتری‌ها قابل‌اتکاتر بشه؛ یه تست A/B روی سرویس تلفنی استارلینک نرخ تبدیل فروش و حل‌شدن تیکت‌های پشتیبانی رو بالاتر برده. از ۵ اوت ۲۰۲۶ نام مستعار grok-voice-latest خودکار از نسخهٔ ۱٫۰ به ۲٫۰ منتقل می‌شه؛ هر کی مدل قبلی رو می‌خواد باید قبلش شناسهٔ ۱٫۰ رو پین کنه، بقیه کاری لازم نیست بکنن.

نکات کلیدی:

• مدل گفتار‌به‌گفتار تازهٔ xAI با قیمت ۰٫۰۸ دلار برای هر دقیقه صوت
• نمرهٔ کلی ۸۲٫۹٪ و ایجنتیک ۵۶٫۵٪ در بنچمارک Artificial Analysis
• زمان تا اولین صدا از ۱٫۲۵ به ۰٫۷۰ ثانیه کاهش پیدا کرده
• دقت رونویسی ۱٫۵ تا ۲ برابر بهتر از رقبا، و حدود ۱۰ برابر در نویز بالا
• از ۵ اوت ۲۰۲۶ شناسهٔ grok-voice-latest به نسخهٔ ۲٫۰ منتقل می‌شه