پاسخ در کم‌تر از یک ثانیه! مدل صوتی Grok Voice 3.0 صدرنشین بنچمارک هوش مصنوعی شد

صدرنشینی Grok Voice 3.0 در بنچمارک صوتی با پاسخ در ۰.۸۱ ثانیه

شرکت xAI از مدل جدید Grok Voice 3.0 رونمایی کرد؛ یک مدل صوتی بومی (Speech-to-Speech) که مستقیماً صوت را به صوت تبدیل می‌کند و توانسته در شاخص معتبر Artificial Analysis رتبه اول جهان را به دست آورد. این مدل در شاخص ترکیبی امتیاز ۸۶.۹، در استدلال صوتی امتیاز خیره‌کننده ۹۸.۵ درصد، در موفقیت انجام تسک‌ها ۹۴.۸ درصد و در زمان تولید اولین صدا رکورد ۰.۸۱ ثانیه را ثبت کرده است. نکته جالب اینجاست که xAI قیمت مدل را دست‌نخورده نگه داشته و همچنان با نرخ ۸ سنت در هر دقیقه عرضه می‌شود؛ یعنی توسعه‌دهندگان ایجنت‌های صوتی می‌توانند بدون پرداخت هزینه بیشتر، از تأخیر بسیار کم‌تر و کارایی فوق‌العاده بالا‌تر این مدل بهره‌مند شوند.

سه آزمون سخت پشت امتیاز ۸۶.۹

مجموعه Artificial Analysis شاخص کل خود را بر اساس میانگین وزنی برابر از سه بنچمارک استاندارد حساب می‌کند و مدل‌ها برای اینکه اصلاً وارد جدول شوند، باید در هر سه آزمون نمره معتبر داشته باشند:

• استدلال صوتی (Speech Reasoning): بنچمارک Big Bench Audio می‌سنجد که آیا مدل می‌تواند اطلاعات بیان‌شده به صورت صوتی را به درستی بفهمد و روی آن استدلال کند یا نه.
• پویایی گفت‌وگو (Conversational Dynamics): بنچمارک Full Duplex Bench مکث‌ها، رعایت نوبت در صحبت کردن و نحوه مدیریت پریدن وسط حرف (قطع کلام) را حین مکالمه زنده ارزیابی می‌کند.
• عملکرد ایجنتی (Agentic Performance): بنچمارک tau-Voice بررسی می‌کند که آیا یک ایجنت صوتی می‌تواند تسک‌های شبیه‌سازی‌شده پشتیبانی از مشتریان را با موفقیت تا انتها به سرانجام برساند یا خیر.

مدل Grok Voice 3.0 امتیاز نسخه قبلی یعنی Grok Voice 2.0 را که ۸۱.۳ بود، ۵.۶ نمره ارتقا داده است. اگر به نسخه اول یعنی Grok Voice 1.0 نگاه کنیم که امتیاز ۷۳.۷ گرفته بود، متوجه می‌شویم تیم مهندسی xAI ظرف تنها حدود ۶ ماه توانسته عملکرد مدل صوتی خود را ۱۳.۲ نمره بالا بکشد؛ پیشرفتی که سرعت سرسام‌آور رقابت را نشان می‌دهد.

تأخیر پاسخ‌گویی؛ جایی که صدرنشینان از هم جدا می‌شوند

در میان سه مدلی که صدر جدول را در اختیار دارند، Grok Voice 3.0 تنها مدلی است که می‌تواند اولین خروجی صدا را در زمانی کم‌تر از یک ثانیه تولید کند. پاسخ ۰.۸۱ ثانیه‌ای این مدل تقریباً ۴۰ درصد سریع‌تر از رکوردهای ۱.۳۴ تا ۱.۳۵ ثانیه‌ای است که برای قوی‌ترین کانفیگ‌های اوپن‌ای‌آی (OpenAI) و گوگل (Google) ثبت شده است. از طرفی در بنچمارک تسک‌های پیچیده (tau-Voice) هم عملکرد آن از ۵۶.۵ درصد در نسخه قبلی به ۷۱.۶ درصد جهش پیدا کرده است.

البته در مقایسه این آمار‌ها باید حواسمان به جزئیات کانفیگ‌ها و تنظیمات مدل باشد. نوع صدا، سطح استدلال و سایر تنظیمات زمان اجرا روی کیفیت نهایی، تأخیر و حتی هزینه تأثیر مستقیمی می‌گذارند. عبارت «گزارش نشده» در جدول هم به این معنی است که داده‌ای برای آن پارامتر ارائه نشده بود؛ با این حال ورود رسمی به این شاخص نیازمند نمره معتبر در تمامی بخش‌هاست.

کجا فاصله رقبا کم‌تر می‌شود؟

مدل Grok Voice 3.0 در بنچمارک Full Duplex نمره درخشان ۹۷.۰ درصد و در تالار رقابت ایجنت‌های صوتی (Speech Agent Arena) نرخ موفقیت ۹۴.۸ درصد در انجام تسک‌ها را کسب کرده است. این نمره با اختلافی اندک بالا‌تر از Grok Voice 2.0 با ۹۴.۶ درصد و Gemini 3.8 Live با ۹۳.۲ درصد قرار می‌گیرد.

بد نیست بدانید که Speech Agent Arena میزان موفقیت در انجام کار‌ها را جدا از ترجیح کاربران در چت‌های نابینا (Blind-Chat) می‌سنجد. امتیاز الو (Elo) در این تالار نشان‌دهنده نبردهای تن‌به‌تن است و امتیاز بالا‌تر یعنی بردهای بیش‌تر. گراک صوتی ۳.۰ با امتیاز ۱۰۷۰ در رتبه سوم نشست؛ پشت سر Gemini 3.1 Flash Live Minimal با امتیاز ۱۱۰۰ و Gemini 3.8 Live با امتیاز ۱۰۸۸. پس حواستان باشد که نمره موفقیت ۹۴.۸ درصدی آرنا و امتیاز ۷۱.۶ درصدی در tau-Voice از دو آزمایش کاملاً متفاوت به دست آمده‌اند و باید به عنوان دو معیار جداگانه ارزیابی شوند.

• تسک‌های ایجنتی: مدل GPT-Live-1 با صدای Astra در آزمون tau-Voice همچنان با امتیاز ۷۴.۵ درصد در برابر ۷۱.۶ درصد از Grok Voice 3.0 جلوتر است.
• تأخیر خالص: نسخه قدیمی‌تر Grok Voice 2.0 با ثبت ۰.۷۰ ثانیه تا نخستین صدا، همچنان از نسخه جدید با زمان ۰.۸۱ ثانیه سریع‌تر واکنش نشان می‌دهد.
• قیمت ورودی: هزینه گراک به ازای هر ساعت ورودی صوتی ۴.۸۰ دلار است، در حالی که پیکربندی ذکرشده جیمینای ۳.۸ فقط ۳.۵۰ دلار هزینه برمی‌دارد.
• هزینه هر تسک: موسسه Artificial Analysis میانگین هزینه هر تسک در بنچمارک Big Bench Audio را برای Grok Voice 3.0 حدود ۰.۰۲۵ دلار برآورد کرده است؛ در مقایسه با ۰.۰۳۰ دلار برای GPT-Live-1 با صدای Astra (تنظیمات متوسط) و ۰.۰۵۵ دلار برای GPT-Realtime-2.1 (تنظیمات بالا).

دسترسی به API، نام‌های مستعار و مهاجرت فنی

توسعه‌دهندگان می‌توانند از طریق xAI Realtime API و Voice Agent API با قیمت ۰.۰۸ دلار در هر دقیقه (معادل ۴.۸۰ دلار در ساعت) به این مدل دسترسی داشته باشند. پروژه‌هایی که از نام مستعار grok-voice-latest در کدهایشان استفاده می‌کردند، حالا به شکل خودکار به نسخه ۳.۰ منتقل می‌شوند؛ بنابراین تیم‌هایی که از این آدرس متغیر استفاده می‌کنند، باید ارتقای مدل را در تست‌های اعتبارسنجی و رگرسیون خود حتماً لحاظ کنند.

در بررسی‌های Artificial Analysis از صدای Rex استفاده شده است، در حالی که API در مجموع ۵ کاراکتر و صدای مختلف ارائه می‌دهد. نباید این‌طور فرض کنید که نتایج دقیق صدای Rex عیناً برای همه صداهای دیگر هم تکرار می‌شود. علاوه بر این، تیم‌هایی که قصد دارند از Realtime API اوپن‌ای‌آی به سمت xAI مهاجرت کنند، می‌توانند همان ساختار کلی نشست‌های وب‌سوکت (WebSocket) را حفظ کرده و فقط آدرس پایه (Base URL)، کلید API، مدل و صدای انتخابی را به‌روزرسانی کنند. البته باز هم بررسی رفتارهای قطع کلام (Interruption) و ساختار رویدادها قبل از استقرار در محیط پروداکشن کاملاً الزامی است.

برای برقراری یک اتصال مینیمال در پایتون، فقط به کتابخانه websockets و تعریف متغیر محیطی XAI_API_KEY نیاز خواهید داشت:

import asyncio
import json
import os

import websockets


async def voice_agent():
    headers = {
        \"Authorization\": f\"Bearer {os.environ['XAI_API_KEY']}\"
    }

    async with websockets.connect(
        \"wss://api.x.ai/v1/realtime?model=grok-voice-latest\",
        additional_headers=headers,
    ) as ws:
        await ws.send(json.dumps({
            \"type\": \"session.update\",
            \"session\": {
                \"voice\": \"rex\",
                \"instructions\": \"You are a helpful assistant.\",
                \"turn_detection\": {
                    \"type\": \"server_vad\"
                }
            }
        }))

        async for raw_event in ws:
            event = json.loads(raw_event)
            print(event.get(\"type\"), event)


asyncio.run(voice_agent())

این کد آزمایشی، صدای Rex را تنظیم کرده، تشخیص خودکار صدا در سمت سرور (Server VAD) را فعال می‌کند و رویدادهای دریافتی را در کنسول نمایش می‌دهد. البته یک کلاینت آماده برای محیط پروداکشن باید امکانات بیشتری داشته باشد؛ مثل استریم صدای میکروفون، پخش صدای بازگشتی، مدیریت وقفه در صحبت و لغو پیام‌ها، اتصال مجدد پس از قطعی، و تعیین دسترسی ابزار‌هایی که ایجنت می‌تواند فراخوانی کند.

بهترین کاربرد: ایجنت‌های صوتی مجهز به ابزار

ترکیب واکنش خیره‌کننده ۰.۸۱ ثانیه‌ای، عملکرد ۹۷.۰ درصدی در مکالمه هم‌زمان (Full-Duplex) و موفقیت بالا در انجام تسک‌ها، Grok Voice 3.0 را به گزینه‌ای ایده‌آل برای پشتیبانی تلفنی و فرآیندهای صوتی هوشمندی تبدیل می‌کند که حین مکالمه نیاز به فراخوانی ابزار‌ها دارند. به علاوه، xAI اعلام کرده که این مدل از ده‌ها زبان مختلف و حتی جابه‌جایی میان زبان‌ها در وسط مکالمه پشتیبانی می‌کند؛ قابلیتی که افق‌های جذابی را پیش روی مراکز تماس بین‌المللی و اپلیکیشن‌های چندزبانه قرار می‌دهد.

البته در استقرارهای واقعی نباید صرفاً به میانگین‌های منتشرشده در بنچمارک‌ها دل بست. تیم‌های مهندسی باید مواردی مثل تأخیر انتها‌به‌انتها (End-to-End) و بیشینه تأخیر، کیفیت کدک‌های خطوط تلفن، انواع لهجه‌ها، نویز محیط، مدیریت شروع دوباره بعد از پریدن وسط صحبت، دقت اجرای ابزار‌ها (Tool Calling)، نحوه ارجاع به اپراتور انسانی و هزینه کلی در تسک‌های موفق و ناموفق را به دقت اندازه بگیرند.

سیستم‌های بومی صوت به صوت حالا مستقیماً به رقابت با معماری‌های سنتی چندمرحله‌ای آمده‌اند؛ همان روش‌هایی که اول گفتار را به متن تبدیل می‌کردند (ASR)، بعد متن را به مدل زبانی می‌دادند و در نهایت متن پاسخ را صوتی می‌کردند (TTS). امتیازات بنچمارک Big Bench Audio در عرض یک سال از حدود ۹۰ به بالای ۹۷ درصد برای سه غول بزرگ این عرصه رسیده است؛ بنابراین امروزه فاکتورهایی مثل تأخیر، کنترل پویای مکالمه، به سرانجام رساندن کار‌ها و حس رضایت کاربر به مهم‌ترین معیارهای رقابت تبدیل شده‌اند. گرچه Grok Voice 3.0 با نمایش قدرتمندش در تمام این بخش‌ها صدرنشین جدول شاخص ترکیبی شده، اما رتبه سوم در ترجیح کاربران و قیمت گران‌ترش نسبت به مدل جیمینای گوگل نشان می‌دهد که رقابت تازه آغاز شده و بررسی‌های دقیق در محیط پروداکشن حرف نهایی را خواهند زد.