Berichten zufolge hat das von Elon Musk gegründete KI-Unternehmen xAI das Sprachmodell Grok Voice 3.0 vorgestellt, das über die Sprachagenten-API verfügbar ist und mit einem Preis von US$0.08 pro Minute (ca. HK$1) angeboten wird, was dem Preis der vorherigen Generation entspricht. xAI gibt an, dass Grok Voice bereits in der Sprachinteraktion von Tesla-Fahrzeugen und im Kundenservicezentrum von SpaceX eingesetzt wird, das täglich etwa 20.000 mehrsprachige Kundenanrufe bearbeitet, von denen etwa 70% ohne menschliches Eingreifen gelöst werden können.
Laut den Testergebnissen der unabhängigen KI-Bewertungsplattform Artificial Analysis erreichte Grok Voice 3.0 im Speech-to-Speech Index (Sprach-zu-Sprach-Index) eine Punktzahl von 86.9 und belegte damit beim ersten Mal den ersten Platz. Zum Vergleich: OpenAI’s GPT-Live-1 (Astra, mittlere Konfiguration) erzielte 83.2 Punkte, Google Gemini 3.8 Live Extended Thinking (hohe Konfiguration) erzielte 82.6 Punkte, und GPT-Live-1 (Sol, niedrige Konfiguration) erreichte 80.1 Punkte.
Grok Voice 3.0 verbesserte sich um 5.6 Punkte im Vergleich zur vorherigen Generation Grok Voice 2.0, die 81.3 Punkte erzielte, und um 13.2 Punkte im Vergleich zu Grok Voice 1.0, das 73.7 Punkte erzielte.
Grok Voice 3.0 zeigt signifikante Verbesserungen im Bereich Sprachagenten
In spezifischen Kennzahlen zeigt Grok Voice 3.0 eine differenzierte Leistung. In Bezug auf die Erfolgsquote bei Aufgaben belegte das Modell im Speech Agent Arena-Test mit 94.8% den ersten Platz, leicht über Grok Voice 2.0 mit 94.6%. In der Ausführungsfähigkeit von Sprachagenten erzielte es im Tau Voice-Test 71.6%, nur hinter GPT-Live-1 (Astra, mittlere Konfiguration) mit 74.5%, und deutlich über Grok Voice 2.0 mit 56.5%.
Im Bereich Audio-Inferenz erzielte es im Big Bench Audio-Test 98.5%, was über den 97.7% der entsprechenden Google-Modelle und den 97.2% von Grok Voice 2.0 liegt. In Bezug auf die Nutzerpräferenzen lag die Elo-Bewertung bei 1070, was unter den 1100 von Gemini 3.1 Flash Live Minimal und den 1088 von Gemini 3.8 Live liegt, und somit den dritten Platz belegt.
Für Sprachagenten, die Echtzeitanfragen benötigen, ist die Antwortverzögerung ein entscheidender Faktor für das Nutzererlebnis. Die Tests von Artificial Analysis zeigen, dass Grok Voice 3.0 im Big Bench Audio-Test eine durchschnittliche erste Audio-Antwortzeit von 0.81 Sekunden hatte, was etwas langsamer ist als die 0.72 Sekunden von Grok Voice 2.0, jedoch immer noch unter einer Sekunde liegt. xAI erklärte in der offiziellen Mitteilung, dass Grok Voice 3.0 in weniger als einer Sekunde auf Kundenanfragen reagieren kann, und dies zu Kosten, die unter denen der führenden Modelle der Branche liegen.