SpaceX AI wydała Grok Voice 3.0, speech-to-speech model, który zdobył pierwszą pozycję w Artificial Analysis Speech-to-Speech Index z wynikiem 86.9. Model jest dostępny wyłącznie przez hostowane API Voice Agent SpaceX, bez otwartych wag czy możliwości lokalnego uruchomienia. Cena pozostała niezmieniona - 0.08 USD za minutę jak w Grok Voice 2.0.
Grok Voice 3.0 to flagowy model czasu rzeczywistego SpaceX AI, dostępny jako endpoint /v1/realtime WebSocket. Model ma reasoning włączony domyślnie na poziomie "high", ale można to zmienić na "none" dla szybszych odpowiedzi. Wewnątrz sesji mogą działać różne narzędzia - wyszukiwanie kolekcji, wyszukiwanie sieciowe, wyszukiwanie na platformie X, serwery MCP i funkcje niestandardowe. Server-side voice activity detection obsługuje interrupcje użytkownika. SpaceX nie opublikowała detali dotyczących liczby parametrów ani architektury modelu.
Wśród benchmarków Grok Voice 3.0 wykazuje mieszane wyniki. W AA Speech-to-Speech Index uzyskuje najwyższy composite score 0.81 sekund do pierwszego audio, ale nie prowadzi w rozwiązywaniu zadań agentic ani w czystym речевом rozumowaniu - w τ-Voice osiąga 71.6%, poniżej GPT-Live-1 (Astra, medium) na poziomie 74.5%. To pokazuje, że model specjalizuje się w szybkim czasie odpowiedzi, choć nie zawsze przewyższa konkurencję w bardziej zaawansowanych scenariuszach mowy.