Grok Voice 3.0 登上 Artificial Analysis 語音基準榜首

SpaceXSI 與其關聯網站 SpaceXAI 已推出 Grok Voice 3.0，這是一款新的語音到語音模型，定位在即時對話與企業客戶服務場景。此次發布最受關注的焦點，是一項來自第三方的排名：根據引述自 Artificial Analysis 的結果，Grok Voice 3.0 在該機構的 Speech-to-Speech Index 中拿下 86.9 分，排名領先 OpenAI 與 Google 的受測模型。這讓這次發布格外引人注目，但已公開的資料同時也顯示，這項結果仍需要審慎解讀。因為該基準是由多個維度彙整而成，而若進一步查看部分個別測試，呈現出的圖像其實更為複雜，也不完全是單一路線的全面領先。

Grok Voice 3.0 的設計目標是什麼

兩個來源都將 Grok Voice 3.0 描述為語音到語音模型，也就是可直接接收口說輸入，並直接產生口說輸出。資料中將此模型定位為支援即時對話、插話、中斷、輪流發話，以及語音代理相關任務。SpaceXAI 表示，它具備同級領先的低延遲，低於 1 秒；iThome 則報導，SpaceXSI 聲稱其回應時間可降到 1 秒以下。無論是哪一種說法，這項延遲主張都來自公司本身，而不是出自完整且獨立的測試摘要。

此次發布的敘事重點，放在客服支援與語音代理，而不只是面向一般消費者的聊天功能。SpaceXAI 表示，Grok Voice 3.0 已在 Tesla 與 SpaceX 的營運中使用，包括 Tesla 車輛與 Starlink 客服中心。這些使用規模與營運成果，都是來源中引述的公司說法。它們之所以重要，是因為這些資訊暗示該模型被定位為實際應用產品，而不只是研究展示，但這與經過獨立驗證的市場表現，仍然不是同一件事。

Artificial Analysis 公布了什麼

來源中最具體的外部衡量數據，來自 Artificial Analysis。根據 iThome 與 SpaceXAI 所引述的資料，Grok Voice 3.0 以 86.9 分領先 Speech-to-Speech Index。iThome 表示，在其所引用的 10 月 13 日結果中，這一成績高於 Grok Voice 2.0 的 81.3 分、OpenAI GPT-Live-1 的 83.2 分，以及 Google Gemini 3.8 Live 的 82.6 分。

這項指數被描述為綜合多項因素而成。來源指出，它納入了語音推理、人類偏好、在盲測一對一通話中的任務成功率，以及一項被稱為 τ-Voice 的衡量方式。SpaceXAI 另外表示，Grok Voice 3.0 在 Full Duplex Bench 中得到 97%，並將其描述為衡量模型處理停頓、輪流發話與中斷時自然程度的指標。iThome 也類似報導了 97% 的結果，指出它在對話停頓、輪替發話與使用者打斷等測試中表現突出。

• Speech-to-Speech Index 分數：86.9
• 語音推理準確率：98.5%
• 任務完成率：94.8%
• Full Duplex Bench 或同等對話處理分數：97%
• τ-Voice 在含噪音、口音多樣、頻繁中斷的客服情境中的任務成功率：71.6%

成本也是已公開比較中的另一個面向。iThome 表示，Artificial Analysis 測得 Grok Voice 3.0 每次語音推理任務的平均成本為 0.025 美元，低於 GPT-Live-1 的 0.030 美元，以及 GPT-Realtime-2.1 的 0.055 美元。SpaceXAI 也表示，在 Artificial Analysis 的 Big Bench Audio 測試中，該模型的運行成本低於可比較模型。這些數字之所以重要，是因為企業採購者通常不會只單看品質，而是會同時權衡品質、速度與成本。

這項基準的強項，以及它的限制

這項基準之所以值得注意，在於它並非以公司內部測試的形式呈現。兩個來源都將 Artificial Analysis 描述為獨立或第三方評估者，而且其公開維度不只是一個單一品質分數。這使得此次發布，比起模糊的行銷宣稱，具有更多可供檢視的實質內容。盲測一對一通話、任務成功率、語音推理與對話流暢度等項目，也顯示這套基準試圖捕捉語音代理表現的多個面向。

即便如此，這些同樣公開的數字也說明，榜首成績不應被當成某個模型在所有部署情境中都是最佳的絕對證明。綜合指數不可避免地會反映方法設計上的選擇：納入哪些任務、如何加權，以及哪些取捨被視為最重要。來源並未提供完整的基準設計，因此讀者能看到的是結果本身，卻無法掌握其背後每一個細節。

更重要的是，其中一項子測試就指向了限制。τ-Voice 被描述為模擬具有多樣口音、背景噪音與插話干擾的客服通話情境，而 Grok Voice 3.0 在此項測試中的分數為 71.6%。iThome 表示，這略低於 OpenAI GPT-Live-1 的 74.5%，即使 Grok Voice 3.0 的延遲低了 40%。SpaceXAI 則將這項結果描述為與 GPT-Live-1 相當，並強調其延遲優勢。這兩種敘述未必互相矛盾，但它們確實以不同方式框定了同一組比較。關鍵在於，從來源中的已公開數據來看，Grok Voice 3.0 並未在每一項指標上都領先。

這樣的細微差異，對企業語音系統尤其重要。一個模型可以在整體排名上名列第一，但在某個更接近困難真實客服中心環境的場景裡，仍落後於競爭對手。對某些買方來說，更低的延遲可能足以抵銷任務成功率上的小幅差距；但對另一些買方而言，尤其是口音、噪音與頻繁中斷占主導的情況，這種取捨可能會被做出不同判斷。這項基準有助於辨識這類取捨，但它並不能替所有使用情境直接下定論。

EVA-Bench 與企業應用面向

除了 Artificial Analysis 之外，來源也提到 EVA-Bench，並將其描述為 ServiceNow 用於企業語音代理的基準，涵蓋超過 200 種客戶服務情境。根據兩個來源，Grok Voice 3.0 在該基準中取得最高準確率分數，為 74%。SpaceXAI 進一步表示，若將準確率與客戶體驗一併評分，該模型的整體表現也是最佳，並引用了一段對此基準上新帕累托前緣的正面評論。

這段引言的語氣是正面的，但它來自 SpaceXAI 轉載的發布資料，因此在未獲獨立佐證前，仍應視為公司展示內容的一部分。即使如此，兩個來源都反覆提到 EVA-Bench，仍強化了一個觀點：Grok Voice 3.0 所接受的評估，不只是對話流暢度，也包括類客服任務的處理能力。這正是其產品敘事的核心：這款模型被當作自動化服務互動的基礎設施來銷售。

供應、定價，以及企業應該注意什麼

SpaceXAI 表示，Grok Voice 3.0 現已透過 Voice Agent API 提供，價格為每分鐘 0.08 美元，與 Grok Voice 2.0 相同；同時，使用 grok-voice-latest 模型名稱的應用，也已自動切換至新版本。iThome 亦報導了相同的定價與自動升級路徑。發布資料還指出，Grok Voice 目前支援 Tesla 車輛中每日數百萬次對話，以及 Starlink 客服每天約 2 萬通電話，其中約 70% 無需人工介入即可完成處理，且每 4 通銷售電話中就有 1 通最終促成購買。這些營運數據在來源中都屬於公司說法，而非第三方稽核結果。

對英語系企業而言，較實際的重點不只是 Grok Voice 3.0 在某一項排名中拿下第一，而是這款新發布的語音模型，正以已公開的第三方分數來呈現其在品質、速度與成本上的表現，並且在價格不變的情況下已可透過 API 使用。這可能使它值得被納入客服支援或語音代理工作流程的評估名單，特別是在低延遲是優先事項時。不過，企業仍應依據自己的通話類型、口音分布、噪音條件與成功衡量指標進行對照測試，因為同一批已公開結果也顯示，在整體基準中領先，並不保證在每一種真實客服場景裡都能取得最佳結果。