پرش به محتوای اصلی
اخبار هوش مصنوعی

گراک ویس ۳.۰ آمد؛ رکورد صدای هوش مصنوعی با قیمت قبلی

xAI مدل صوتی Grok Voice 3.0 را ۱۴ اکتبر منتشر کرد: رتبهٔ اول شاخص Speech-to-Speech بنچمارک Artificial Analysis با نمرهٔ ۸۶.۹، قیمت بدون تغییر ۰.۰۸ دلار در دقیقه، و مهاجرت خودکار کاربران grok-voice-latest.

۱۶ دقیقه مطالعه
اشتراک‌گذاری:
تصویر خبری بلاک‌چین‌نیوز از معرفی مدل صوتی Grok Voice 3.0 شرکت xAI
تصویر خبری بلاک‌چین‌نیوز از معرفی مدل صوتی Grok Voice 3.0 شرکت xAI
فهرست مطالب

شرکت سازندهٔ گراک، مدل صوتی تازهٔ Grok Voice 3.0 را ۲۲ مهر (۱۴ اکتبر) منتشر کرد؛ مدلی که صدا را مستقیم می‌شنود و مستقیم با صدا جواب می‌دهد، روی بنچمارک مستقل Artificial Analysis رتبهٔ اول را گرفته و قیمتش نسبت به نسخهٔ قبلی حتی یک سنت هم گران نشده: همان ۸ سنت در دقیقه.

در این مطلب می‌گوییم دقیقاً چه چیزی عوض شده، بنچمارک‌ها را چطور درست بخوانید، مهاجرت برای توسعه‌دهنده‌ها چه معنایی دارد و اگر کاربر یا کسب‌وکار فارسی‌زبان هستید، این خبر امروز برای شما چه کار می‌کند.

پاسخ کوتاه

  • Grok Voice 3.0 مدل speech-to-speech تازهٔ xAI است؛ یعنی صدا را مستقیم پردازش می‌کند و جواب صوتی می‌دهد، بدون واسطهٔ تبدیل گفتار به متن و برعکس.

  • به گفتهٔ شرکت، روی شاخص Speech-to-Speech بنچمارک Artificial Analysis با نمرهٔ ۸۶.۹ اول شده؛ بالاتر از GPT-Live-1 و Gemini 3.8 Live. خود این بنچمارک آزمایشگاهی است، نه تست تماس زنده.

  • قیمت بدون تغییر ماند: ۰.۰۸ دلار در دقیقه (۴.۸۰ دلار در ساعت). نسخهٔ ۲.۰ منسوخ اعلام شده و کاربرانی که به نام مستعار grok-voice-latest وصل بودند، خودکار به ۳.۰ منتقل شدند.

  • ۲۸ صدای آماده دارد و می‌توان با یک نمونهٔ صوتی حداکثر دو دقیقه‌ای، صدای سفارشی هم ساخت.

  • برای خوانندهٔ فارسی‌زبان: پشتیبانی از زبان فارسی هنوز تأیید نشده و این مدل فعلاً یک ابزار توسعه‌دهنده است، نه چیزی که امروز از اپ گراک روی گوشی‌ات حسش کنی.

اول زمینه: speech-to-speech یعنی چه؟

تا همین یکی دو سال پیش، دستیارهای صوتی سه مرحله‌ای کار می‌کردند: اول صدای تو را به متن تبدیل می‌کردند (یعنی speech-to-text)، بعد مدل متنی جواب می‌داد و در آخر، یک صدای ماشینی متن را می‌خواند (یعنی text-to-speech). هر سه مرحله زمان می‌برد و حس مکالمه را خشک می‌کرد؛ همان حسی که وقتی با منشی تلفنی رباتیک حرف می‌زنی داری.

مدل‌های speech-to-speech این زنجیره را حذف کرده‌اند: صدای خام را مستقیم می‌شنوند و مستقیم با صدا جواب می‌دهند. نتیجه‌اش مکالمه‌ای روان‌تر است با تأخیر کمتر — نزدیک به حرف زدن با یک انسان واقعی. اگر تا به حال با «حالت صوتی» اپ گراک یا چت‌جی‌پی‌تی حرف زده باشی، همان فناوری را دیده‌ای.

چرا این مدل‌ها حالا مهم شده‌اند؟

چون میدان جنگشان کال‌سنترهاست. شرکت‌ها می‌خواهند تماس‌گیر را یک ربات صوتی پاسخ دهد که هم سریع باشد، هم مکالمه را «طبیعی» مدیریت کند: وسط حرف کسی نپرد، وقتی حرفت تمام شد بفهمد، و اگر وسط جمله‌اش حرف زدی، درست واکنش نشان دهد. به گفتهٔ xAI، نسخهٔ تازهٔ گراک دقیقاً برای همین میدان ساخته شده و روی بنچمارک‌های شبیه‌سازی تماس مشتری، رکورد زده است.

Grok Voice 3.0 برای چه کسی ساخته شده؟

این یک محصول مصرفی نیست؛ یک مدل API است. مخاطبش توسعه‌دهنده‌ها و شرکت‌هایی‌اند که می‌خواهند ایجنت صوتی بسازند: از پشتیبانی تلفنی گرفته تا دستیار داخل خودرو. اگر کاربر عادی گراک هستی، مستقیم از این خبر چیزی عایدت نمی‌شود — مگر اینکه اپ‌هایی که استفاده می‌کنی، پشت صحنه به این API وصل باشند.

دقیقاً چه چیزی عوض شده؟

خبر اصلی سه بخش دارد: مدل تازه، قیمت بدون تغییر، و مهاجرت خودکار. هر سه را از روی اعلامیهٔ رسمی و یادداشت‌های انتشار همان روز مرور می‌کنیم.

مدل تازه، همان قیمت قدیمی

به گفتهٔ xAI، نرخ API ایجنت صوتی برای نسخهٔ ۳.۰ همان ۰.۰۸ دلار در دقیقه است؛ یعنی ساعتی ۴.۸۰ دلار. برای درک مقیاس: با این نرخ، ۱۰ هزار دقیقه مکالمه (حدود ۱۶۷ ساعت) ۸۰۰ دلار آب می‌خورد — بدون احتساب هزینه‌های جانبی مثل ورودی‌های متنی که هر کدام ۰.۰۰۴ دلار قیمت دارند. رسانهٔ AI Industry Today محاسبه کرده که رقیب‌ها بین ۰.۱۰ تا ۰.۱۸ دلار در دقیقه می‌گیرند؛ پس xAI هم بهتر بنچمارک زده و هم ارزان‌تر مانده.

نسخهٔ ۲.۰ منسوخ شد؛ latest خودکار عوض شد

یادداشت انتشار ۱۴ اکتبر می‌گوید Grok Voice 2.0 منسوخ (deprecated) شده و برای ارتقا باید شناسهٔ مدل را به grok-voice-3.0 یا grok-voice-latest تغییر داد. نکتهٔ مهم برای توسعه‌دهنده‌ها: اگر برنامه‌ات به نام مستعار grok-voice-latest وصل بود، بدون اینکه دست بزنی، حالا به ۳.۰ وصل است. اگر روی ۲.۰ پین کرده بودی، باید خودت شناسه را عوض کنی. تاریخ بازنشستگی نهایی نسخهٔ ۲.۰ اعلام نشده.

API همان قبلی است

به گفتهٔ مستندات، اندپوینت، پارامترهای نشست و رویدادها هیچ تغییری نکرده‌اند؛ یعنی کد WebSocket قبلی‌ات همچنان کار می‌کند. احراز هویت هم دو راه دارد: کلید API در هدر برای سرور، و توکن‌های کوتاه‌مدت (ephemeral) برای اپ‌های موبایل و مرورگر — که کلید اصلی را روی دستگاه کاربر فاش نمی‌کند.

بنچمارک‌ها و خوانش درست آن‌ها

رکوردها واقعی‌اند، اما باید بدانی دقیقاً چه چیزی را اندازه می‌گیرند. جدول زیر، اعداد شاخص اصلی را از روی اعلامیهٔ xAI که به تست مستقل Artificial Analysis (داده‌های ۱۳ اکتبر ۲۰۲۶) استناد می‌کند، نشان می‌دهد:

مدل

نمرهٔ شاخص Speech-to-Speech

Grok Voice 3.0

۸۶.۹

GPT-Live-1 (نسخهٔ Astra، سطح متوسط)

۸۳.۲

Gemini 3.8 Live (استدلال توسعه‌یافته، سطح بالا)

۸۲.۶

Grok Voice 2.0

۸۱.۳

جدول را این‌طور بخوان: شاخص Artificial Analysis میانگین هم‌وزن چهار معیار است — استدلال صوتی (Big Bench Audio)، عملکرد عاملی در تست شبیه‌سازی پشتیبانی (tau-Voice)، ترجیح داوران انسانی (Speech Agent Arena) و نرخ موفقیت تسک. مدل برای گرفتن نمره باید هر چهار تست را پاس کرده باشد؛ پس این یک نمرهٔ ترکیبی است، نه معیار کیفیت یک تماس زندهٔ واقعی.

اجزای شاخص: کجا جلو زده، کجا نه

به گزارش xAI، نسخهٔ ۳.۰ روی Big Bench Audio (استدلال از روی صدا) ۹۸.۵٪ گرفته، در عرصهٔ ترجیح انسانی (Elo) به ۱۰۷۰ رسیده، نرخ موفقیت تسکش ۹۴.۸٪ است و روی Full Duplex Bench — یعنی تستی که مکث، نوبت‌گیری و قطع کردن حرف را می‌سنجد — ۹۷.۰٪ زده است. همین اعداد برای نسخهٔ ۲.۰ به‌ترتیب ۹۷.۲٪، ۱۰۱۱، ۹۴.۶٪ و ۹۵.۱٪ بود؛ پس جهش بزرگ در Elo و Full Duplex است، نه همه‌جا.

روی tau-Voice — تستی که سناریوهای شبیه‌سازی‌شدهٔ پشتیبانی مشتری را با ابزار و سند سیاست اجرا می‌کند — نمره از ۵۶.۵٪ نسخهٔ ۲.۰ به ۷۱.۶٪ رسیده؛ یعنی ۱۵.۱ واحد درصد رشد. اما توجه کن: GPT-Live-1 (نسخهٔ Astra) همین‌جا ۷۴.۵٪ گرفته و هنوز بالاتر است. ادعای xAI این است که با ۴۰٪ تأخیر کمتر به این نزدیکی رسیده.

صداقت خبری: تأخیر اولین صدا بیشتر شده

رسانهٔ AI Industry Today نکته‌ای را بیرون کشیده که در اعلامیهٔ رسمی برجسته نشده: میانگین تأخیر تا اولین صدای خروجی برای ۳.۰ برابر ۰.۸۱ ثانیه است، در حالی که نسخهٔ ۲.۰ این رقم ۰.۷۰ ثانیه بود. هر دو «زیر یک ثانیه»اند، ولی جهت تغییر به سمت کندتر شدن است، نه سریع‌تر. این را گفتم که رکوردها را در چارچوب درست ببینی: مدل توانمندتر شده، ولی لزوماً سریع‌تر نه.

رکورد سرویس‌ناو: EVA-Bench

به گفتهٔ xAI، مدل روی EVA-Bench — بنچمارک متن‌باز سرویس‌ناو برای ایجنت‌های صوتی سازمانی با بیش از ۲۰۰ سناریوی واقعی در سه حوزهٔ پشتیبانی مشتری، IT و منابع انسانی — ۷۴٪ دقت گرفته که بالاترین رکورد ثبت‌شده است. نیتین آگاروال، مدیر ارشد مدیریت محصول ارزیابی‌های عاملی و هوش مصنوعی مسئولانه در سرویس‌ناو، گفته این مدل مرز تازه‌ای برای ترکیب دقت و تجربهٔ مکالمه تعیین می‌کند. این بنچمارک مکالمه‌های چندنوبتی کامل را می‌سنجد، پس به دنیای واقعی نزدیک‌تر از تست‌های تک‌نوبتی است — ولی باز هم شبیه‌سازی است، نه تماس زنده.

هزینهٔ واقعی هر تماس چقدر درمی‌آید؟

قیمت دقیقه‌ای فقط بخشی از ماجراست. Artificial Analysis هزینهٔ متوسط هر تسک روی تست Big Bench Audio را هم اندازه گرفته که مقایسهٔ منصفانه‌تری از «هزینهٔ انجام یک کار» می‌دهد:

مدل

نمرهٔ tau-Voice

هزینهٔ متوسط هر تسک

Grok Voice 3.0

۷۱.۶٪

۰.۰۲۵ دلار

GPT-Live-1 (Astra، متوسط)

۷۴.۵٪

۰.۰۳۰ دلار

GPT-Realtime-2.1 (بالا)

اعلام نشده

۰.۰۵۵ دلار

Grok Voice 2.0

۵۶.۵٪

اعلام نشده

جدول را این‌طور بخوان: به ازای هر کار انجام‌شده، گراک ۳.۰ از هر دو رقیب ارزان‌تر تمام می‌شود؛ GPT-Realtime-2.1 بیش از دو برابر گران‌تر است. اما یک «اما»ی مهم: هزینهٔ هر تسک در شرایط تست آزمایشگاهی محاسبه شده؛ در تماس واقعی، طول مکالمه، تعداد ورودی‌های متنی و فراخوانی ابزارها هم به صورتحساب اضافه می‌شوند.

هزینه‌هایی که در تیترها نیست

صفحهٔ قیمت‌گذاری xAI (آخرین به‌روزرسانی ۱۰ اکتبر، یعنی قبل از اعلام نسخهٔ ۳.۰) سه سرویس جداگانه را هم فهرست می‌کند: رونویسی گفتار به متن با ۰.۱۰ دلار در ساعت برای حالت REST و ۰.۲۰ دلار برای استریمینگ، و تبدیل متن به گفتار با ۱۵ دلار به ازای هر میلیون کاراکتر. این‌ها نرخ سرویس‌های جداگانه‌اند و نباید آن‌ها را به‌اشتباه به هزینهٔ هر تماس speech-to-speech اضافه کنی — مگر اینکه واقعاً از آن سرویس‌ها هم استفاده کنی.

برای توسعه‌دهنده‌ها: چه چیزی در API هست؟

مستندات رسمی چند ابزار عملی را برای ساخت ایجنت صوتی فهرست می‌کند که ارزش دانستن دارند، چون مستقیم روی کیفیت مکالمه اثر می‌گذارند.

تشخیص نوبت حرف زدن

سرویس، تشخیص فعالیت صوتی سمت سرور (یعنی server-side VAD) دارد: خودش می‌فهمد کی حرفت تمام شده و نوبت اوست. یک تایمر بی‌کاری هم هست که اگر بعد از مدتی سکوت کردی، ایجنت دوباره حرف بزند؛ این تایمر بعد از هر پاسخ ریست می‌شود و به‌صورت پیش‌فرض خاموش است. اگر ایجنت صوتی می‌سازی، همین دو تنظیم تفاوت بین «ربات خشک» و «مکالمهٔ طبیعی» را رقم می‌زنند.

ابزار و جست‌وجوی وب

ایجنت می‌تواند در حین مکالمه ابزار صدا بزند و از جست‌وجوی وب استفاده کند؛ نمونهٔ رسمی مستندات، فعال‌سازی web_search را نشان می‌دهد. یعنی ایجنت تلفنی‌ات می‌تواند وسط تماس، قیمت لحظه‌ای یا وضعیت سفارش را چک کند و بعد جواب بدهد — نه اینکه فقط از حافظه‌اش حرف بزند.

امنیت سمت کاربر

برای اپ‌های موبایل و مرورگر که کدشان روی دستگاه کاربر اجراست، xAI توکن‌های کوتاه‌مدت (ephemeral) را توصیه می‌کند تا کلید اصلی API لو نرود. احراز هویت مستقیم با کلید در هدر اتصال، فقط برای استفادهٔ سمت سرور در نظر گرفته شده. اگر توسعه‌دهنده‌ای، این را جدی بگیر: کلید API در اپ موبایل، دعوت‌نامهٔ سوءاستفاده است.

۲۸ صدای آماده و صدای سفارشی خودت

طبق راهنمای API، این نسخه ۲۸ شناسهٔ صدای داخلی (built-in) دارد که می‌توانی برای ایجنت انتخاب کنی. از آن جالب‌تر: می‌توانی با یک کلیپ مرجع حداکثر ۱۲۰ ثانیه‌ای (دو دقیقه)، صدای سفارشی بسازی و شناسه‌اش را در همان API بلادرنگ استفاده کنی. برای برندها این یعنی ایجنت تلفنی با همان لحن و صدای برند خودشان — البته با همان مسئولیت‌های سوءاستفاده از جعل صدا که همهٔ این ابزارها دارند.

تسلا و استارلینک: استفاده در مقیاس واقعی

به گفتهٔ xAI، این مدل فقط روی کاغذ رکورد نزده؛ در حال حاضر روزانه میلیون‌ها مکالمه را در خودروهای تسلا مدیریت می‌کند: از چک کردن تقویم و جواب دادن به ایمیل با قابلیت Connectors گرفته تا کارهای بزرگ‌تر مثل سفارش قهوه یا رزرو شام — همه بدون دست. حالت صوتی Grok Bot هم روی همین موتور سوار است.

کال‌سنترهای استارلینک هم روزانه ۲۰ هزار تماس مشتری را در چند زبان با همین مدل پاسخ می‌دهند؛ به ادعای شرکت حدود ۷۰٪ تماس‌ها بدون دخالت انسان حل می‌شود و از هر چهار تماس فروش، یکی قبل از قطع شدن به خرید منجر می‌شود. یک ایجنت واحد روی این مدل، احراز هویت مشتری، عیب‌یابی سخت‌افزار، صدور اعتبار و ارسال تجهیزات جایگزین را انجام می‌دهد. این اعداد را خود xAI در متن معرفی محصول اعلام کرده و به‌صورت مستقل تأیید نشده‌اند — ولی اگر حتی نیمی‌شان درست باشد، یعنی ایجنت صوتی از مرحلهٔ «دمو» گذشته و وارد عملیات واقعی شده.

رقبا کجا ایستاده‌اند؟

نقشهٔ رقابت مدل‌های صوتی در پاییز ۲۰۲۶ سه ضلع دارد. ضلع اول OpenAI با GPT-Live-1 (نسخهٔ Astra) است که روی tau-Voice هنوز بالاترین نمره (۷۴.۵٪) را دارد ولی به ادعای xAI با ۴۰٪ تأخیر بیشتر. ضلع دوم گوگل با Gemini 3.8 Live است که در بررسی مفصل ما هم نقاط قوتش را دیده‌ایم و اینجا ۸۲.۶ گرفته. ضلع سوم همین Grok Voice 3.0 است که شاخص ترکیبی را برده و روی هزینهٔ هر تسک هم جلوست.

اگر اهل مقایسهٔ مدل‌های صوتی هستی، نگاهی هم به قابلیت تبدیل متن به گفتار جمینای ۳.۸ فلش بینداز و برای شناخت رقیب جدی بازار صدا، بررسی Eleven v4 را بخوان. مدل‌های گفتاری متن‌باز را هم در مطلب سونو اسپچ پوشش داده‌ایم.

یک نکته دربارهٔ نام شرکت: xAI یا SpaceXSI؟

شاید در بعضی گزارش‌ها دیده باشی که از «SpaceXSI» به‌جای xAI نام برده می‌شود. امروز که وب‌سایت رسمی x.ai را چک کردیم، عنوان صفحه‌اش «SpaceXSI» بود — یعنی تغییر نام (یا دست‌کم بازبرندینگ دامنهٔ رسمی) رخ داده. اما نه تاریخ دقیق این تغییر و نه جزئیات ساختاری‌اش رسماً اعلام نشده؛ پس در این مطلب، طبق اعلامیهٔ رسمی محصول، همان نام xAI را برای شرکت سازنده به کار می‌بریم و این را هم می‌گوییم که روی سایت رسمی حالا نام دیگری دیده می‌شود. خبر مهم امروز، خود مدل است نه تابلوی شرکت.

برای خوانندهٔ فارسی‌زبان: این خبر برای تو چه معنایی دارد؟

اول صادق باشیم: این خبر مستقیم برای کاربر عادی ایرانی «امروز» تغییر محسوسی نمی‌سازد. Grok Voice 3.0 یک API توسعه‌دهنده است؛ روی گوشی تو چیز تازه‌ای ظاهر نمی‌شود. اما سه زاویهٔ عملی برای مخاطب فارسی‌زبان دارد که ارزش دانستن دارند.

زبان فارسی: هنوز تأیید نشده

xAI می‌گوید پلتفرم صوتی‌اش از بیش از ۲۵ زبان پشتیبانی می‌کند، ولی فهرست این زبان‌ها و اینکه فارسی جزوشان هست یا نه، اعلام نشده. اگر کسب‌وکاری داری و به ایجنت صوتی فارسی فکر می‌کنی، قبل از هر قراردادی باید تست پایلوت فارسی بگیری؛ عددهای بنچمارک روی انگلیسی به‌دست آمده‌اند و کیفیت فارسی را تضمین نمی‌کنند. دستیارهای صوتی تلفنی فارسی‌زبان را قبلاً در مطلب میترا، دستیار تلفنی هوش مصنوعی معرفی کرده‌ایم.

کسب‌وکارها: معادلهٔ هزینهٔ کال‌سنتر

با نرخ ۴.۸۰ دلار در ساعت، یک ایجنت صوتی که ۸ ساعت در روز کار کند، ماهانه حدود ۱۱۵۰ دلار هزینهٔ مکالمه دارد — بدون احتساب ورودی‌های متنی و ابزارها. این رقم را با هزینهٔ یک اپراتور انسانی مقایسه کن؛ آن‌وقت می‌فهمی چرا شرکت‌ها به این سمت می‌روند. اما «ارزان‌تر» به‌معنای «آمادهٔ جایگزینی» نیست: ۷۰٪ حل‌شدن تماس‌های استارلینک، ادعای خود شرکت روی سناریوهای خودش است.

دسترسی از ایران

سرویس‌های xAI تحت تحریم‌های آمریکا هستند و دسترسی مستقیم از ایران بدون محدودیت نیست. شرایط سرویس را خودت از صفحهٔ رسمی چک کن؛ ما راه دور زدن تحریم یا تحریم‌شکنی پیشنهاد نمی‌دهیم. اگر توسعه‌دهندهٔ ایرانی خارج از کشور هستی یا برای بازار بین‌المللی کار می‌کنی، مهاجرت از ۲.۰ به ۳.۰ برایت عملاً رایگان است چون قیمت عوض نشده.

اگر توسعه‌دهنده‌ای، امروز چه کار کنی؟

  • اگر به grok-voice-latest وصلی: هیچ کاری نکن؛ خودکار به ۳.۰ منتقل شده‌ای. فقط یک تست بگیر که صداها و رفتارها همان‌اند که انتظار داری.

  • اگر روی grok-voice-2.0 پین کرده‌ای: شناسهٔ مدل را عوض کن، چون ۲.۰ منسوخ شده و تاریخ بازنشستگی‌اش هم اعلام نشده — ممکن است یک روز بی‌خبر قطع شود.

  • اگر ایجنت صوتی تازه می‌سازی: VAD سمت سرور و تایمر بی‌کاری را از اول درست تنظیم کن؛ این‌ها همان چیزهایی‌اند که مکالمه را از «ربات» به «انسان» نزدیک می‌کنند.

چیزهایی که هنوز روشن نیست

  • تاریخ بازنشستگی نهایی Grok Voice 2.0 اعلام نشده.

  • فهرست ۲۵+ زبان پشتیبانی‌شده منتشر نشده؛ وضعیت فارسی نامشخص است.

  • جزئیات تغییر نام xAI به SpaceXSI (تاریخ، ساختار حقوقی) رسماً اعلام نشده.

  • اعداد عملیاتی تسلا و استارلینک (میلیون‌ها مکالمه، ۷۰٪ حل بدون انسان) ادعای خود شرکت‌اند و ارزیابی مستقل ندارند.

  • بنچمارک‌ها آزمایشگاهی‌اند؛ عملکرد در تماس زندهٔ واقعی با نویز، لهجه و قطعی اینترنت ممکن است متفاوت باشد.

جمع‌بندی

Grok Voice 3.0 روی کاغذ بهترین مدل صوتی حال حاضر است: رتبهٔ اول شاخص مستقل، رکورد EVA-Bench سرویس‌ناو، و قیمت بدون تغییر. اما «بهترین روی بنچمارک» با «بهترین برای کارت» یکی نیست: روی tau-Voice هنوز GPT-Live-1 جلوست و تأخیر اولین صدا حتی کمی بیشتر شده. پس تصمیم درست این است: اگر توسعه‌دهنده‌ای و روی latest هستی، از ارتقای رایگان لذت ببر و تست بگیر؛ اگر روی ۲.۰ پین کرده‌ای، مهاجرت کن قبل از اینکه دیر شود؛ و اگر صاحب کسب‌وکاری، قبل از اینکه بنچمارک‌ها تو را وسوسه کنند، یک پایلوت واقعی — ترجیحاً به زبان خودت — بگیر. عددها راهنمایند، نه حکم نهایی.

سؤال‌های پرتکرار

Grok Voice 3.0 دقیقاً چیست؟

مدل speech-to-speech شرکت xAI است که ۱۴ اکتبر ۲۰۲۶ منتشر شد؛ صدا را مستقیم می‌شنود و مستقیم با صدا جواب می‌دهد و برای ساخت ایجنت‌های صوتی (مثل پشتیبانی تلفنی) در API عرضه شده.

قیمتش چقدر است؟

۰.۰۸ دلار در دقیقه (۴.۸۰ دلار در ساعت) به‌علاوهٔ ۰.۰۰۴ دلار برای هر ورودی متنی؛ دقیقاً همان قیمت نسخهٔ ۲.۰، بدون افزایش.

از فارسی پشتیبانی می‌کند؟

اعلام نشده. xAI از پشتیبانی چندزبانه (بیش از ۲۵ زبان) حرف زده ولی فهرست زبان‌ها را منتشر نکرده؛ پس وضعیت فارسی نامشخص است.

اگر از نسخهٔ ۲.۰ استفاده می‌کنم چه کنم؟

نسخهٔ ۲.۰ منسوخ شده؛ شناسهٔ مدل را به grok-voice-3.0 تغییر بده. اگر به grok-voice-latest وصل بودی، مهاجرت خودکار انجام شده و کاری لازم نیست.

تفاوتش با حالت صوتی اپ گراک چیست؟

حالت صوتی اپ، محصول مصرفی است؛ Grok Voice 3.0 مدل پشت API برای توسعه‌دهنده‌هاست. البته همان فناوری پایه در هر دو به کار می‌رود.

رقیب‌های اصلی‌اش کدام‌اند؟

بر اساس بنچمارک Artificial Analysis: GPT-Live-1 اوپن‌ای‌آی (رتبهٔ دوم شاخص با ۸۳.۲) و Gemini 3.8 Live گوگل (رتبهٔ سوم با ۸۲.۶). جزئیات مدل گوگل را در بررسی جمینای ۳.۸ بخوان.

آیا واقعاً بهترین مدل صوتی جهان است؟

روی شاخص ترکیبی Artificial Analysis و بنچمارک EVA-Bench سرویس‌ناو اول است — این‌ها تست‌های مستقل‌اند ولی آزمایشگاهی. «بهترین در عمل» به سناریوی تو، زبان تو و تست خودت بستگی دارد.

از ایران می‌شود از API استفاده کرد؟

سرویس‌های xAI تحت تحریم‌اند و دسترسی مستقیم از ایران محدود است. شرایط به‌روز را از صفحهٔ رسمی سرویس چک کن.

منابع

برچسب‌ها:هوش مصنوعیهوش مصنوعی مولدتوسعه‌دهنده
اشتراک‌گذاری:

مطالب مرتبط

عضویت در خبرنامه

آخرین اخبار هوش مصنوعی و فناوری را در ایمیل خود دریافت کنید.

پس از عضویت یک ایمیل تأیید برایتان ارسال می‌شود. هر زمان می‌توانید اشتراک خود را لغو کنید و ایمیل شما برای هدفی جز ارسال خبرنامه استفاده نمی‌شود. جزئیات در صفحه حریم خصوصی آمده است.