گروک ویس ۳.۰ شرکت SpaceXSI در رتبه‌بندی مدل‌های گفتار به گفتار از OpenAI و گوگل پیشی گرفت
شرکت هوش مصنوعی SpaceXSI متعلق به ایلان ماسک که پیش‌تر با نام xAI شناخته می‌شد، امروز گروک ویس ۳.۰ (Grok Voice 3.0) را معرفی و عرضه کرد. این محصول نسخه جدید مدل تبدیل گفتار به گفتار است که زیربنای رابط برنامه‌نویسی Voice Agent API این شرکت را تشکیل می‌دهد.
شرکت SpaceXSI این مدل را برای کسب‌وکارهایی عرضه کرده است که از عامل‌های صوتی هوش مصنوعی برای پاسخ‌گویی به مشتریان و مدیریت تماس‌های فروش استفاده می‌کنند. مؤسسه مستقل ارزیابی هوش مصنوعی Artificial Analysis، گروک ویس ۳.۰ را در صدر رتبه‌بندی مدل‌های هم‌رده خود قرار داده است. این مؤسسه که رتبه‌بندی‌هایش را بر اساس آزمون‌های استدلال، میزان موفقیت در انجام وظایف و رأی شنوندگان در مقایسه‌های مستقیم و بدون اطلاع از هویت مدل‌ها انجام می‌دهد، در شاخص گفتار به گفتار (Speech-to-Speech Index) امتیاز ۸۶.۹ را به گروک ویس ۳.۰ اختصاص داده است.
در همین شاخص، مدل GPT-Live-1 شرکت OpenAI Group PBC که در آزمون آن، مدل GPT-6 Astra وظیفه استدلال را بر عهده داشت، امتیاز ۸۳.۲ را کسب کرد. مدل Gemini 3.8 Live شرکت گوگل نیز با امتیاز ۸۲.۶ در جایگاه پایین‌تری قرار گرفت. گروک ویس ۳.۰ همچنین در آزمون Full Duplex Bench که توانایی مدل‌ها را در مدیریت طبیعی مکث‌ها و قطع شدن صحبت در جریان مکالمه ارزیابی می‌کند، امتیاز ۹۷ درصد را به دست آورد.
بااین‌حال، مدل OpenAI در آزمون Tau-Voice همچنان با اختلافی اندک پیشتاز بود. این آزمون بر تماس‌های پشتیبانی مشتریان در شرایط دشوار، از جمله وجود لهجه‌های غلیظ و سروصدای پس‌زمینه، تمرکز دارد. مدل OpenAI در این ارزیابی امتیاز ۷۴.۵ درصد و گروک ویس ۳.۰ امتیاز ۷۱.۶ درصد را ثبت کردند. البته SpaceXSI می‌گوید مدل این شرکت در همین آزمون، نخستین خروجی صوتی را حدود ۴۰ درصد سریع‌تر تولید کرده است. از نظر هزینه نیز انجام هر وظیفه در مجموعه آزمون Big Bench Audio مؤسسه Artificial Analysis با گروک ویس ۳.۰ حدود ۲.۵ سنت هزینه داشت؛ درحالی‌که این رقم برای GPT-Live-1 برابر با ۳ سنت و برای مدل GPT-Realtime-2.1 شرکت OpenAI معادل ۵.۵ سنت بود.
گروک ویس ۳.۰ علاوه بر ارزیابی‌های Artificial Analysis، در آزمون متن‌باز EVA-Bench شرکت ServiceNow نیز از نظر دقت در رتبه نخست قرار گرفت. این مدل در بیش از ۲۰۰ سناریوی سازمانی، دقت ۷۴ درصدی را ثبت کرد. همچنین هنگامی که دقت و کیفیت تجربه مشتری به‌صورت هم‌زمان در نظر گرفته شدند، هیچ مدل دیگری عملکرد بهتری نداشت. نیتین آگاروال، مدیر ارشد مدیریت محصول در ServiceNow، درباره عملکرد این مدل گفت: «این مدل دقتی در بالاترین سطح را با مکالمه‌ای طبیعی و پاسخ‌گو ترکیب می‌کند.»
گروک ویس در حال حاضر در مقیاس گسترده و در محیط‌های عملیاتی واقعی استفاده می‌شود. خودروهای شرکت تسلا روزانه میزبان میلیون‌ها مکالمه با این سامانه هستند. رانندگان از آن برای بررسی تقویم‌های خود و پاسخ دادن به ایمیل‌ها کمک می‌گیرند. انجام کارهای پیچیده‌تر، مانند رزرو میز رستوران برای صرف شام، از طریق Grok Bot صورت می‌گیرد که حالت مکالمه صوتی آن نیز از مدل جدید استفاده می‌کند.
در استارلینک، کسب‌وکار اینترنت ماهواره‌ای اسپیس‌ایکس، گروک ویس روزانه به حدود ۲۰ هزار تماس مشتریان به چندین زبان پاسخ می‌دهد. به گفته SpaceXSI، تقریباً ۷۰ درصد این تماس‌ها بدون نیاز به دخالت نیروی انسانی به نتیجه می‌رسند. همچنین از هر چهار تماس فروش، یکی پیش از پایان مکالمه به خرید منجر می‌شود.
شرکت اسپیس‌ایکس در ماه فوریه شرکت xAI را خریداری کرد. واحد هوش مصنوعی این مجموعه در ماه ژوئیه به SpaceXAI تغییر نام داد و اوایل ماه جاری نیز نام SpaceXSI را برای خود برگزید.
گروک ویس ۳.۰ هم‌اکنون از طریق رابط برنامه‌نویسی Voice Agent API در دسترس است. هزینه استفاده از این مدل ۸ سنت به‌ازای هر دقیقه یا ۴.۸۰ دلار در ساعت تعیین شده که با قیمت نسخه قبلی، یعنی گروک ویس ۲.۰، یکسان است. عامل‌های صوتی توسعه‌دهندگانی که از شناسه مدل grok-voice-latest استفاده می‌کنند، بدون نیاز به اعمال هیچ تغییری از سوی توسعه‌دهندگان، به‌طور خودکار به نسخه جدید منتقل شده‌اند.
عکس: SpaceXSI