xAI udostępnił 14 października 2026 r. Grok Voice 3.0, model głosowy typu speech-to-speech, który w niezależnym rankingu Artificial Analysis zajął pierwsze miejsce z wynikiem 86,9 pkt, przed GPT-Live-1 od OpenAI (83,2) i Gemini 3.8 Live od Google (82,6). Model kosztuje w API 0,08 dolara za minutę, tyle samo co poprzednik, a według firmy obsługuje już miliony rozmów dziennie w samochodach Tesli i w infoliniach Starlinka.
- Grok Voice 3.0, udostępniony 14 października 2026 r., zajął pierwsze miejsce w niezależnym rankingu Speech-to-Speech Index firmy Artificial Analysis z wynikiem 86,9 pkt, wyprzedzając GPT-Live-1 od OpenAI (83,2 pkt) i Gemini 3.8 Live od Google (82,6 pkt).
- Infolinie Starlinka obsługują z pomocą Grok Voice około 20 tys. połączeń dziennie, przy czym około 70 proc. spraw kończy się bez udziału konsultanta, a co czwarta rozmowa sprzedażowa – zakupem jeszcze przed odłożeniem słuchawki.
- W teście τ-Voice, symulującym rozmowy z działem obsługi klienta, Grok Voice 3.0 uzyskał wynik gorszy od GPT-Live-1 (71,6 proc. wobec 74,5 proc.), a polskiego nie ma na oficjalnej liście 20 obsługiwanych przez model języków.
Grok Voice 3.0 to model, który przyjmuje mowę i od razu odpowiada mową, bez pośredniego etapu zamiany na tekst i z powrotem. xAI, czyli dział AI SpaceX (po przejęciu w lutym 2026 r. działający jako SpaceXAI, a w październikowych materiałach podpisujący się już jako SpaceXSI), pozycjonuje go jako silnik dla agentów głosowych w obsłudze klienta. Firma deklaruje opóźnienie odpowiedzi poniżej jednej sekundy i niższy koszt wykonania zadania niż u konkurencji.
Tesla pokazała działanie modelu w samochodzie na krótkim nagraniu:
.@Grok in your Tesla can now do meaningful work for you
With Connectors, you can manage your inbox, clean up your calendar, or talk through existing files/chat/tasks – all hands-free pic.twitter.com/W1LuybQh0P
— Tesla (@Tesla) September 22, 2026
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Grok Voice 3.0 prowadzi w Speech-to-Speech Index, ale nie w każdej kategorii
Grok Voice 3.0 uzyskał najwyższy łączny wynik w Speech-to-Speech Index firmy Artificial Analysis z 13 października 2026 r. Indeks to średnia z czterech równo ważonych składowych: rozumowania na podstawie mowy (Big Bench Audio), skuteczności agenta w symulowanych rozmowach z obsługą klienta (τ-Voice), preferencji ludzi w ślepych porównaniach oraz odsetka ukończonych zadań.
Dane z tabeli opublikowanej przez xAI wyglądają tak:
| Test | Grok Voice 3.0 | Grok Voice 2.0 | GPT-Live-1 (Astra, Medium) | Gemini 3.8 Live (Ext. Thinking, High) |
|---|---|---|---|---|
| Speech-to-Speech Index | 86,9 | 81,3 | 83,2 | 82,6 |
| Big Bench Audio | 98,5% | 97,2% | 90,1% | 97,7% |
| Speech Agent Arena (Elo) | 1070 | 1011 | 1048 | 990 |
| Odsetek ukończonych zadań | 94,8% | 94,6% | 87,4% | 89,1% |
| Full Duplex Bench | 97,0% | 95,1% | 94,9% | 91,9% |
| τ-Voice | 71,6% | 56,5% | 74,5% | 68,6% |
Full Duplex Bench sprawdza, jak naturalnie model radzi sobie z pauzami, oddawaniem głosu i przerywaniem przez rozmówcę. Nowsza wersja testu ocenia też reakcję na krótkie wtrącenia typu „aha” czy „no dobra”, po których model powinien po prostu mówić dalej.
W τ-Voice, teście opartym na symulowanych telefonach do działu obsługi klienta, Grok Voice 3.0 wypadł słabiej niż GPT-Live-1 (71,6 wobec 74,5 proc.). xAI opisuje ten wynik jako porównywalny i podkreśla, że Grok osiąga go przy opóźnieniu niższym o 40 proc. Względem własnego poprzednika skok jest wyraźny: Grok Voice 2.0, wydany 29 lipca 2026 r., miał w tym teście 56,5 proc.
Koszt zadania niższy, cena za minutę wyższa niż u OpenAI
Artificial Analysis policzył średni koszt wykonania jednego zadania w teście Big Bench Audio. Grok Voice 3.0 wyszedł na 0,025 dolara, GPT-Live-1 (Astra, Medium) na 0,030 dolara, a GPT-Realtime-2.1 (High) na 0,055 dolara.
Cennik za minutę mówi jednak co innego. Grok Voice 3.0 kosztuje 0,08 dolara za minutę (4,80 dolara za godzinę). GPT-Live-1, udostępniony w API OpenAI 10 września 2026 r., kosztuje 0,05 dolara za minutę, ale ta stawka obejmuje wyłącznie warstwę głosową. Model rozumujący w tle, w testach Artificial Analysis był to GPT-6 Astra, OpenAI rozlicza osobno. Dopiero porównanie kosztu całego zadania pokazuje, ile realnie zapłaci firma budująca agenta.
Dla programistów zmiana jest bezbolesna:
- agenci korzystający z aliasu
grok-voice-latestzostali przełączeni na nową wersję automatycznie, - API, parametry sesji i zdarzenia pozostały takie same jak w Grok Voice 2.0,
- Grok Voice 2.0 otrzymał status przestarzałego modelu,
- rozumowanie jest domyślnie włączone na poziomie „high”, ale da się je wyłączyć.
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
ServiceNow: najwyższa dokładność w teście EVA-Bench
Grok Voice 3.0 uzyskał najwyższą dokładność, 74 proc., w EVA-Bench, otwartym teście ServiceNow dla firmowych agentów głosowych. Według xAI był też najlepszy w łącznej ocenie dokładności i jakości rozmowy.
EVA-Bench sprawdza całe, wieloetapowe rozmowy prowadzone przez dwa boty. Test obejmuje trzy obszary: obsługę klienta (50 scenariuszy, m.in. zmiana rezerwacji po odwołanym locie), obsługę IT (80 scenariuszy) i sprawy kadrowe (83 scenariusze, m.in. urlopy i świadczenia). Agent jest oceniany osobno za poprawne wykonanie zadania i za jakość rozmowy.
Nitin Aggarwal, starszy dyrektor ds. zarządzania produktem w zespole Agentic Evals and RAI w ServiceNow, skomentował wynik w oświadczeniu dołączonym do ogłoszenia xAI:
„Grok Voice 3.0 łączy najwyższą dokładność z naturalną, responsywną rozmową” / „It pairs top accuracy with a natural, responsive conversation”
Starlink rozwiązuje bez udziału człowieka około 70 proc. zgłoszeń
Infolinie Starlinka odbierają z pomocą Grok Voice około 20 tys. połączeń dziennie w wielu językach, podaje xAI. Mniej więcej 70 proc. spraw kończy się bez udziału konsultanta, a co czwarta rozmowa sprzedażowa kończy się zakupem jeszcze przed odłożeniem słuchawki.
Jeden agent zbudowany na Grok Voice 3.0 weryfikuje tożsamość klienta, diagnozuje problemy ze sprzętem, przyznaje rekompensaty i zleca wysyłkę zamiennego urządzenia. W samochodach Tesli kierowcy używają modelu do sprawdzania kalendarza czy odpowiadania na maile, a przez Grok Bot zamawiają kawę lub rezerwują stolik w restauracji, bez odrywania rąk od kierownicy.
Wyniki wyglądają mocno, ale patrzę na nie z dwiema poprawkami. Po pierwsze, ranking Artificial Analysis jest niezależny, za to wybór tego, które jego elementy trafiły do komunikatu, należy już do xAI. W τ-Voice, czyli teście najbliższym prawdziwej infolinii, Grok przegrywa z GPT-Live-1, a firma nazywa to „porównywalnym wynikiem”. Po drugie, dane ze Starlinka i Tesli to deklaracje samego producenta, który obsługuje własne spółki z tej samej grupy. Nikt z zewnątrz ich nie sprawdził.
Mimo to uważam, że to ważny sygnał dla rynku. Jeśli 70 proc. zgłoszeń technicznych da się zamknąć bez konsultanta, rachunek ekonomiczny call center zmienia się szybciej, niż wiele firm zakłada w swoich planach. Pytanie, które bym sobie zadał jako szef obsługi klienta, brzmi nie „czy”, tylko „które 30 proc. rozmów nadal wymaga człowieka i czy mam ludzi, którzy je udźwigną”. Bo automat zabierze proste sprawy, a zostawi te najbardziej nerwowe.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Rynek agentów głosowych przyspiesza
Grok Voice 3.0 pojawia się jedenaście tygodni po poprzedniej wersji i nieco ponad miesiąc po wejściu GPT-Live-1 do API OpenAI. Tempo premier pokazuje, jak mocno najwięksi dostawcy modeli walczą o segment obsługi klienta.
Według szacunków Mordor Intelligence rynek AI w zastosowaniach call center jest wart w 2026 r. 5,08 mld dolarów i ma urosnąć do 13,15 mld dolarów do 2031 r. Ta sama firma podaje, że w 2025 r. 77,3 proc. takich wdrożeń działało w chmurze. Dla dostawców modeli to argument, by konkurować nie tylko jakością, ale też ceną za rozwiązaną sprawę.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Polskiego nie ma na oficjalnej liście języków Grok Voice 3.0
Dokumentacja xAI wymienia 20 oficjalnie obsługiwanych języków w trybie speech-to-speech, w tym niemiecki, rosyjski, turecki i wietnamski. Polskiego na tej liście nie ma. xAI zaznacza jedynie, że model potrafi rozmawiać także w innych językach, „z różnym stopniem dokładności”.
Dla polskiej firmy, która chciałaby postawić na Grok Voice 3.0 infolinię, oznacza to konieczność własnych testów przed wdrożeniem. Wyniki z rankingów, prowadzone głównie po angielsku, nie mówią wiele o tym, jak model poradzi sobie z polską odmianą nazwisk, numerami PESEL czy adresami.
Drugą sprawą jest prawo. Od 2 sierpnia 2026 r. obowiązuje art. 50 AI Act, który wymaga, aby klient rozmawiający z voicebotem wiedział, że ma do czynienia z maszyną, najpóźniej przy pierwszej interakcji. Za naruszenie grozi kara do 15 mln euro lub 3 proc. rocznego obrotu. Dokumentacja xAI przewiduje funkcję force_message, która pozwala odtworzyć z góry ustalony komunikat, na przykład informację o nagrywaniu rozmowy, więc technicznie spełnienie tego wymogu nie jest trudne. Firma deklaruje też zgodność z RODO i możliwość przetwarzania danych w UE.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym oficjalnego komunikatu xAI „Introducing Grok Voice 3.0” z dnia 14.10.2026 oraz rankingu Artificial Analysis Speech-to-Speech i dokumentacji EVA-Bench firmy ServiceNow. Dodatkowo wykorzystano dokumentację techniczną xAI (Voice API, Speech to Speech), dokumentację modelu GPT-Live-1 od OpenAI, materiały Unite.AI, Reuters i dane Mordor Intelligence. Kontekst prawny: Forsal.pl.
Cytat Nitina Aggarwala, starszego dyrektora ds. zarządzania produktem w ServiceNow, został zweryfikowany z oryginalnym anglojęzycznym materiałem źródłowym.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o Grok Voice 3.0 i rynku agentów głosowych.
