شرکت SpaceXAI که Grok را توسعه می‌دهد و پلتفرم توسعه‌دهندگان x.ai را اداره می‌کند، روز ۱۴ اکتبر ۲۰۲۶ از Grok Voice 3.0 رونمایی کرد. این یک مدل گفتار به گفتار است؛ یعنی صدا را می‌شنود و مستقیماً با صدا پاسخ می‌دهد و نیازی به زنجیره جداگانه تبدیل گفتار به متن و سپس متن به گفتار ندارد. هدف آن دستیارهای صوتی مانند خطوط پشتیبانی مشتریان و دستیارهای داخل خودرو است. شرکت آن را هوشمندترین مدل صوتی موجود می‌خواند؛ ادعایی که بیشتر به نتایج آزمون‌های یک نهاد بیرونی تکیه دارد که یک روز پیش از عرضه منتشر شد.
این نتایج را Artificial Analysis منتشر کرده که جدولی عمومی برای مدل‌های صوتی بلادرنگ دارد. در شاخص ترکیبی Speech-to-Speech Index، مدل Grok Voice 3.0 امتیاز ۸۶٫۹ گرفته و از GPT-Live-1 (Astra, medium) ساخت OpenAI با ۸۳٫۲، از Gemini 3.8 Live Extended Thinking (High) ساخت Google با ۸۲٫۶ و از نسخه پیشین، Grok Voice 2.0، با ۸۱٫۳ جلوتر است. این شاخص استدلال شفاهی در Big Bench Audio، آزمون تماس پشتیبانی τ-Voice و داده‌های ترجیح کاربران و موفقیت در تماس‌های مقایسه‌ای ناشناس را با هم ترکیب می‌کند. در آزمون‌های جداگانه، مدل تازه ۹۸٫۵ درصد در Big Bench Audio، ۹۷ درصد در Full Duplex Bench که مدیریت مکث، قطع کلام و نوبت‌گیری را می‌سنجد، ۹۴٫۸ درصد موفقیت در انجام وظایف و امتیاز Elo برابر ۱۰۷۰ در Speech Agent Arena به دست آورده است.
SpaceXAI همچنین می‌گوید مدل در τ-Voice به ۷۱٫۶ درصد رسیده که تقریباً هم‌سطح GPT-Live-1 (Astra) است، اما با تأخیری حدود ۴۰ درصد کمتر، و پاسخ را در کمتر از یک ثانیه می‌دهد. شرکت با استناد به اندازه‌گیری‌های هزینه Artificial Analysis می‌گوید هزینه هر وظیفه انجام‌شده از GPT-Live-1 (Astra, Medium) و GPT-Realtime-2.1 کمتر است. در EVA-Bench، مجموعه آزمون باز ServiceNow با بیش از ۲۰۰ سناریوی سازمانی، بالاترین دقت یعنی ۷۴ درصد را گزارش کرده و از یکی از مدیران محصول ServiceNow نقل‌قولی در تأیید این نتیجه آورده است. این ارقام تأخیر، هزینه و EVA-Bench را خود SpaceXAI منتشر کرده و در این بررسی به‌طور مستقل تأیید نشده‌اند.
قیمت تغییری نکرده است. Grok Voice 3.0 در Voice Agent API دقیقه‌ای ۰٫۰۸ دلار یا ساعتی ۴٫۸۰ دلار هزینه دارد که دقیقاً برابر Grok Voice 2.0 است. توسعه‌دهندگانی که از نام مستعار grok-voice-latest استفاده می‌کنند خودکار به مدل جدید منتقل شده‌اند و نیازی به تغییر کد ندارند؛ البته این یعنی رفتار دستیارهایشان ممکن است یک‌شبه عوض شود.
شرکت برای نشان دادن مقیاس، به سایر شرکت‌های ایلان ماسک استناد می‌کند. به گفته آن، این مدل روزانه میلیون‌ها گفت‌وگو را در خودروهای Tesla انجام می‌دهد؛ جایی که رانندگان بدون دست زدن به فرمان تقویم خود را می‌بینند، به ایمیل پاسخ می‌دهند یا سفارش ثبت می‌کنند. حالت صوتی Grok Bot هم اکنون با همین مدل کار می‌کند. به گفته SpaceXAI، در Starlink دستیارهای مبتنی بر Grok Voice روزانه حدود ۲۰ هزار تماس را به چند زبان پاسخ می‌دهند، نزدیک به ۷۰ درصد آنها را بدون دخالت انسان حل می‌کنند و از هر چهار تماس فروش، یکی پیش از قطع تماس به خرید می‌رسد. هیچ‌یک از این آمارها به‌طور عمومی حسابرسی نشده است.
نگاه به جدول کامل تصویر را متعادل‌تر می‌کند. Artificial Analysis بیش از ۴۰ مدل صوتی را ارزیابی می‌کند و در رتبه‌بندی‌های تک‌معیاره، Grok Voice 3.0 چهارم است، نه اول: StepAudio 3 Realtime با ۹۹٫۷ درصد در Big Bench Audio و ۹۸٫۹ درصد در Full Duplex Bench پیشتاز است و در هر دو آزمون Qwen Audio 3.0 Realtime Plus ساخت Alibaba پس از آن قرار دارد. نمودار مقایسه‌ای اطلاعیه عرضه فقط مدل‌های OpenAI و Google را نشان می‌دهد. Qwen Audio 3.0 Realtime Plus همچنین ارزان‌ترین مدل برای صدای ورودی معرفی شده است.
برای سازندگان دستیارهای تلفنی و خودرویی، تغییر عملی این است که با همان نرخ دقیقه‌ای، مدل پیش‌فرض قوی‌تری در اختیار دارند. اینکه برتری در شاخص ترکیبی در تماس‌های واقعی، با لهجه‌های گوناگون و خطوط پرنویز هم پابرجا بماند، به نتایج مشتریانی بیرون از Tesla و Starlink بستگی دارد که در این عرضه ارائه نشد.