Компания Маска SpaceXSI (бывшая xAI) годами пыталась догнать OpenAI в главной гонке языковых моделей, а первое место взяла там, где его меньше всего ждали. Новая голосовая модель Grok Voice 3.0 возглавила независимый рейтинг Artificial Analysis среди моделей «речь в речь» — тех, что слушают и отвечают голосом.

Цифры против конкурентов

В сводном Speech-to-Speech Index от Artificial Analysis у Grok Voice 3.0 — 86,9 балла, у OpenAI GPT-Live-1 — 83,2, у Google Gemini 3.8 Live — 82,6. Прошлая Grok Voice 2.0 набирала 81,3, то есть скачок за поколение почти на 6 баллов. Индекс объединяет рассуждения на слух, выполнение задач и голоса людей в слепых сравнениях звонков.

На Full Duplex Bench, который оценивает, насколько естественно модель держит паузы и перебивания, у Grok 97%. В бенчмарке ServiceNow EVA-Bench для корпоративных голосовых агентов — лучшая точность, 74%. Задача в тесте Big Bench Audio обходится в 2,5 цента против 3 центов у GPT-Live-1.

Где не первый

На τ-Voice — тесте звонков в поддержку с акцентами, шумом и перебиваниями — у Grok 71,6%. SpaceXSI называет это паритетом с GPT-Live-1, а SiliconANGLE пишет, что OpenAI чуть впереди: 74,5%. Козырь Grok — скорость: первый звук примерно на 40% быстрее, ответ меньше чем через секунду.

Где он уже работает

Grok Voice ведёт миллионы разговоров в день в машинах Tesla: водители голосом проверяют календарь и почту. В Starlink он принимает около 20 тысяч звонков клиентов в день и примерно 70% закрывает без человека, а каждый четвёртый звонок о продаже, по данным компании, заканчивается покупкой. Цена — 8 центов за минуту, как у прошлой версии.

Почему это важно

В текстовых моделях, по тому же Artificial Analysis, лидирует Claude Opus 5.5, за ним GPT-6 Astra и свежая Gemini 4 Argon. Голос — рынок поменьше, зато с прямыми деньгами: колл-центры платят поминутно. И у Маска тут редкое преимущество — собственные полигоны в виде Tesla и Starlink, где модель каждый день обкатывается на живых клиентах.

Источник: SiliconANGLE

НЕЙРО-ПУШКА ● Новости и обзоры нейросетей

Google открыл ранний доступ к функции Call for Me: ассистент сам набирает заведение, проходит голосовое меню, висит на линии и разговаривает с человеком на том конце. Пока это США, смартфоны Pixel 11, платная подписка на Gemini и участие в публичной бете приложения «Телефон».

Набор задач бытовой: забронировать столик, уточнить, есть ли товар в наличии, попросить отложить его, перенести запись к мастеру. Пользователь видит живую расшифровку разговора и может в любой момент перехватить трубку. Google объясняет осторожный старт тем, что «в реальных разговорах много нюансов».

Главная деталь — номер

Звонок уходит не с серверов Google, а с вашего собственного номера, через штатную систему звонков телефона. Для того, кто берёт трубку, это входящий от живого клиента — представляется ассистент уже в разговоре.

Ровно на этом Google обжёгся в 2018-м: на презентации Duplex ассистент записывался в парикмахерскую голосом, неотличимым от человеческого, вставляя «ммм» и «эээ». После волны возмущения компании пришлось пообещать, что робот всегда будет сообщать, что он робот. Call for Me собран уже по этим правилам — Gemini представляется в начале разговора.

Вторая сторона провода

О ней обычно забывают, а здесь она и есть самое интересное. Администратор ресторана или продавец не подписывался на разговор с ИИ и не может отказаться заранее — он узнаёт об этом, уже подняв трубку. Google отдельно оговаривает, что за каждым таким звонком стоит реальный клиент и что время сотрудников компания обещает уважать.

Проблема начнётся не сейчас, а когда функция выйдет из беты: обзвон трёх магазинов ради наличия товара перестаёт быть занятием на двадцать минут, и нагрузка на тех, кто отвечает на звонки, растёт без всякого роста числа покупателей. Это первый случай, когда ИИ-агент выходит из браузера и чата в разговор с человеком, которого о согласии никто не спросил.

Источники: TechCrunch, The Decoder, 9to5Google

НЕЙРО-ПУШКА ● Новости и обзоры нейросетей