xAI mengumumkan Grok Voice 3.0 pada 14 Oktober 2026 dengan klaim skor 86,9 di Speech-to-Speech Index milik Artificial Analysis — tertinggi dibanding model suara AI lain yang pernah diuji di indeks itu. Yang jarang muncul di judul berita: angka itu dikutip dari pengujian yang dipesan dan dilaporkan xAI sendiri, bukan hasil yang dipublikasikan independen oleh Artificial Analysis. Dan begitu skornya dibongkar per kategori tes, Grok Voice 3.0 tidak menang di semua lini.
Apa yang Baru di Grok Voice 3.0
Grok Voice 3.0 adalah model speech-to-speech generasi ketiga dari xAI, menggantikan Grok Voice 2.0 sebagai model default di balik Voice Agent API milik mereka dengan ID model grok-voice-3.0. Model ini dirancang khusus untuk percakapan suara real-time — menangani jeda, gilir bicara (turn-taking), dan interupsi di tengah kalimat, bukan sekadar transkripsi lalu balas teks-ke-suara seperti pendekatan voice AI generasi lama.
Target pemakaiannya jelas: dukungan telepon, contact center, dan asisten suara dalam aplikasi, menurut penjelasan DevX soal model ini. Harganya tetap sama dengan generasi sebelumnya, US$0,080 per menit dengan skema pay-as-you-go — xAI tidak menaikkan tarif meski mengklaim performa naik. xAI juga menyebut model ini sudah dipakai di kendaraan Tesla dan call center Starlink, tapi klaim itu datang langsung dari pengumuman xAI sendiri dan belum ada konfirmasi pihak ketiga, jadi perlu dibaca sebagai pernyataan vendor, bukan fakta yang sudah diverifikasi independen.
Klaim Juara, dengan Banyak Catatan Kaki
Skor 86,9 yang digembar-gemborkan xAI berasal dari evaluasi Artificial Analysis bertanggal 13 Oktober 2026, mengalahkan GPT-Live-1 (konfigurasi Astra, Medium) di 83,2, Gemini 3.8 Live di 82,6, dan generasi sebelumnya Grok Voice 2.0 di 81,3. Tapi menurut analisis independen yang dirangkum remio.ai, keunggulan itu hanya berlaku di skor komposit dan tes keberhasilan tugas secara umum — bukan di setiap kategori tes satu per satu.
Dua contoh konkret yang jarang dikutip media teknologi yang hanya menyalin rilis pers xAI: di Big Bench Audio, Grok Voice 3.0 mencatat 98,5%, tapi StepAudio 3 Realtime dari pengembang lain justru lebih tinggi di 99,7%. Di tau-Voice, benchmark yang mengukur kemampuan menangani tugas dukungan pelanggan secara agentik, Grok Voice 3.0 melonjak dari 56,5% (versi 2.0) ke 71,6% — kenaikan besar dari generasi sebelumnya, tapi tetap di bawah GPT-Live-1 yang mencetak 74,5% di tes yang sama. Analisis performa dari mind-verse.de mencatat pola serupa: Grok Voice 3.0 kuat di skor gabungan dan di tugas agentik, tapi beberapa pesaing masih unggul di tes spesifik seperti penalaran lisan (spoken reasoning), yang tidak ikut terangkat ke skor komposit headline.
Lebih Lambat untuk Respons Pertama, Lebih Murah untuk Dijalankan
Satu metrik yang justru mundur dari versi sebelumnya: waktu hingga audio pertama keluar (time to first audio) melambat dari 0,70 detik di Grok Voice 2.0 menjadi 0,81 detik di versi 3.0. xAI tidak menonjolkan angka ini di materi promosinya — wajar, karena ini satu-satunya metrik di mana model baru mereka tercatat lebih lambat dari pendahulunya sendiri, bukan dari pesaing. Meski begitu, 0,81 detik tetap jauh lebih cepat dibanding GPT-Live-1 yang butuh 1,34 detik untuk audio pertama, jadi posisi Grok Voice 3.0 relatif terhadap pesaing utamanya di pasar tidak berubah signifikan.
Di sisi biaya operasional, xAI melaporkan rata-rata biaya per tugas di pengujian Big Bench Audio sebesar US$0,025, dibanding US$0,030 untuk GPT-Live-1 pada konfigurasi yang sama. Kombinasi harga per menit yang tidak naik, biaya per tugas yang lebih rendah, plus skor agentik yang melompat jauh dari generasi sebelumnya — inilah yang tampaknya jadi argumen jual utama xAI ke pelanggan enterprise, bukan semata klaim "nomor satu di dunia" yang, begitu dibongkar, ternyata bercabang hasilnya antar kategori tes.
Takeaway
Grok Voice 3.0 nyata memperbaiki beberapa hal dari generasi sebelumnya — terutama di tugas agentik seperti tau-Voice, dan di efisiensi biaya per tugas dibanding pesaing utamanya. Tapi klaim "nomor satu di dunia" yang jadi judul pengumuman xAI hanya benar pada level skor komposit yang dihitung dari metodologi dan angka yang dilaporkan xAI sendiri, bukan temuan independen yang bisa diverifikasi langsung oleh publik lewat halaman Artificial Analysis. Di beberapa tes spesifik — penalaran lisan, task-success dukungan pelanggan, bahkan waktu respons pertama dibanding versi sebelumnya — model ini kalah atau justru mundur. Untuk tim yang sedang mengevaluasi model suara AI untuk produksi, angka headline dari rilis resmi vendor manapun — termasuk ini — tetap perlu dibongkar per kategori tes sebelum dipakai sebagai dasar keputusan pembelian.
Sumber gambar: Chris Ried di Unsplash Sumber gambar: Florian Olivo di Unsplash Sumber gambar: Ilya Pavlov di Unsplash
The conversation 0
No comments yet. Start the conversation.