Grok Voice 3.0 โมเดล AI เสียงตัวใหม่ของ SpaceXSI (เดิมคือ xAI ที่ SpaceX ซื้อไปเมื่อต้นปี) เปิดตัวเมื่อ 14 ตุลาคม 2569 ตามเวลาสหรัฐฯ ตรงกับเช้าวันที่ 15 ตุลาคม 2569 ตามเวลาไทย เป็นโมเดลแบบ speech-to-speech ที่ฟังเสียงแล้วตอบเป็นเสียงได้ทันทีโดยไม่ต้องแปลงเป็นข้อความก่อน ตอบสนองได้ในไม่ถึง 1 วินาที และทำคะแนนนำ GPT-Live-1 ของ OpenAI กับ Gemini 3.8 Live ของ Google ในดัชนี Speech-to-Speech ของ Artificial Analysis เปิดให้นักพัฒนาใช้ผ่าน API แล้วในราคา 0.08 ดอลลาร์ต่อนาที
สารบัญ
⚡ สรุปข่าวใน 30 วินาที
- SpaceXSI เปิดตัว Grok Voice 3.0 โมเดลเสียงแบบ speech-to-speech ตอบสนองต่ำกว่า 1 วินาที
- ได้ 86.9 คะแนนในดัชนี Speech-to-Speech ของ Artificial Analysis นำ GPT-Live-1 (83.2) และ Gemini 3.8 Live (82.6)
- ราคา API 0.08 ดอลลาร์ต่อนาที (4.80 ดอลลาร์ต่อชั่วโมง) เท่ารุ่น 2.0
- ใช้จริงแล้วในรถ Tesla และศูนย์บริการลูกค้า Starlink ที่รับสายวันละราว 20,000 สาย
- ในการทดสอบ τ-Voice ยังแพ้ GPT-Live-1 เล็กน้อย
Grok Voice 3.0 คืออะไร
Grok Voice 3.0 เป็นโมเดลสำหรับสร้าง “เอเจนต์เสียง” เช่น ระบบรับสายลูกค้า ผู้ช่วยขาย หรือผู้ช่วยสั่งงานด้วยเสียง จุดต่างจากระบบตอบรับอัตโนมัติแบบเดิมคือโมเดลประมวลผลเสียงโดยตรง จึงรับมือกับการพูดแทรก การหยุดคิด และจังหวะสนทนาแบบคนได้ดีกว่า SpaceXSI วางให้ตัวนี้เน้นงานบริการลูกค้าเป็นหลัก และอ้างว่าเป็นโมเดลที่แก้ปัญหาสายลูกค้าได้สำเร็จสูงที่สุดตอนนี้
นักพัฒนาที่ใช้ชื่อโมเดล grok-voice-latest ในระบบ Voice Agent API จะถูกย้ายมาใช้รุ่น 3.0 ให้อัตโนมัติ โดยราคาไม่เปลี่ยน
ผลทดสอบเทียบ OpenAI และ Google
| การทดสอบ | Grok Voice 3.0 | Grok Voice 2.0 | GPT-Live-1 | Gemini 3.8 Live |
|---|---|---|---|---|
| Speech-to-Speech Index | 86.9 | 81.3 | 83.2 | 82.6 |
| Big Bench Audio (การให้เหตุผล) | 98.5% | 97.2% | 90.1% | 97.7% |
| Speech Agent Arena (Elo) | 1070 | 1011 | 1048 | 990 |
| Full Duplex Bench (จังหวะสนทนา) | 97.0% | 95.1% | 94.9% | 91.9% |
| τ-Voice (สำเนียงและเสียงรบกวน) | 71.6% | 56.5% | 74.5% | 68.6% |
ตัวเลขส่วนใหญ่มาจาก Artificial Analysis และ ServiceNow ซึ่งเป็นผู้ทดสอบภายนอก Grok Voice 3.0 นำเกือบทุกหมวด ยกเว้น τ-Voice ที่จำลองสายลูกค้าที่มีสำเนียงหลากหลายและเสียงรบกวน ซึ่ง GPT-Live-1 ยังนำอยู่ 74.5% ต่อ 71.6% แต่ SpaceXSI บอกว่าโมเดลของตัวเองส่งเสียงแรกออกมาเร็วกว่าราว 40% ส่วนใน EVA-Bench ของ ServiceNow ที่วัดกว่า 200 สถานการณ์ขององค์กร Grok Voice 3.0 ได้ความแม่นยำสูงสุดที่ 74%
Grok Voice 3.0 sets a new Pareto frontier on EVA-Bench
Nitin Aggarwal, ServiceNow
ต้นทุนถูกกว่าคู่แข่ง
อีกจุดขายคือราคา ค่าใช้จ่ายต่อหนึ่งงานในชุดทดสอบ Big Bench Audio อยู่ที่ราว 0.025 ดอลลาร์ ต่ำกว่า GPT-Live-1 ที่ 0.030 ดอลลาร์ และ GPT-Realtime-2.1 ที่ 0.055 ดอลลาร์ ส่วนค่าบริการ API 0.08 ดอลลาร์ต่อนาที ถ้าแปลงคร่าว ๆ จะตกราว 2–3 บาทต่อนาที (เป็นการประมาณเท่านั้น ไม่ใช่ราคาทางการในไทย)
ใช้จริงแล้วที่ไหน: SpaceXSI ระบุว่า Grok Voice รับบทสนทนาหลายล้านครั้งต่อวันในรถ Tesla และเป็นเสียงของโหมดสนทนาใน Grok ขณะที่ศูนย์บริการ Starlink ใช้รับสายลูกค้าวันละราว 20,000 สายหลายภาษา จบได้โดยไม่ต้องส่งต่อคนราว 70% และสายขายราว 1 ใน 4 ปิดการขายได้ก่อนวางสาย ตัวเลขชุดนี้เป็นข้อมูลจากบริษัทเอง
เกี่ยวกับธุรกิจและผู้ใช้ไทยอย่างไร
สำหรับคนทั่วไป ผลที่เห็นได้เร็วที่สุดคือโหมดคุยด้วยเสียงในแอป Grok ที่จะตอบไวและเป็นธรรมชาติขึ้น ส่วนธุรกิจไทยที่กำลังมองหา AI รับสายลูกค้าหรือคอลเซ็นเตอร์อัตโนมัติ ตอนนี้มีตัวเลือกจาก OpenAI, Google และ SpaceXSI ที่แข่งกันทั้งความเร็วและราคา อย่างไรก็ดี SpaceXSI ยังไม่ได้ระบุว่ารองรับภาษาไทยดีแค่ไหน และไม่ได้บอกจำนวนภาษาที่รองรับ จึงควรทดลองกับเสียงพูดภาษาไทยจริงก่อนนำไปใช้
คำถามที่พบบ่อยเกี่ยวกับ Grok Voice 3.0
Grok Voice 3.0 คืออะไร
เป็นโมเดล AI เสียงแบบ speech-to-speech ของ SpaceXSI (เดิมคือ xAI) ฟังแล้วตอบเป็นเสียงได้ในไม่ถึง 1 วินาที เน้นงานเอเจนต์รับสายลูกค้าและงานขาย
Grok Voice 3.0 ราคาเท่าไร
ผ่าน Voice Agent API ราคา 0.08 ดอลลาร์ต่อนาที หรือ 4.80 ดอลลาร์ต่อชั่วโมง เท่ากับ Grok Voice 2.0
Grok Voice 3.0 เก่งกว่า ChatGPT และ Gemini ไหม
ในดัชนี Speech-to-Speech ของ Artificial Analysis ได้ 86.9 คะแนน นำ GPT-Live-1 และ Gemini 3.8 Live แต่ในการทดสอบ τ-Voice ยังแพ้ GPT-Live-1 เล็กน้อย
ความคิดเห็น 0
ยังไม่มีความคิดเห็นเป็นคนแรกที่แสดงความคิดเห็นในบทความนี้