Grok Voice 3.0 Inafanya kazi

Grok Voice 3.0 ni modeli ya mwisho hadi mwisho ya kubadilisha sauti kuwa sauti iliyotengenezwa na SpaceXSI. Imeongoza kwa alama 86.9 katika orodha ya jumla ya sauti ya taasisi huru ya majaribio Artificial Analysis, ikiwa na ucheleweshaji wa majibu wa chini ya sekunde 1 na gharama ya takriban dola 0.025 kwa kila kazi, chini ya washindani wa kiwango sawa. Kwa sasa, inasaidia mamilioni ya mazungumzo ndani ya magari ya Tesla kila siku, huku kituo cha huduma kwa wateja cha Starlink kikishughulikia takriban simu 20,000 za lugha nyingi kwa siku, ambapo karibu 70% hutatuliwa bila kuhusisha mhudumu.

Mazungumzo ya sauti kutoka mwisho hadi mwisho: Inaruhusu ingizo la sauti kuzalisha moja kwa moja jibu la sauti bila kupitia maandishi, hivyo kuwezesha mazungumzo ya asili na laini ya wakati halisi kati ya binadamu na mashine.
Mwingiliano wa pande mbili: Inaweza kushughulikia kwa akili mapumziko, zamu za mazungumzo na kuingiliana; mtumiaji anaweza kumkatiza wakati wowote na modeli hujibu kwa kawaida bila ugumu.
Utekelezaji wa kazi tata: Kupitia Connectors na Grok Bot, inaweza kuangalia ratiba, kujibu barua pepe, kuagiza kahawa, kuweka nafasi ya chakula cha jioni na kufanya kazi nyingine bila kutumia mikono.
Uwezo wa huduma kwa wateja wa biashara: Wakala mmoja wa akili unaweza kukamilisha mchakato mzima wa kuthibitisha utambulisho wa mteja, kuchunguza hitilafu za vifaa, kutoa marejesho ya fedha na kutuma vifaa mbadala.
Msaada wa lugha nyingi: Kituo cha huduma kwa wateja cha Starlink hupokea takriban simu 20,000 za wateja kwa lugha mbalimbali kila siku.

Muundo wa mwisho hadi mwisho wa kubadilisha sauti kuwa sauti: Visawazisha sauti vya jadi hutumia mfululizo wa moduli nyingi wa ”utambuzi wa sauti→uelewaji wa maandishi→uzalishaji wa maandishi→usanisi wa sauti”, ambapo taarifa hupotea hatua kwa hatua na ucheleweshaji huongezeka. Grok Voice 3.0 hutumia uundaji wa moja kwa moja wa sauti hadi sauti: baada ya mawimbi ya sauti kuingia kwenye modeli, hayapitishwi kwenye uwakilishi wa maandishi wa kati, bali modeli hutoa jibu la sauti moja kwa moja. Hii hupunguza makosa ya mfululizo na ndiyo msingi wa kimuundo unaowezesha kupunguza ucheleweshaji wa jibu la kwanza hadi chini ya sekunde 1.
Uundaji wa mazungumzo ya pande mbili: Modeli inaweza kusikiliza na kuzalisha kwa wakati mmoja. Kupitia kisimbaji cha mtiririko, hunasa mfululizo wa sauti wa mtumiaji kila mara, na kwa kuchanganua mapumziko, maneno ya kujaza na kuingiliana, huamua kwa nguvu wakati wa kuendelea kuzungumza na wakati wa kumpa mtumiaji nafasi. Imepata alama 97% kwenye Full Duplex Bench, jambo linaloiwezesha kuendesha mazungumzo bila kuamshwa kwa neno maalum na kuruhusu kukatizwa ndani ya gari.
Ujumuishaji wa uelekezaji wa sauti na uwezo wa mawakala wa akili: Modeli inaunganisha uelewaji wa kusikia na uwezo wa modeli kubwa ya lugha wa kupanga na kutoa hoja. Baada ya sauti ya mtumiaji kufasiriwa kuwa nia ya kazi, mfumo wa ndani wa mawakala huita zana za nje kama Connectors za ratiba, barua pepe na kuagiza, au Grok Bot, ili kukamilisha kazi. Kisha humjulisha mtumiaji matokeo kwa sauti ya asili, na kuunda mzunguko kamili wa ”kusikia—kupanga—kutekeleza—kujibu”. Hii ndiyo sababu inaweza kukamilisha kwa kujitegemea marejesho ya fedha na utumaji wa vifaa mbadala katika huduma kwa wateja.

Watumiaji wa kawaida: Washa hali ya sauti moja kwa moja katika programu ya Grok, Grok Bot au ndani ya gari la Tesla ili kuanza mazungumzo. Watumiaji wa grok-voice-latest wameboreshwa kiotomatiki bila kuhitaji hatua yoyote.
Watengenezaji: Jisajili kwenye API Console ili kupata ufunguo, kisha fuata nyaraka rasmi kuita Voice Agent API na kuiunganisha kwenye programu yako.

Inaongoza kwa akili ya jumla: Ikiwa na alama 86.9, imeongoza katika orodha ya jumla ya kubadilisha sauti kuwa sauti ya Artificial Analysis, ikiwa mbele ya washindani katika uelekezaji wa sauti, kiwango cha kukamilisha kazi na upendeleo wa binadamu.
Ucheleweshaji unaoongoza sekta: Ucheleweshaji wa majibu ni chini ya sekunde 1, ukiwa chini kwa 40% kuliko GPT-Live-1 ya kiwango sawa, hivyo kutoa uwiano bora kati ya akili na kasi.
Gharama ndogo ya uendeshaji: Gharama ya kila kazi ni takriban dola 0.025, chini ya GPT-Live-1 na GPT-Realtime-2.1, huku bei ya API ikiwa sawa na toleo lililotangulia bila ongezeko.
Mwingiliano wa pande mbili wa asili: Imepata 97% kwenye Full Duplex Bench, na kushughulikia mapumziko, zamu na kuingiliana kwa karibu na uzoefu wa mazungumzo ya binadamu.
Imethibitishwa vizuri katika mazingira ya biashara: Imeongoza kwa usahihi wa 74% kwenye EVA-Bench. Majaribio ya Starlink yanaonyesha simu 20,000 kwa siku, 70% bila kuhitaji mhudumu, na robo ya simu za mauzo kuishia moja kwa moja kwa ununuzi.

Tovuti rasmi ya mradi: https://x.ai/news/grok-voice-3

Msaidizi wa sauti wa akili ndani ya gari (Tesla): Dereva hutumia gari bila mikono wakati wote, akitumia Connectors kuangalia ratiba na kujibu barua pepe, au Grok Bot kuagiza kahawa, kuweka nafasi ya chakula cha jioni na kukamilisha kazi nyingine tata. Kwa sasa, hushughulikia mamilioni ya mazungumzo ndani ya magari kila siku.
Kituo cha huduma kwa wateja wa biashara (Starlink): Huduma kwa wateja ya Starlink hutumia Grok Voice kupokea takriban simu 20,000 za lugha nyingi kila siku, ambapo karibu 70% hutatuliwa bila mhudumu. Wakala mmoja wa akili anaweza kujitegemea kuthibitisha utambulisho, kuchunguza hitilafu, kutoa marejesho ya fedha na kutuma vifaa mbadala.
Ubadilishaji wa mauzo kwa simu: Takriban robo ya simu za mauzo huishia kwa mteja kuagiza kabla ya kukata simu. Wakala wa sauti anaweza kukamilisha mapendekezo, kujibu maswali na mchakato wa muamala moja kwa moja ndani ya mazungumzo.
Msaidizi binafsi wa akili (hali ya sauti ya Grok Bot): Grok Voice 3.0 hutoa msingi wa hali ya sauti ya Grok Bot, ikiwezesha watumiaji kufanya mazungumzo ya asili na laini ya pande mbili kupitia programu ya simu, huku wakiruhusiwa kukatiza au kuendelea kuzungumza wakati wowote.