Grok Voice 3.0 Đang hoạt động

Grok Voice 3.0 là mô hình chuyển giọng nói sang giọng nói đầu cuối do SpaceXSI phát triển, đứng đầu bảng xếp hạng tổng hợp giọng nói của tổ chức kiểm thử độc lập Artificial Analysis với 86,9 điểm, độ trễ phản hồi dưới 1 giây, chi phí mỗi tác vụ khoảng 0,025 đô la, thấp hơn các sản phẩm cùng phân khúc. Hiện mô hình hỗ trợ hàng triệu cuộc hội thoại trong xe Tesla mỗi ngày; trung tâm chăm sóc khách hàng Starlink xử lý 20 nghìn cuộc gọi đa ngôn ngữ mỗi ngày, trong đó khoảng 70% được giải quyết mà không cần nhân viên can thiệp.

Hội thoại giọng nói đầu cuối: Hỗ trợ nhận đầu vào bằng giọng nói và tạo đầu ra bằng giọng nói trực tiếp, không cần chuyển qua văn bản, mang lại trải nghiệm tương tác người-máy tự nhiên, mượt mà theo thời gian thực.
Tương tác song công toàn phần: Có thể xử lý thông minh khoảng dừng, chuyển lượt thoại và lời xen ngang; người dùng có thể ngắt lời bất cứ lúc nào, mô hình phản hồi tự nhiên và không cứng nhắc.
Thực hiện tác vụ phức tạp: Kết hợp với Connectors và Grok Bot, mô hình có thể kiểm tra lịch, trả lời email, đặt cà phê, đặt chỗ ăn tối và thực hiện các thao tác rảnh tay khác.
Năng lực chăm sóc khách hàng doanh nghiệp: Một tác nhân duy nhất có thể hoàn tất quy trình xác minh danh tính khách hàng, chẩn đoán lỗi phần cứng, hoàn tiền và gửi thiết bị thay thế.
Hỗ trợ đa ngôn ngữ: Trung tâm chăm sóc khách hàng Starlink tiếp nhận khoảng 20 nghìn cuộc gọi của khách hàng bằng nhiều ngôn ngữ mỗi ngày.

Kiến trúc chuyển giọng nói sang giọng nói đầu cuối: Trợ lý giọng nói truyền thống sử dụng quy trình nhiều mô-đun nối tiếp gồm ”nhận dạng giọng nói→hiểu văn bản→tạo văn bản→tổng hợp giọng nói”, khiến thông tin bị hao hụt qua từng bước và độ trễ tích lũy. Grok Voice 3.0 sử dụng mô hình hóa trực tiếp từ giọng nói sang giọng nói. Sau khi tín hiệu âm thanh đi vào mô hình, nó không qua biểu diễn văn bản trung gian mà trực tiếp tạo ra phản hồi bằng giọng nói, giảm lỗi nối tiếp. Đây là nền tảng kiến trúc giúp rút ngắn độ trễ phản hồi đầu tiên xuống dưới 1 giây.
Mô hình hóa hội thoại song công toàn phần: Mô hình có thể đồng thời xử lý việc lắng nghe và tạo phản hồi. Bộ mã hóa dạng luồng liên tục thu nhận luồng âm thanh của người dùng, kết hợp phân tích khoảng dừng, từ đệm và hành vi xen lời để linh hoạt quyết định khi nào tiếp tục nói, khi nào nhường lượt. Mô hình đạt 97% trên Full Duplex Bench, là nền tảng cốt lõi cho trải nghiệm tương tác trên xe không cần đánh thức và có thể ngắt lời.
Kết hợp suy luận giọng nói với năng lực tác nhân: Mô hình ghép nối khả năng hiểu âm thanh với năng lực suy luận và lập kế hoạch của mô hình ngôn ngữ lớn. Sau khi giọng nói của người dùng được phân tích thành ý định tác vụ, khung tác nhân tích hợp sẽ gọi các công cụ bên ngoài như Connectors hoặc Grok Bot để xử lý lịch, email, đặt hàng và các tác vụ khác, rồi phản hồi kết quả bằng giọng nói tự nhiên, hình thành vòng khép kín ”nghe hiểu—lập kế hoạch—thực hiện—phản hồi”. Đây là lý do mô hình có thể độc lập hoàn tất các thao tác như hoàn tiền và gửi thiết bị thay thế trong bối cảnh chăm sóc khách hàng.

Người dùng phổ thông: Mở trực tiếp chế độ giọng nói trong ứng dụng Grok, Grok Bot hoặc trên xe Tesla để trò chuyện; người dùng grok-voice-latest đã được tự động nâng cấp và không cần thao tác.
Nhà phát triển: Đăng ký API Console để lấy khóa, sau đó gọi Voice Agent API theo tài liệu chính thức nhằm tích hợp vào ứng dụng.

Dẫn đầu về trí thông minh tổng thể: Đứng đầu bảng xếp hạng tổng hợp chuyển giọng nói sang giọng nói của Artificial Analysis với 86,9 điểm, vượt trội toàn diện các sản phẩm cạnh tranh về suy luận giọng nói, tỷ lệ hoàn thành tác vụ và mức độ yêu thích của con người.
Độ trễ dẫn đầu ngành: Độ trễ phản hồi dưới 1 giây, thấp hơn 40% so với GPT-Live-1 cùng phân khúc, đạt sự cân bằng tối ưu giữa trí thông minh và tốc độ.
Chi phí vận hành thấp hơn: Chi phí mỗi tác vụ khoảng 0,025 đô la, thấp hơn GPT-Live-1 và GPT-Realtime-2.1; giá API cũng giữ nguyên như thế hệ trước, không tăng.
Tương tác song công toàn phần tự nhiên: Đạt 97% trên Full Duplex Bench, xử lý khoảng dừng, chuyển lượt và lời xen ngang gần với trải nghiệm hội thoại của con người.
Được kiểm chứng đầy đủ trong môi trường doanh nghiệp: Đứng đầu EVA-Bench với độ chính xác 74%; thử nghiệm thực tế tại Starlink cho thấy hệ thống tiếp nhận 20 nghìn cuộc gọi mỗi ngày, 70% không cần nhân viên và một phần tư cuộc gọi bán hàng kết thúc bằng giao dịch ngay.

Trang web dự án: https://x.ai/news/grok-voice-3

Trợ lý giọng nói thông minh trên xe (Tesla): Người lái xe có thể rảnh tay trong suốt hành trình, sử dụng Connectors để kiểm tra lịch, trả lời email hoặc dùng Grok Bot để đặt cà phê, đặt chỗ ăn tối và thực hiện các tác vụ phức tạp khác. Hiện hệ thống xử lý hàng triệu cuộc hội thoại trong xe mỗi ngày.
Trung tâm chăm sóc khách hàng doanh nghiệp (Starlink): Trung tâm chăm sóc khách hàng Starlink sử dụng Grok Voice để tiếp nhận khoảng 20 nghìn cuộc gọi đa ngôn ngữ mỗi ngày; khoảng 70% được giải quyết mà không cần nhân viên can thiệp. Một tác nhân duy nhất có thể độc lập thực hiện xác minh danh tính, chẩn đoán lỗi, hoàn tiền và gửi thiết bị thay thế.
Chuyển đổi cuộc gọi bán hàng: Khoảng một phần tư cuộc gọi bán hàng hoàn tất đơn hàng trước khi khách hàng gác máy; tác nhân giọng nói có thể trực tiếp hoàn tất quy trình giới thiệu, giải đáp và giao dịch trong cuộc hội thoại.
Trợ lý cá nhân thông minh (chế độ giọng nói Grok Bot): Grok Voice 3.0 cung cấp nền tảng cho chế độ giọng nói của Grok Bot, cho phép người dùng thực hiện hội thoại song công toàn phần tự nhiên, mượt mà qua ứng dụng điện thoại, có thể ngắt lời và tiếp lời bất cứ lúc nào.