Grok Voice 3.0 néven új beszédből beszédbe dolgozó modellt adott ki a SpaceXSI, a korábbi xAI mesterséges intelligencia-részlege. A generatív mesterséges intelligencia az Artificial Analysis független Speech-to-Speech Indexén 86,9 pontos eredménnyel került az első helyre, miközben a fejlesztők már üzleti telefonos ügynökökbe is beépíthetik.
A SpaceXSI október 14-én jelentette be a Grok Voice 3.0 modellt, amely azonnal elérhetővé vált a Voice Agent API-n keresztül. A szolgáltatás ára percenként 0,08 dollár, vagyis óránként 4,80 dollár, ami megegyezik az előző Grok Voice-változat árával. Azoknál a fejlesztőknél, akik a mindig legfrissebb modellre mutató grok-voice-latest verziót használják, a váltás automatikusan megtörténik.
A modell nem előbb leírja a beszédet, majd külön rendszerrel felolvassa az elkészített választ, hanem közvetlenül beszédből beszédbe dolgozik. Ennek különösen telefonos ügyfélszolgálatnál lehet jelentősége, ahol nemcsak a válasz tartalma számít, hanem a reakció gyorsasága, a félbeszakítások kezelése, a természetes szünetek és az, hogy a rendszer mennyire képes megtartani egy valódi beszélgetés ritmusát. A SpaceXSI egy másodperc alatti késleltetést emel ki a modell egyik fő előnyeként.
A független Artificial Analysis Speech-to-Speech Indexén a Grok Voice 3.0 86,9 pontot ért el, miközben az OpenAI GPT-Live-1 modellje 83,2, a Google Gemini 3.8 Live rendszere pedig 82,6 pontot kapott a vizsgált beállítások mellett. A beszélgetések megszakításait és természetességét mérő Full Duplex Bench teszten a Grok 97 százalékot ért el. Ezek több szempontot összesítő benchmarkok, ezért az első hely nem jelenti azt, hogy a modell minden hangalapú feladatban jobb valamennyi versenytársánál.
Olvasd el: Világszerte megkapja az Intelligent UI-t a ChatGPT generatív mesterséges intelligencia rendszere
A következő ügyfélszolgálati automatizálási hullámot már nem a chatbotok, hanem az emberhez hasonlóan beszélő mesterséges intelligencia ügynökök indíthatják el?
A SpaceXSI szerint a technológia már jelentős valós forgalmat kezel. A vállalat közlése alapján a Starlink ügyfélszolgálatán naponta körülbelül 20 ezer hívásban használják a Grok Voice rendszerét több nyelven, és nagyjából 70 százalékuk emberi beavatkozás nélkül lezárható. A cég azt is állítja, hogy az értékesítési hívások körülbelül negyedében még a beszélgetés befejezése előtt vásárlás történik. Ezek a SpaceXSI saját üzemi adatai, nem függetlenül auditált teljesítménymérések.
A Grok Voice 3.0 ugyanakkor nem nyert meg minden vizsgálatot. Az erős akcentusokat, háttérzajt és megszakításokat tartalmazó ügyfélszolgálati hívásokat mérő τ-Voice benchmarkon 71,6 százalékos eredményt ért el, miközben a GPT-Live-1 74,5 százalékot kapott. Egy vállalkozás számára ráadásul a modell pontossága csak az egyik tényező: a személyes adatok kezelése, a hibás műveletek megelőzése, az emberhez történő átadás és a beszélgetések ellenőrizhetősége legalább ennyire fontos.
A fejlemény valódi jelentősége ezért nem pusztán egy új benchmarkelsőség. A hangalapú generatív mesterséges intelligencia egyre inkább olyan infrastruktúrává válik, amely valós időben fogadhat hívásokat, információt kereshet, ügyet intézhet és más rendszerekkel összekapcsolva műveleteket is végrehajthat. Ha a késleltetés, az ár és a megbízhatóság egyszerre tovább javul, az ügyfélszolgálati MI-verseny következő szakaszában már az lehet a fő kérdés, hogy egy gépi beszélgetés mennyire képes végigvinni egy valódi ügyet, nem pedig az, hogy mennyire hangzik emberinek.
Olvasd el ezt is: Valódi kódbázisokon tanult dolgozni a JetBrains új generatív mesterséges intelligencia modellje
Források: SpaceXSI, Artificial Analysis, SiliconANGLE
CS.SZ.
