Ngày 14 tháng 10 năm 2026 (giờ Mỹ), SpaceXSI (trước đây là xAI) ra mắt mô hình AI "Grok Voice 3.0". Đây là mô hình "giọng nói sang giọng nói", nhận trực tiếp giọng nói của con người và trả lời bằng giọng nói, dùng để xây dựng các tác tử AI giao tiếp bằng giọng nói như trực tổng đài điện thoại hay trò chuyện trong ô tô. Mô hình dùng được qua "Voice Agent API" dành cho nhà phát triển ngay từ ngày ra mắt.
xAI, đơn vị phát triển Grok, trở thành "SpaceXAI" sau khi được SpaceX mua lại, và từ tháng 10 bắt đầu dùng tên "SpaceXSI". Trang thông báo lần này cũng được đăng dưới tên "SpaceXSI".
Grok Voice 3.0 là gì
Phần lớn AI giọng nói trước đây phải qua nhiều bước: chuyển giọng nói thành chữ, tạo câu trả lời dạng văn bản, rồi chuyển văn bản đó lại thành giọng nói. Các mô hình giọng nói sang giọng nói như Grok Voice 3.0 hiểu và trả lời trực tiếp bằng giọng nói, nên thời gian chờ ngắn và dễ tiến gần tới cuộc hội thoại tự nhiên. SpaceXSI cho biết thời gian để có câu trả lời là dưới 1 giây.
Theo tài liệu dành cho nhà phát triển, các ứng dụng dùng thiết lập luôn trỏ tới phiên bản mới nhất (grok-voice-latest) sẽ tự động chuyển sang Grok Voice 3.0. Phiên bản trước là Grok Voice 2.0 đã bị chuyển sang trạng thái không còn khuyến nghị (deprecated, tức không khuyến khích dùng tiếp trong tương lai).
Giá
Giá là 0,08 USD mỗi phút (4,80 USD mỗi giờ), bằng Grok Voice 2.0. SpaceXSI cho biết trên "Big Bench Audio", bài đánh giá giọng nói của Artificial Analysis, chi phí cho mỗi tác vụ vào khoảng 0,025 USD, rẻ hơn GPT-Live-1 (0,030 USD) và GPT-Realtime-2.1 (0,055 USD) của OpenAI được đưa ra so sánh.
Đánh giá hiệu năng
Các kết quả chính SpaceXSI giới thiệu trong thông báo như sau:
- Artificial Analysis Speech-to-Speech Index: 86,9, xếp thứ 1. GPT-Live-1 của OpenAI đạt 83,2, Gemini 3.8 Live của Google đạt 82,6
- Full Duplex Bench (đánh giá hội thoại tự nhiên, như ngắt lời hoặc bị ngắt lời): 97%
- τ-Voice (đánh giá khả năng hoàn thành công việc được yêu cầu bằng giọng nói): 71,6%. Ở hạng mục này GPT-Live-1 của OpenAI (74,5%) vượt lên, còn Gemini 3.8 Live của Google đạt 68,6%
- EVA-Bench (bài đánh giá tác tử giọng nói cho doanh nghiệp của ServiceNow): tỷ lệ trả lời đúng 74%
Ngoài EVA-Bench, các con số còn lại đến từ "Artificial Analysis", trang đánh giá độc lập chuyên so sánh các mô hình AI.
Cách sử dụng trong thực tế
Theo SpaceXSI, Grok Voice hiện đã xử lý hàng triệu cuộc hội thoại mỗi ngày trên xe của Tesla, cũng là công ty của Elon Musk. Ngoài ra, tại bộ phận hỗ trợ của dịch vụ internet vệ tinh Starlink, mô hình giải quyết khoảng 70% trong số khoảng 20.000 cuộc gọi mỗi ngày mà không cần nhân viên tiếp nhận thay.
Góc nhìn của ban biên tập CoAI
Grok Voice 3.0 không phải tính năng trong ứng dụng cho người dùng phổ thông, mà là API để doanh nghiệp và nhà phát triển xây dựng tổng đài hay trợ lý bằng giọng nói. Công ty cho biết đã nâng hiệu năng mà vẫn giữ nguyên giá, nên các doanh nghiệp đang cân nhắc tổng đài tự động có thêm ứng viên để so sánh. Ngay hôm sau, OpenAI cũng cập nhật mô hình giọng nói của ChatGPT, cho thấy cuộc cạnh tranh về AI giọng nói đang ngày càng gay gắt.
Mặt khác, ở một số hạng mục mô hình của OpenAI vẫn vượt trội, nên Grok Voice 3.0 không hẳn hơn ở mọi mặt. Công ty cũng chưa cho biết khi nào tính năng trò chuyện bằng giọng nói trong ứng dụng Grok chuyển sang mô hình mới, hay mô hình nói tiếng Nhật tự nhiên đến mức nào, nên nếu dùng cho tổng đài tiếng Nhật, cần thử với hội thoại thực tế để kiểm chứng.
