xAI wypuszcza Grok Voice 3.0 i po cichu przełącza na niego istniejące integracje

W środę 14 października xAI wypuściło Grok Voice 3.0, model głosowy dla agentów odbierających telefony, i od razu przestawiło na niego każdego, kto w kodzie wpisał alias grok-voice-latest. Nikt nie musiał niczego wdrażać ani potwierdzać, a jak podaje DevX, większość zespołów nie dostała nawet maila z ostrzeżeniem, więc kolejna rozmowa na takiej infolinii szła już przez nowy model. Moim zdaniem to jest właściwa wiadomość dla dewelopera, ważniejsza od pierwszego miejsca w rankingu, od którego firma zaczyna swój komunikat.

Jeden model zamiast trzech

Starsze boty głosowe składały się z trzech klocków: rozpoznawanie mowy zamieniało głos klienta na tekst, model językowy pisał odpowiedź, a synteza mowy ją czytała. Każde przekazanie między nimi dokładało opóźnienie i gubiło ton, przez co bot nie słyszał, że rozmówca jest zdenerwowany. Grok Voice robi wszystko w jednym przebiegu: słucha, myśli i mówi przez jedno stałe połączenie z serwerem, więc nie ma przekazań między klockami, a odpowiedź przychodzi szybciej. W trakcie rozmowy model może też wywołać funkcję z twojego kodu, na przykład sprawdzić w bazie status zamówienia, o które właśnie pyta klient. W ten sam sposób przeszuka wgrane dokumenty albo sięgnie do zewnętrznych narzędzi przez MCP, standard podłączania narzędzi do modeli, co dokładnie opisuje eesel. Wersja 3.0 zastępuje 2.0, którą firma oznaczyła już jako przestarzałą, choć nie podała daty jej wyłączenia.