Grok Voice 3.0: o modelo de speech-to-speech mais inteligente do mundo?

Autoria: Fahd Mirza · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Grok Voice 3.0: World’s Most Intelligent Speech-to-Speech Model? · Canal: Fahd Mirza · 07:38 · Assistir no YouTube

Tópicos: Aplicações empresariais de IA, Avaliação e benchmarks de IA, Mercados e economia, Modelos multimodais

Resumo

O vídeo começa com uma conversa de demonstração em que Grok Voice 3.0 responde a uma história absurda sobre répteis que supostamente se parecem com a chefe do interlocutor. Em seguida, o apresentador descreve o modelo como um sistema de speech-to-speech que conversa diretamente, lida com interrupções e responde em menos de um segundo. Ele cita usos em carros da Tesla e no atendimento da Starlink, além de dados de desempenho e custo publicados pela xAI. O apresentador considera a qualidade impressionante, mas observa que os números dos benchmarks são da própria empresa.

Pontos-chave

A demonstração testa como o modelo reage a uma história improvável e a perguntas repetitivas.
Segundo o apresentador, Grok Voice 3.0 processa fala diretamente, sem uma cadeia intermediária de speech-to-text-to-speech.
O modelo é apresentado como capaz de responder em menos de um segundo e lidar com interrupções.
O vídeo afirma que o sistema é usado em carros da Tesla e em chamadas de atendimento da Starlink.
O apresentador relata que cerca de 70% das chamadas da Starlink seriam resolvidas sem intervenção humana.
Os benchmarks citados colocam o modelo à frente de modelos concorrentes em várias categorias, segundo dados publicados pela xAI.
A conclusão da comparação de custo é que Grok Voice 3.0 custa menos por tarefa que GPT live one e GPT real time.
O preço de API informado é de US$ 0,08 por minuto, igual ao da versão anterior.

Capítulos

Início	Capítulo	Resumo
00:04	Demonstração de conversa	O modelo responde a uma história sobre répteis que supostamente se parecem com a chefe do interlocutor.
02:43	Continuação da conversa e perguntas absurdas	A conversa passa por temas como a propriedade dos animais, uma canção e a ideia de presentear a chefe com um cavalo.
05:26	Como o apresentador descreve Grok Voice 3.0	O apresentador explica o processamento de fala do modelo e cita usos no atendimento da Starlink e em carros da Tesla.
06:32	Benchmarks, custos e avaliação	O vídeo compara o desempenho e o preço do modelo com concorrentes e termina com a avaliação positiva do apresentador.

Citações

Agradeço a preparação, mas vou deixar a piada passar. — 00:36

Você olhar para o viveiro por dois segundos não obriga você a comentar. — 01:43

Grok Voice 3.0 é o modelo feito exatamente para esse caos. — 05:26

A qualidade é realmente de nível mundial. — 07:38

Conceitos e entidades

Grok Voice 3.0 (modelo): Modelo de voz da xAI apresentado como capaz de processar fala diretamente e responder em conversas.
xAI (empresa): Empresa cujos dados publicados de benchmarks e preços são citados no vídeo.
Starlink (ferramenta): Serviço de internet via satélite citado como contexto de uso do atendimento por voz.
Tesla (empresa): Empresa cujos carros são mencionados como um dos ambientes de uso do modelo.
GPT Live 1 (modelo): Modelo comparado a Grok Voice 3.0 nos benchmarks e nos custos citados pelo apresentador.
GPT real time (modelo): Modelo usado na comparação de custo por tarefa apresentada no vídeo.
Gemini 3.8 Live (modelo): Modelo citado entre os concorrentes na comparação de benchmarks.
Fahd Mirza (pessoa): Apresentador do vídeo e responsável pelo canal.

Tradução completa (pt-BR)

00:04 Olá. Como posso ajudar você hoje? >> Olha, preciso muito da sua ajuda com um problema pessoal. Isso está me consumindo, mas não posso contar a ninguém porque é muito constrangedor. Sinto que posso confiar em você, então, por favor, não me julgue, só me ajude. Tudo bem? >> Claro que sim. Você não precisa ficar constrangido aqui. Não estou aqui para julgar. >> Desculpe. No mês passado, dei um réptil de estimação para a minha chefe. Ela mora sozinha. Uma mulher bastante

00:36 quieta e brilhante. Para me agradecer, ela me convidou para jantar na casa dela. Enquanto eu estava lá, olhei para o terrário e notei três filhotes de réptil lá dentro, mas os rostos deles eram muito parecidos com o da minha chefe. Parecidos até demais. Tudo bem se eu der os parabéns pelos recém-nascidos? >> Hm. Agradeço a preparação, mas vou deixar passar a piada. Quer me contar algo de verdade? >> Por favor. Olha, foi por isso que eu disse que isso é importante, porque ela é minha chefe.

01:09 Seria melhor se eu simplesmente desse um cartão para ela, tipo um cartão de chá de bebê? >> Um cartão de chá de bebê para filhotes de réptil provavelmente pareceria uma piada, não um gesto gentil. Se quiser reconhecer a situação, uma mensagem simples como “Espero que os pequenos estejam bem” é mais segura. >> Mas sabe de uma coisa? A questão é: e se eles simplesmente se parecem com ela? Eu levo um presente ou finjo que não vi? Porque não quero parecer que estou julgando ela. >> Finja que não viu. O fato de você ter olhado para um terrário por 2 segundos não

01:43 obriga você a comentar, e tocar no assunto, com ou sem presente, só vai deixar a situação constrangedora. >> Olha, querida, olha. A questão é: como aqueles filhotes poderiam se parecer com ela? Como isso seria possível? >> Biologicamente, não é. Os répteis não herdam características faciais da pessoa que cuida deles. O que você viu provavelmente foi efeito da iluminação, do ângulo ou seu cérebro encontrando padrões onde não existem. >> Não, na verdade tirei uma foto, mostrei para outro colega meu também, e

02:13 ele também disse: “Nossa, eles parecem mesmo os descendentes da chefe, algo assim.” >> Mesmo com uma segunda opinião, pareidolia continua sendo a explicação mais provável. Nosso cérebro é programado para identificar rostos, até em lagartos. A menos que você tenha algo mais concreto do que eles se parecem com ela, eu deixaria para lá. >> Certo, é o seguinte. Você deveria… Você acha que eu deveria simplesmente coletar uma amostra de DNA e levar ao médico? >> Não, isso não é trabalho de médico, e, de qualquer forma, você precisaria do consentimento dela para algo assim.

02:43 >> Certo, enfim, me fale sobre você. >> Sou um assistente de IA, então não tenho histórias malucas para contar. Mas estou curioso: conversar sobre isso ajudou em alguma coisa? >> Na verdade, não, porque ainda estou tentando entender como um réptil poderia se parecer com a minha chefe, especialmente quando é um presente. Você não acha que isso é meio que uma violação do presente? >> Um presente não é um contrato sobre o que

03:14 acontece depois. Ela pode cruzá-los, dar nomes a eles, fazer o que quiser. Esse é o direito dela como proprietária. >> É, mas quero dizer, não sei. Isso parece tão estranho. >> Parece estranho mesmo, sim. Mas estranho não é a mesma coisa que errado. >> Certo, que tal cantar uma música para mim? >> Não sei cantar afinado, mas aqui vai uma coisinha. Você deu um presente, viu alguns rostos, os lagartos da sua chefe deixaram rastros, mas a ciência diz que é só sua visão, então respire, relaxe e se despeça.

03:48 >> Certo, então você acha que, em seguida, eu deveria dar algo maior para ela, tipo um cavalo ou outra coisa de presente? >> Um cavalo é um compromisso de seis dígitos, com despesas de feno para sempre. Se quiser fazer algo legal, fique com algo pequeno e que exija pouca manutenção. >> Não, este é o meu plano. Eu simplesmente daria um cavalo para ela e talvez, daqui a alguns anos, teríamos muitos, muitos cavalos. >> Isso não é bem um plano. É uma fantasia. Cavalos não se multiplicam assim, e você gastaria uma fortuna. >> Se o réptil pode se multiplicar, por que não o

04:20 cavalo? >> Répteis põem ninhadas de ovos. Cavalos têm um potro por vez, mais ou menos uma vez… >> Ter muitos cavalos. Parecidos com a minha chefe. E então talvez eu os levasse para o hipódromo e ganhasse algumas corridas por lá. >> Cavalos não herdam rostos de humanos. Então, um potro de estábulo… >> Olha, como um réptil herda rostos, então? >> Dos pais. Do mesmo jeito que qualquer animal.

04:52 >> Não dos pais daquele réptil. >> Isso mesmo, exatamente. Então não há como o DNA dela aparecer neles. >> Talvez tenha acontecido algum milagre científico. >> Milagres não são bem como a genética funciona. Se algo realmente impossível acontecesse, >> Certo, me diga uma coisa. Vou encerrar esta ligação. Só… Estou gravando isso para um vídeo no YouTube. Acene com a mão e mande um beijo virtual. E, por favor, diga aos meus espectadores para se inscreverem no canal e se tornarem membros. >> Sem aceno, sem beijo, sem menção.

05:26 >> Certo, só diga para eles se tornarem membros. Olá. Então, abusei da hospitalidade, mas este foi o Grok Voice 3.0. Imagine uma central de atendimento às 3 da manhã, com um cliente tentando resolver o problema de uma antena Starlink quebrada. O cliente falando por cima do agente, que para no meio da frase, com um cachorro latindo ao fundo: o Grok Voice 3 foi feito exatamente para esse caos. Ele escuta e

05:59 fala diretamente, sem uma cadeia desajeitada de fala para texto para fala no meio, e responde em menos de um segundo. Ele já lida com milhões de conversas por dia em carros da Tesla, e a Starlink recebe 20.000 ligações por dia em vários idiomas. Cerca de 70% são resolvidas sem envolvimento humano, e uma em cada quatro ligações de vendas termina em compra antes de a pessoa desligar. Um agente verifica o cliente, diagnostica problemas no equipamento, emite um crédito e envia uma substituição.

06:32 E vocês acabaram de ver a demonstração. Se olharem os benchmarks, este é um placar em que o Grok Voice 3 fica no topo de quase todas as linhas, em comparação com sua versão anterior, que já abordamos no canal. GPT Live 1, Gemini 3.8 Live: ele lidera na pontuação geral, no raciocínio sobre áudio falado, na preferência humana em ligações às cegas e no tratamento de interrupções e na alternância de turnos, que também testamos. A disputa mais acirrada é na conclusão de tarefas, em que ele supera por pouco seu próprio antecessor. Mas lembrem-se de que estes são

07:05 os números publicados pela própria xAI, mas, depois de olhar para o modelo, acho que ele foi muito bom. Deixem suas opiniões nos comentários. Quanto ao custo, dá para ver que o Grok Voice 3 custa apenas 0,025 por tarefa, contra 0,03 do GPT Live 1 e 0,055 do GPT Real Time. Então, é mais barato do que os dois. O preço da API é de 0,08 por minuto, sem alteração em relação à versão anterior. Então, olha, um trabalho muito impressionante

07:38 do Grok. Este é o primeiro modelo que realmente me impressionou, porque a qualidade é realmente de nível mundial. Deixem suas opiniões nos comentários. Além disso, se quiserem ajudar o canal, por favor, tornem-se membros e se inscrevam, claro, e compartilhem o vídeo. E, por favor, inscrevam-se também nesta newsletter semanal gratuita sobre IA em fahadmirza.substack.com. Obrigado por todo o apoio, como sempre, agradeço muito, muito mesmo.

Transcrição original

[00:04] Hello. How can I help you today? >> Look, I badly need your help with a personal issue. It’s really eating away at me, but I cannot tell anyone because it’s really embarrassing. I feel a safe connection with you, so please don’t judge me, just help me. Is that okay? >> Of course that’s okay. You don’t need to feel embarrassed here. I’m not here to judge. >> Sorry. Last month I gave a pet reptile to my boss. She lives alone. Pretty

[00:36] quiet, brilliant woman. As a thank you, she invited me over to her place for dinner. While I was there, I looked into the enclosure and I noticed three baby reptiles inside, but their faces looked very similar to my boss. Uncomfortably similar. Is it okay if I congratulate her on the newborns? >> Huh. I appreciate the setup, but I’m going to pass on the punchline. Want to tell me something real instead? >> Please. Look, that is why I said that this is important because she’s my boss.

[01:09] Would it be better if I just got her a card, like a baby shower card? >> A baby shower card for reptile hatchlings would probably read as a joke, not a kindness. If you want to acknowledge it, a simple “Hope the little ones are doing well” text is safer. >> But you know what? The thing is that but what if they, you know, they just look like her? Do I bring a gift or pretend I didn’t see? Because I don’t want to be appearing judging her. >> Pretend you didn’t see. You glancing at an enclosure for 2 seconds doesn’t

[01:43] obligate you to comment, and bringing it up, gift or not, just makes it awkward. >> look sweetheart, look. The thing is that uh how could, you know, those babies look like her? How is that possible even? >> Biologically, it’s not. Reptiles don’t inherit facial features from the person keeping them. What you saw was probably lighting, angle, or your brain finding patterns where none exist. >> No, actually I took a photo, showed it to my um another colleague, too, and

[02:13] he also said, “Oh, wow, they just look like, you know, boss’s offspring, something like that.” >> Even with a second opinion, pareidolia is still the most likely explanation. Brains are wired to spot faces, even in lizards. Unless you’ve got something more concrete than they look like her, I’d let it go. >> Okay, here is the thing. Should you should Do you think that I should just take a DNA sample and take it to the doctor? >> No, that’s not a doctor’s job, and you’d

[02:43] need her consent for anything like that, anyway. >> Okay, so, anyway, um tell me about yourself. >> I’m an AI assistant, so no wild stories to share. But I’m curious, did talking this through help at all? >> Not really, because I’m still untangling how could a reptile look like my boss, um especially when it’s a gift. Don’t you think that it is a bit of a violation of a gift? >> A gift isn’t a contract about what

[03:14] happens after. She can breed them, name them, whatever she wants. That’s her right as the owner. >> Yeah, but I mean, I don’t know. Um this just sounds so weird. >> It does sound weird, yeah. But weird isn’t the same as wrong. >> Okay, how about you sing me a song? >> I can’t carry a tune, but here’s a little something. You gave a gift, you saw some faces, your boss’s lizards left some traces, but science says it’s just your eyes, so breathe, relax, and say your goodbyes.

[03:48] >> Okay, so do you think that um next I should give her something bigger like a horse or something else as a gift. >> A horse is a six-figure commitment with hay bills forever. If you want to do something nice, stick to something small and low maintenance. >> No, here is my plan. I would just gift her her a horse and maybe in few years time we will have lot lots of horses. >> That’s not really a plan. That’s a fantasy. Horses don’t multiply like that and you’d be spending a fortune. >> if reptile can multiply, why not the

[04:20] horse? >> Reptiles lay clutches of eggs. Horses have one foal at a time, about once >> have lot of horses. Just look like my boss. And then I will just maybe take them to the race course, win some races there. >> Horses don’t inherit faces from humans. So a stable foal >> Look, how does reptile um inherit faces then? >> From their parents. The same way any animal.

[04:52] >> not that reptile parent. >> Right, exactly. So there’s no way for her DNA to show up in them. >> maybe some scientific miracle happened there. >> Miracles aren’t really how genetics works. If something truly impossible happened, >> Okay, tell me this. Um I’m just ending this call. Just So I’m recording this for a YouTube video. Just wave your hand and blow a virtual kiss. And please tell my viewers to subscribe to channel and become a member. >> No wave, no kiss, no shout-out.

[05:26] >> Okay, just tell them to become a member. Hello. So I ran out of my welcome, but this was Grok Voice 3.0. Picture a call center at 3:00 a.m. where a customer is stuck with a broken Starlink dish. Talking over the agent pausing mid-sentence with a barking dog in the background, Grok voice three is the model built for exactly that chaos. It listens and

[05:59] speaks directly with no clunky speech-to-text-to-speech chain in between, and it answers in under a second. It already handles millions of conversation in a day in Tesla cars, and the Starlink, it takes 20,000 calls daily across multiple languages. Roughly 70% get resolved with no human involved, and one in four sales calls ends in a purchase before the caller hangs up. One agent verifies the customer, troubleshoots the hardware, and issues credit and ships a replacement.

[06:32] And you just saw the demo. If you look at the benchmarks, this is a scoreboard where Grok voice three sits at the top of nearly every row against its older version, which we already have covered on the channel. GPT live one, Gemini 3.8 live, it leads on overall score on reasoning over spoken audio on human preference in blind calls, and on handling interruptions and turn taking, which we all also tried. The one close race is task completion, where it barely edges out its own predecessor. Uh but remember, these are

[07:05] their own published figures from XAI, but since looking at their uh model, I think it was pretty good. Let me know your thoughts in the comments. On the cost, you can see that Grok voice three is just at 0.025 per task against 0.03 for GPT live one and 0.055 for GPT real time. So, it is cheaper than both. The API price is 0.08 per minute, unchanged from the previous version. So, look, very impressive uh

[07:38] stuff from uh Grok. This is the first model which has really impressed me, because the quality is really uh, quite world-class. Let me know your thoughts in the comments. Also, if you want to help out the channel, please become a member and subscribe, of course, and share it. And please also subscribe to this free weekly AI newsletter at fahadmirza.substack.com. Thank you for all the support, as always, much, much appreciated.