Grok Voice 3.0 og talende AI-agenter

Grok Voice 3.0 er en tale-til-tale-model, som kan føre samtaler og bruge digitale værktøjer undervejs. Opgraderingen forbedrer flere mål for samtale og opgaveløsning, men dokumenterer hverken fejlfri kundeservice eller en bestemt kvalitet på dansk. Et hurtigt mundtligt svar og en korrekt udført handling kræver forskellige kontroller.

Hvad er nyt i Grok Voice 3.0?

xAI lancerede Grok Voice 3.0 den 14. oktober 2026 med adgang gennem Voice Agent API. En API er den grænseflade, udviklere bruger til at forbinde modellen med deres egne programmer. Eksisterende integrationer med modelnavnet grok-voice-latest blev automatisk flyttet til den nye udgave.

Nyheden handler om en opgradering af den model, der indgår i talende assistenter. Den er ikke i sig selv en færdig telefonløsning med virksomhedens kundedata, adgangskontrol og procedurer. Lanceringen dokumenterer heller ikke, hvilke konti eller integrationer der konkret kan bruges i Danmark.

Hvordan adskiller tale-til-tale sig fra oplæsning?

En tekst-til-tale-model omsætter skrevet indhold til lyd. En tale-til-tale-løsning tager imod lyd og leverer et talt svar i en løbende samtale. Oplæsning er dermed én afgrænset funktion, mens samtalen også kræver forståelse, svar og håndtering af taleture.

Grok-dokumentationen beskriver tovejs udveksling af lyd og tekst over en vedvarende WebSocket-forbindelse. Det gør det muligt at sende og modtage små dele af samtalen undervejs. Betegnelsen beskriver grænsefladen; den fortæller ikke alene, hvordan modellens interne arkitektur er opbygget.

Når systemet også kan slå oplysninger op eller ændre noget i et andet program, fungerer det som en AI-agent. Stemmen er brugerfladen, mens værktøjerne forbinder samtalen med handlinger.

Hvad viser benchmarkresultaterne?

Artificial Analysis angiver pr. 15. oktober 2026 en indeksscore på 86,9 for Grok Voice 3.0. Indekset samler fire ligevægtede mål: ræsonnement i lydopgaver, agentisk opgaveløsning, menneskers præference og opgavesucces. Det er ikke en procentdel af alle spørgsmål, modellen besvarer korrekt.

På samme side står modellen til 71,6 procent i τ-Voice. Her spiller en simulator kunde i afgrænsede servicescenarier, mens agenten får værktøjer og regler. Evalueringen sammenholder blandt andet databasens afsluttende tilstand med det forventede resultat. Det er et andet mål end, om samtalen lyder naturlig.

Resultaterne understøtter sammenligning i de beskrevne testmiljøer. De dokumenterer ikke en tilsvarende løsningsgrad i en bestemt virksomheds telefonkø eller med dens lokale fagudtryk.

Hvad betyder en svartid på under ét sekund?

xAI fremhæver latenstid under ét sekund. Artificial Analysis måler 0,81 sekunder til første lyd for den nye model, mens forgængeren Grok Voice 2.0 står til 0,70 sekunder. Den nye udgave er altså ikke hurtigere på netop dette mål.

Tid til første lyd slutter, når svaret begynder. Det er hverken tiden til et fuldt svar eller til, at en booking er gennemført. En arbejdsplads kan derfor med fordel holde tre observationer adskilt: hvornår agenten begynder at tale, hvornår den giver det nødvendige svar, og hvornår en eventuel handling er bekræftet.

Hvorfor skal pauser og afbrydelser vurderes særskilt?

Full Duplex Bench undersøger samtalens rytme: pauser, skift mellem talere, afbrydelser og korte tilkendegivelser. Grok Voice 3.0 står til 97,0 procent på Artificial Analysis’ mål for samtaledynamik. Scoren handler ikke om juridisk eller faglig korrekthed.

Som tænkt eksempel kan en kunde sige: »Send den til min gamle adresse … nej, den nye.« En brugbar prøve undersøger både, om agenten lader kunden tale færdig, og hvilken adresse der faktisk ender i ordren. Et flydende svar kan godt følges af en forkert registrering.

Hvornår bliver et talt svar til en handling?

API’et understøtter blandt andet søgning og brugerdefinerede funktioner. En funktion kan forbinde agenten med en kalender eller et kundesystem. Udvikleren bestemmer integrationen; modellen får ikke automatisk adgang til alle organisationens programmer.

I en tænkt kundeserviceopgave kan agenten først finde en ordre og derefter foreslå en ændring. At finde ordren, at have ret til at ændre den og at gennemføre ændringen er tre forskellige trin. En praktisk afgrænsning kan være:

• Opslag returnerer kun de oplysninger, den aktuelle opgave kræver.
• Ændringer kræver kontrol af identitet, tilladelser og relevante betingelser.
• Systemet giver en særskilt bekræftelse, når handlingen faktisk er udført.

Det er en mulig indretning af arbejdsgangen, ikke en garanti i modelnavnet. Grænsen mellem opgaveløsning og utilsigtede agenthandlinger følger også de rettigheder, integrationen stiller til rådighed.

Hvad er dokumenteret om dansk tale?

Dansk fremgår ikke af API-dokumentationens eksplicitte liste over understøttede talesprog. Dokumentationen oplyser samtidig, at modellen kan føre samtaler på yderligere sprog med varierende præcision. Fraværet på listen dokumenterer derfor ikke, at dansk er umuligt; det giver heller ikke grundlag for at love samme kvalitet som på de nævnte sprog.

For kundeservice på dansk er relevante prøver eksempelvis navne, adresser, beløb, datoer og rettelser midt i en sætning. Et tydeligt udtalt svar er kun én observation. Prøven må også vise, om systemet har forstået den rigtige værdi og brugt den korrekt i den efterfølgende handling.

De gennemgåede kilder giver ikke særskilte danske benchmarkresultater. En mulig anvendelse på arbejdspladser afhænger derfor af lokal afprøvning samt adgangs- og datavilkår.

Hvordan kan en arbejdsplads afprøve en taleagent?

En afgrænset prøve med opdigtede kunder og testdata kan gøre forskellen mellem samtale og sagsbehandling synlig. Følgende forløb er et eksempel på en arbejdsprøve, ikke en certificering eller en dokumenteret egenskab ved Grok:

1. Lad agenten modtage en enkel forespørgsel uden at ændre data.
2. Gentag opgaven med en pause, baggrundsstøj og en mundtlig rettelse.
3. Kontrollér både det sagte svar og værdierne i testsystemet.
4. Afprøv et stop, mens en handling forberedes, og undersøg, om handlingen allerede er sendt.
5. Lad uklare eller afviste opgaver gå videre til en medarbejder.

Et mundtligt »jeg stopper« er i denne prøve ikke tilstrækkelig dokumentation for, at en påbegyndt ændring er annulleret. Det kræver kontrol af handlingens faktiske status. På samme måde bør en overdragelse vurderes på, om medarbejderen får de nødvendige oplysninger, ikke alene på agentens afsluttende formulering.

Hvilke persondataforhold følger med samtalen?

En telefonassistent kan indgå i en kæde af telefoni, modeltjeneste, logning og kundesystemer. Hvis samtalen indeholder personoplysninger, er databeskyttelse i kundeservice derfor et selvstændigt spørgsmål ved siden af svarkvalitet.

Datatilsynets cloudvejledning kræver overblik over hele leverandørkæden og de behandlinger, der foregår. EU-opbevaring afklarer ikke alene overførselsforholdene: adgang til at se oplysninger fra et tredjeland er også behandling og kan være en overførsel.

En konkret vurdering må blandt andet afklare, hvilke lyddata og udskrifter der behandles, af hvem, til hvilke formål og hvor længe. Modelopgraderingen dokumenterer ikke disse forhold for den enkelte integration og udgør ikke i sig selv dokumentation for GDPR-overholdelse.

Hvad koster modellen sammenlignet med en afsluttet sag?

Den officielle prisside angiver 0,08 amerikanske dollar pr. minut for Grok Voice 3.0. Den viser også en særskilt pris på 0,004 dollar pr. tekstinput og separate takster for værktøjer. Den fremhævede minutpris beskriver dermed ikke alle mulige dele af en integration.

For en telefonløsning kan en sammenligning eksempelvis omfatte:

• Modelbrug og eventuelle betalte værktøjskald.
• Telefoni, integration og teknisk drift.
• Medarbejdertid til overdragelser, kontrol og rettelser.

Det er poster til en konkret beregning, ikke oplyste tillæg, som alle kunder nødvendigvis betaler. En mulig kvalitetsmåling er udgiften pr. korrekt afsluttet sag. Den kan give et andet billede end udgiften pr. samtaleminut, hvis agenten bruger længere tid eller efterlader arbejde til en medarbejder.

Hvad betyder automatisk modelopdatering for driften?

Modelnavnet grok-voice-latest peger aktuelt på grok-voice-3.0. Dokumentationen beskriver også versionsnavne, så en integration kan vælge en bestemt udgave. Forgængeren grok-voice-2.0 er markeret som under udfasning.

Automatisk opdatering betyder, at samme integrationskode kan komme til at bruge en ny model. En praktisk følge er at gentage de relevante arbejdsprøver ved ændringen: svar, talværdier, stop, overdragelse og værktøjsresultater. Et forbedret gennemsnit på en benchmark afgør ikke, om alle disse dele fungerer som forventet i en eksisterende arbejdsgang.

Hvilke kilder ligger til grund?

Nyheden bygger på lanceringen af Grok Voice 3.0. Funktioner, sprog og modelnavne er kontrolleret i API-dokumentationen, og takster i den aktuelle prisoversigt. Målinger og deres afgrænsning følger Artificial Analysis’ taleevaluering. Dataansvar beskrives ud fra Datatilsynets cloudvejledning.