AA Task Success Rate

Artificial Analysis 语音任务成功率：语音智能体在真实客服通话里把诉求办成的比例，是 AA Speech-to-Speech Index 的任务完成分项

基本信息

30 秒看懂

分数是任务完成百分比（越高越好），比 τ-Voice 更偏「办事成没成」而非「对话顺不顺」。它是 AA Speech-to-Speech Index 的第四个分项，不要和综合指数混读。2026-10 公开水位：Grok Voice 3.0 94.8%、Grok Voice 2.0 94.6%、Gemini 3.8 Live 89.1%、GPT-Live-1 (Astra) 87.4%——头部语音模型在这项上已经贴得很近，拉分主要靠索引与偏好项。

评分协议

这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。

模型发布采用时间轴

共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-10-19

2026

2026-10-14 xAI / Grok·国际

Grok Voice 3.0

模态音频·文本

xAI 发布 Grok Voice 3.0，官方定位为「世界上最智能的 speech-to-speech 模型」：在 Artificial Analysis 独立评测中登上语音综合指数第一，延迟低于一秒，成本低于其他前沿模型。已收录 7 条评测记录，集中在语音智能体能力与客户体验，亮点为 AA Speech-to-Speech Index 86.9 与 Big Bench Audio 98.5%。

语音到语音亚秒级延迟每分钟 $0.08客服场景规模化落地

查看模型变体与证据

AA Task Success Rate 94.8%

数据缺口（本页暂未收录）

• 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
• 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
• 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
• 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
• 测试集污染检测结论，以及是否已饱和的结构化标注

以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。

复现入口

相关评测（同类别）

引用

本页数据更新于 2026-10-19，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。