SpaceXAI выпустила Grok Voice 3.0 по цене $0,08 за минуту

Подробно

Что известно о запуске Grok Voice 3.0?

Официальный анонс SpaceXAI опубликовала 14 октября 2026 года. Grok Voice 3.0 - нативная модель speech-to-speech: она принимает и возвращает аудио в реальном времени. Это коммерческий запуск, а не предварительный показ или закрытое тестирование: модель уже доступна в Speech-to-Speech/Voice Agent API.

В анонсе компания называет новинку так:

«Сегодня мы представляем Grok Voice 3.0 - самую интеллектуальную в мире модель speech-to-speech».

Это маркетинговое заявление разработчика. Независимо подтверждено только первое место в текущей версии Speech-to-Speech Index от Artificial Analysis.

За модель отвечает SpaceXAI LLC. SpaceX объявила о приобретении xAI 2 февраля 2026 года, а в июне консоль разработчика сменила название на SpaceXAI. Домен и API при этом по-прежнему работают на x.ai.

Сколько стоит Grok Voice 3.0 в API?

По официальному прайсу SpaceXAI, Grok Voice 3.0 стоит $0,08 за минуту аудио, то есть $4,80 за час. Столько же стоила Grok Voice 2.0. Это цена использования модели в API, а не стоимость подписки или готового колл-центра.

Другие детали тарификации:

• отдельное текстовое входное событие conversation.item.create стоит $0,004;
• выводы инструментов function_call_output и текстовые события с аудиоконтентом по этой ставке отдельно не оплачиваются;
• при стандартном серверном определении конца реплики (server_vad) оплачивается вся длительность сессии;
• в режиме push-to-talk оплачивается только реально отправленное и полученное аудио;
• использование некоторых инструментов оплачивается отдельно от голосового тарифа.

Для сравнения: когда в декабре 2025 года Grok Speech-to-Speech API стал общедоступным, минута аудио стоила $0,05.

Как подключить grok-voice-3.0 и что умеет модель?

У фиксированной версии идентификатор grok-voice-3.0. Псевдоним grok-voice-latest 14 октября переключили на новую модель. В примечаниях к выпуску говорится:

«grok-voice-latest теперь указывает на grok-voice-3.0, поэтому сессии с этим псевдонимом обновляются автоматически. API не изменился».

Grok Voice 2.0 с того же дня считается устаревшей. Для перехода документация советует указать grok-voice-3.0 или grok-voice-latest.

Технические параметры из документации:

• аудио и текст в обе стороны передаются через WebSocket, на входе и выходе - текст и аудио;
• поддерживаются форматы PCM, G.711 μ-law, G.711 A-law и Opus, для телефонии есть подключения по SIP и LiveKit;
• модель вызывает пользовательские функции и серверные инструменты: веб-поиск, поиск по X, поиск по коллекциям и удалённые MCP-инструменты;
• одна команда может держать до 10 одновременных сессий, одна сессия длится до 120 минут.

В части закэшированных фрагментов отдельной страницы документации целью grok-voice-latest ещё значилась модель grok-voice-think-fast-2.0. Более свежие примечания к выпуску и таблица цен однозначно указывают на grok-voice-3.0: по всей видимости, часть документации просто обновили с задержкой.

Какие результаты показала Grok Voice 3.0 в рейтинге Artificial Analysis?

По данным Artificial Analysis, Grok Voice 3.0 набрала 86,9 балла в Speech-to-Speech Index. У Grok Voice 2.0 было 81,3, то есть прирост составил 5,6 пункта. Результаты по отдельным компонентам:

• Speech Reasoning (Big Bench Audio) - 98,5%, в сводной таблице округлено до 99%;
• Agentic Performance (τ-Voice) - 71,6%;
• Task Success Rate - 94,8%;
• Speech Agent Arena - 1070 Elo;
• Conversational Dynamics (Full Duplex Bench) - 97,0%, но этот тест с августа 2026 года в итоговый индекс не входит.

Текущая версия индекса (v2.0) складывается из четырёх компонентов с равным весом по 25%: Speech Reasoning, Agentic Performance на τ-Voice, преобразованная оценка предпочтений Arena и Task Success Rate. В индекс попадают только модели, у которых есть результаты по всем четырём компонентам.

Как Grok Voice 3.0 выглядит на фоне GPT-Live-1 и Gemini?

В сравнении из анонса SpaceXAI сводный индекс выглядит так: Grok Voice 3.0 - 86,9, GPT-Live-1 (Astra, Medium) - 83,2, Gemini 3.8 Live Extended Thinking (High) - 82,6, Grok Voice 2.0 - 81,3.

Но лидерство относится именно к составному индексу, а не ко всем испытаниям. В агентском тесте τ-Voice GPT-Live-1 (Astra, Medium) набрала 74,5% против 71,6% у Grok Voice 3.0. В живой Speech Agent Arena у Grok Voice 3.0 рейтинг 1070±28 Elo на основе 637 учтённых образцов. Номинально это третье место, а статистический диапазон мест - со второго по шестое. Номинальный лидер этой таблицы - Gemini 3.1 Flash Live Minimal с 1100±27 Elo.

Насколько быстро отвечает Grok Voice 3.0?

Artificial Analysis измерила среднее время до первого аудиофрагмента на Big Bench Audio: 0,81 секунды. Это подтверждает формулировку «менее секунды», но предыдущая Grok Voice 2.0 в том же тесте отвечала быстрее - за 0,70 секунды.

Автор Kingy.ai Кёртис Пайк отмечает, что результат τ-Voice вырос с 56,5% до 71,6%, а задержка увеличилась. По его оценке, прирост в выполнении задач значительный, но прежде чем переводить на модель реальный трафик, стоит проверить хвостовую задержку, характер ошибок и ограничения конкретной интеграции.

Как устроены бенчмарки, по которым оценивали модель?

Big Bench Audio состоит из 1000 аудиовопросов: по 250 заданий в категориях Formal Fallacies, Navigate, Object Counting и Web of Lies. Вопросы озвучены 23 синтетическими голосами, а ответы модели автоматически проверяются на правильность.

τ-Voice проверяет, как модель решает реалистичные задачи поддержки в авиаперевозках, рознице и телекоме. Клиента изображает GPT-4.1, его реплики озвучивает ElevenLabs, распознаёт Deepgram Nova-3, а проверки на естественном языке тоже оценивает GPT-4.1. Работа по τ-Voice опубликована в трудах ICML 2026.

Full Duplex Bench оценивает, как модель обрабатывает паузы, вовремя ли вступает в разговор, как реагирует на перебивания и короткие подтверждающие реплики вроде «yeah» или «mm-hmm». В августе 2026 года Artificial Analysis исключила его из итогового балла и заменила на Task Success Rate. Поэтому 82,9 балла, которые были в анонсе Grok Voice 2.0, и нынешние 81,3 нельзя считать ухудшением: это результаты по разным версиям методики.

Кроме того, SpaceXAI сообщает, что на EVA-Bench от ServiceNow модель показала точность 74% и лучшее сочетание точности и пользовательского опыта. Нитин Аггарвал, старший директор по управлению продуктами (Agentic Evals and RAI) в ServiceNow, заявил в анонсе разработчика:

«Grok Voice 3.0 задаёт новый фронт Парето на EVA-Bench - открытом бенчмарке ServiceNow, который оценивает голосовых агентов по точности и качеству взаимодействия в более чем 200 реалистичных корпоративных сценариях».

ServiceNow - автор этого бенчмарка. На публичной странице статьи EVA-Bench, заявленной как доклад EMNLP 2026, отдельной таблицы с результатом Grok Voice 3.0 нет, поэтому цифра 74% пока не воспроизведена независимо. EVA-Bench включает 213 сценариев в трёх корпоративных областях и тесты на устойчивость к акцентам и шуму. По данным авторов, ни одна из 12 протестированных систем не превысила одновременно 0,5 по обеим ключевым метрикам, а акценты и шум выявили серьёзные провалы в устойчивости.

Как Grok Voice 3.0 используют в Tesla и Starlink?

По заявлению SpaceXAI, Grok Voice 3.0 ежедневно ведёт миллионы разговоров в автомобилях Tesla. Водители голосом управляют подключёнными сервисами, а Grok Bot выполняет более сложные действия, например заказывает кофе или бронирует столик.

Колл-центры Starlink, по данным компании, обрабатывают с помощью Grok Voice около 20 000 звонков в день на нескольких языках. Один агент может проверить клиента, продиагностировать оборудование, оформить компенсацию и отправить замену. В анонсе сказано:

«Примерно 70% обращений решаются без участия человека, а каждый четвёртый звонок в отдел продаж заканчивается покупкой до того, как абонент повесит трубку».

Все эти показатели - заявления самой SpaceXAI. Методика подсчёта, период наблюдений, география, размер выборки и результаты независимого аудита не опубликованы. Основатель и CEO CellCog Нитиш Гарг тоже называет статистику Starlink заявлением компании без независимой проверки.

Поддерживает ли Grok Voice 3.0 русский язык и доступна ли она в России?

По документации, модель поддерживает больше 20 языков, сама определяет язык собеседника и отвечает на нём же. Русский язык есть в официальном списке.

Доступность API из России не подтверждена. Полного открытого списка поддерживаемых стран SpaceXAI не публикует, а документация предупреждает, что доступ зависит от географии и ограничений аккаунта. Можно ли из России зарегистрировать аккаунт, пополнить баланс и вызвать модель, неизвестно. Вычислительным регионом модели в документации указан us-east-1. Отдельный endpoint us.api.x.ai, который гарантирует обработку в США, голосовые API не поддерживает.

Как развивалась линейка Grok Voice?

• 16 декабря 2025 года - Grok Speech-to-Speech API стал общедоступным, официальный анонс вышел 17 декабря: $0,05 за минуту, первый звук менее чем через секунду, совместимость со спецификацией OpenAI Realtime API.
• 23 апреля 2026 года - вышла Grok Voice 1.0 для многошаговых сценариев поддержки, продаж и корпоративных приложений.
• 29 июля 2026 года - анонсирована Grok Voice 2.0 с улучшенными рассуждениями по речи, распознаванием и разговорными возможностями; grok-voice-latest планировалось переключить на неё 5 августа.
• 14 октября 2026 года - вышла Grok Voice 3.0, Voice 2.0 объявлена устаревшей.

Полноценных отзывов разработчиков о работе модели под долгой производственной нагрузкой пока почти нет: с релиза прошло меньше суток. Большинство публикаций пересказывают анонс и таблицу Artificial Analysis.