Компания xAI 14 октября 2026 года выпустила Grok Voice 3.0 — речевую модель в формате speech-to-speech, которая слушает и отвечает голосом без промежуточного текста и, по заявлению компании, реагирует быстрее чем за секунду. По данным Artificial Analysis от 13 октября 2026 года, модель возглавила Speech-to-Speech Index с 86,9 балла, опередив GPT-Live-1 от OpenAI и Gemini 3.8 Live от Google, хотя на сценарных звонках в поддержку она конкуренту уступила. Grok Voice 3.0 уже обслуживает звонки в поддержке Starlink и доступна через Voice Agent API по прежней цене, однако русский язык пока не поддерживает.

image
image
image

Что произошло

Релиз состоялся сразу в промышленной доступности: модель открыта через Voice Agent API без изменения цен — 8 центов за минуту, или 4,80 доллара за час, а все агенты на алиасе grok-voice-latest были автоматически переведены на новую версию. Grok Voice 3.0 воспринимает голос собеседника и отвечает голосом напрямую, без промежуточной конвертации в текст, и xAI заявляет, что отклик модели укладывается быстрее чем в секунду. В зачёте Speech-to-Speech Index, опубликованном агрегатором Artificial Analysis 13 октября 2026 года, модель набрала 86,9 балла против 83,2 у GPT-Live-1 от OpenAI и 82,6 у Gemini 3.8 Live от Google. На Full Duplex Bench она показала 97,0%, но на tau-Voice получила 71,6% против 74,5% у GPT-Live-1 — при этом её задержка в этом сценарии оказалась на 40% ниже. xAI также указывает на живую эксплуатацию: модель работает в автомобилях Tesla и отвечает в поддержке Starlink, где принимает около 20 000 звонков в день и примерно 70% из них решает без участия человека.

Контекст

Голосовых агентов обычно собирают из цепочки: автоматическое распознавание речи, языковая модель для генерации ответа и синтез голоса. Каждый каскадный этап добавляет задержку и вместе с ней стирает живые особенности разговора — паузы, перебивания, смену темы на полуслове. Формат speech-to-speech устраняет промежуточные конвертации: сеть слушает звук и сразу говорит, поэтому её главные преимущества — низкая латентность и естественное поведение в диалоге. Прямыми соперниками Grok Voice 3.0 выступают GPT-Live-1 от OpenAI и Gemini 3.8 Live от Google, а независимые сравнения речевых моделей публикует Artificial Analysis: его сводный Speech-to-Speech Index и сценарные зачёты задают общепринятую структуру этих сравнений, где Full Duplex Bench проверяет работу с паузами и перебиваниями, а tau-Voice симулирует звонки в поддержку. По этой причине показатели живой эксплуатации в Starlink значат для оценки больше, чем синтетические прогоны, потому что это счёт реальных диалогов с реальными клиентами, а не лабораторных тестов.

Почему это важно для индустрии

По данным Artificial Analysis, Grok Voice 3.0 стала первым публичным speech-to-speech движком, который одновременно лидирует по качеству диалога и по стоимости задачи — примерно 0,025 доллара против около 0,030 доллара у GPT-Live-1, что в сочетании с прежним ценником API делает модель дефолтным выбором для англоязычных голосовых агентов. Подтверждённое развёртывание в Starlink показывает, что голосовые агенты уже перешли из демо-стадии в массовую эксплуатацию в поддержке и продажах, и ориентир «около 70% звонков без человека» подтолкнёт новые компании к пилотам. Техническим командам стоит пересчитать латентностный бюджет: speech-to-speech убирает каскадные этапы распознавания и синтеза, старые тайминги неактуальны, а перебивания и паузы доступны без собственного кода управления очередностью реплик. На горизонте полугода вероятны ответные шаги OpenAI и Google по задержке и цене, возможное расширение языкового покрытия xAI и первое независимое воспроизведение цифр Artificial Analysis, при этом сценарные тесты вроде tau-Voice, вероятно, начнут весить больше агрегированных индексов. Если уровень около 70% автономных решений воспроизведётся у других операторов, голос перестроит экономику поддержки: человек останется обработчиком эскалаций, а дифференциация продуктов сместится от «какой движок» к доменным знаниям, памяти и интеграциям.

Почему это важно для пользователей

Тем, кто уже собрал голосовых агентов на алиасе grok-voice-latest, обновление досталось автоматически и без изменения условий, но перед продолжением эксплуатации стоит проверить регрессии поведения в проде, потому что характер ответов модели изменился. Новые пилоты поддержи запускаются без смены контракта: 4,80 доллара за час работы против часа живого оператора делают пробы дешёвыми. Немедленно открываются и UX-возможности: естественные перебивания и паузы в диалоге работают без собственного кода управления репликами, а конечному пользователю англоязычного сервиса агент отвечает почти мгновенно и ведёт себя как собеседник-человек. Имеет смысл прогнать именно свои голосовые сценарии, поскольку сводный индекс может маскировать слабость на конкретном типе задач. Для русскоязычных сценариев ничего не меняется: русский язык модель не поддерживает, поэтому в русской поддержке и русскоязычных ботах она пока неприменима.

Что пока неизвестно / ограничения

Все ключевые сравнительные числа — 86,9, 83,2, 82,6, 97,0% и 71,6% — происходят из одного источника, агрегатора Artificial Analysis по состоянию на 13 октября 2026 года. Это данные стороннего измерителя, а не рецензируемая публикация, и независимого воспроизведения от третьих сторон пока нет, поэтому трактовать лидерство «и по качеству, и по цене» как свершившийся научный сдвиг преждевременно. Архитектура, обучающие данные и методика обучения модели в источниках не раскрыты, так что утверждение о речи в речь без промежуточного текста и заявленная задержка быстрее секунды остаются корпоративными заявлениями xAI, которые нужно проверять на собственных сценариях. Операционная статистика Starlink тоже не завершённая картина: не раскрыты базовая линия качества людей, определение «решённого» звонка и статистика эскалаций. Наконец, одно агрегированное число скрывает разброс по сценариям: проигрыш на tau-Voice показывает, что в сложных звонках поддержки модель пока слабее GPT-Live-1, а русский язык в любом случае не поддерживается.

Источники

Автор

Look at AI, редакция