Grok Voice 3.0: цены и бенчмарки голосовых агентов

xAI представила Grok Voice 3.0 14 октября 2026 года, сделав речевую модель speech-to-speech доступной через Voice Agent API по объявленной цене 0,08 доллара США за минуту. В анонсе акцентируются звонки в поддержку, естественное ведение диалога и возможность выполнять действия через подключенные инструменты.

Релиз подкреплен несколькими типами доказательств: независимым рейтингом бенчмарков, отдельной системой оценки для предприятий и показателями внедрения, заявленными компанией. Они отвечают на разные вопросы, поэтому полезно разделять результаты бенчмарков, заявления о промышленном использовании и цены API.

Доступность и цены API

Объявленный тариф составляет 0,08 доллара США за минуту, или 4,80 доллара США за час. xAI сообщает, что цена не изменилась по сравнению с Grok Voice 2.0 и что агенты, использующие алиас grok-voice-latest, были автоматически переведены на новую версию.

На официальной странице цен, проверенной 15 октября, также указана стоимость 0,004 доллара США за каждый текстовый ввод для API speech-to-speech. Эта строка тарификации отделена от основной поминутной цены и важна для приложений, которые отправляют текст в голосовую сессию.

Алиас важен для существующих приложений. Он обозначает актуальную голосовую модель, а не постоянно закрепленный релиз, поэтому разработчик может получить изменившееся поведение модели без редактирования этого идентификатора. В анонсе говорится, что при автоматическом переключении изменения для миграции не потребовались, однако это не отменяет необходимости регрессионного тестирования существующего агента.

Поминутная цена модели также не равна совокупной стоимости эксплуатации контакт-центра. Телефония, инфраструктура приложений, внешние инструменты и эскалации к сотрудникам — отдельные факторы; в анонсе не утверждается, что все такие расходы включены в тариф модели.

Что измеряют речевые бенчмарки

В актуальной таблице лидеров Artificial Analysis, проверенной 15 октября, Grok Voice 3.0 занимает первое место в Speech-to-Speech Index с оценкой 86,9. Индекс объединяет речевое рассуждение, агентную производительность, пользовательские предпочтения и успешность выполнения задач. Чтобы попасть в сводное сравнение, модель должна иметь требуемые данные по компонентам.

Анонс релиза приводит следующее сравнение с предыдущей версией со ссылкой на Artificial Analysis от 13 октября:

Эти проценты нельзя интерпретировать как взаимозаменяемые. Big Bench Audio оценивает вопросы на рассуждение, заданные голосом, тогда как tau-Voice оценивает симулированную работу поддержки с использованием инструментов и политик. Предпочтение в Arena отражает то, как люди сравнивают двух неидентифицированных агентов, а показатель успешности задач касается успешного завершения допустимых сценариев.

Full Duplex Bench оценивает поведение в разговоре: паузы, очередность реплик, перебивания и краткие подтверждения. Он важен для оценки того, перебивает ли агент звонящего или останавливается не вовремя, но сам по себе не измеряет, был ли корректно оформлен возврат или перебронирование.

Для задержки и стоимости нужна определенная рабочая нагрузка

В рейтинге Artificial Analysis Grok Voice 3.0 указан с результатом 0,81 секунды до первого аудио в оценке Big Bench Audio. Это подтверждает результат менее одной секунды в данном тесте, но не гарантирует, что каждый клиент услышит ответ через 0,81 секунды в любой сети.

xAI сравнивает результат tau-Voice с GPT-Live-1 в конфигурации Astra, medium. В диаграмме анонса указаны 71,6% успешного выполнения задач для Grok Voice 3.0 и 74,5% для этого конкурента, при этом для Grok заявляется примерно на 40% меньшая задержка. Это сравнение производительности и скорости отклика, а не утверждение, что Grok превосходит по каждой отдельной метрике.

Предыдущая Grok Voice 2.0 указана в актуальной таблице лидеров с задержкой 0,70 секунды. Поэтому новый релиз не следует описывать как безусловно более быстрый, чем предшественник: он улучшает заявленные метрики качества, но требует немного больше времени в этом конкретном тесте задержки.

В анонсе также указана средняя стоимость задачи Big Bench Audio — 0,025 доллара США, по сравнению с 0,030 доллара США для GPT-Live-1 в названной конфигурации и 0,055 доллара США для GPT-Realtime-2.1 High. Это стоимость бенчмарк-нагрузки, а не фиксированная цена произвольного производственного звонка и не доказательство того, что никакая другая голосовая модель не будет дешевле.

Корпоративная оценка с EVA-Bench

xAI сообщает о 74% точности в EVA-Bench, а также о высоких совокупных показателях точности и пользовательского опыта. Этот результат является заявлением из анонса релиза; публичная страница проекта ServiceNow была проверена, чтобы установить, что именно измеряет этот фреймворк.

EVA-Bench оценивает полные многоходовые голосовые разговоры в конфигурации bot-to-bot. В его публичном обзоре перечислены три области:

Фреймворк разделяет EVA-A, точность задач, и EVA-X, качество разговорного взаимодействия. Это разделение полезно для корпоративных агентов: качественный разговор может завершиться неправильным действием, а корректное действие — оставить у звонящего плохое впечатление.

Заявленное использование в Tesla и Starlink

xAI сообщает, что Grok Voice поддерживает миллионы ежедневных разговоров в Tesla и SpaceX. Компания описывает голосовые запросы без использования рук в автомобилях Tesla и голосовой режим для Grok Bot, включая задачи с подключенными сервисами.

Для Starlink компания заявляет около 20 000 клиентских звонков в день на нескольких языках, при этом примерно 70% решаются без участия человека. Также сообщается, что каждый четвертый звонок по продажам завершается покупкой, а агенты обрабатывают верификацию, устранение неполадок, кредиты и замену оборудования.

Это операционные показатели, заявленные самой компанией. В анонсе не приводится независимый аудит сложности звонков, критериев эскалации или периода, за который были измерены все показатели. Бизнесу, оценивающему модель, следует тестировать собственные политики, разрешения инструментов, работу с шумным аудио и требования к передаче обращения сотруднику.

FAQ

Что такое Grok Voice 3.0?

Grok Voice 3.0 — это речевая модель xAI формата speech-to-speech для разговорных агентов. В ее анонсе акцентируются голосовое рассуждение, задачи поддержки, использование инструментов и управление динамикой живого разговора.

Сколько стоит API Grok Voice 3.0?

xAI объявила тариф Voice Agent API в размере 0,08 доллара США за минуту, или 4,80 доллара США за час. Проверяйте актуальную документацию по ценам, чтобы учитывать условия биллинга, и отдельно закладывайте в бюджет сервисы за пределами API модели.

Нужно ли мигрировать приложениям, использующим grok-voice-latest?

xAI сообщает, что этот алиас был автоматически переключен на Grok Voice 3.0 без обязательных изменений кода. Однако действующим пользователям все равно следует оценить подсказки, инструменты и логику обработки звонков после изменения модели.

Всегда ли Grok Voice 3.0 быстрее других голосовых моделей?

Нет: приведенный показатель менее одной секунды является измерением в бенчмарке, и некоторые другие модели быстрее по этой метрике. Основное сравнение задержки в анонсе проводится с определенной конфигурацией GPT-Live-1 при сопоставимом уровне выполнения задач поддержки.

В чем разница между Speech-to-Speech Index и Full Duplex Bench?

Индекс объединяет несколько показателей производительности голосового агента, включая рассуждение и выполнение задач. Full Duplex Bench фокусируется на разговорном поведении, например на обработке перебиваний, пауз и очередности реплик.

Доказывает ли внедрение Starlink, что модель может заменить каждого агента поддержки?

Нет: xAI сообщает, что примерно 70% звонков Starlink решаются без участия человека, но это результат конкретного внедрения. Он не устанавливает такую же долю решения для других компаний и не отменяет необходимость путей эскалации.

Связанные инструменты

• Grok Voice Agent API: Официальная документация API для создания голосовых агентов.
• EVA-Bench: Фреймворк ServiceNow для оценки точности задач и голосового опыта.
• Рейтинг Speech-to-Speech от Artificial Analysis: Сравнение заявленных измерений качества, скорости отклика и стоимости.

Связанные ссылки

• Материал Unite.AI о Grok Voice 3.0: Исходная предоставленная статья и ссылки на ее первоисточники.
• Официальный анонс Grok Voice 3.0: Первичный источник информации о доступности, ценах и заявлениях о внедрении.
• Документация Voice Agent API: Актуальные требования к интеграции.
• Официальные цены API: Актуальные тарифы и условия Voice API.
• Рейтинг голосовых моделей Artificial Analysis: Независимое сравнение и его компонентные метрики.
• Проект EVA-Bench: Публичный обзор корпоративной оценки и методологии.

Итог

Grok Voice 3.0 сохраняет объявленный тариф API 0,08 доллара США за минуту, одновременно улучшая заявленные результаты предыдущей версии в голосовых задачах и задачах поддержки. Наиболее надежная оценка сочетает четко определенный бенчмарк с измерениями, релевантными конкретному сценарию внедрения.

Перед переносом процесса поддержки на эту модель оценивайте вместе корректность выполнения задач, разговорное поведение, задержку и полную операционную стоимость.