Клиентский сервис — одна из тех сфер, где голосовые роботы чаще раздражают, чем помогают: не слышат акцент, теряют нить разговора, заставляют повторять одно и то же. xAI представила Grok Voice 3.0 — модель, которая решает эти проблемы и заодно оказывается дешевле конкурентов. Она уже обрабатывает миллионы разговоров в день в автомобилях Tesla и колл-центрах Starlink, а сегодня стала доступна через API по цене предыдущей версии.
Голосовой ИИ, который слышит и говорит как человек
Grok Voice 3.0 — это модель класса speech-to-speech, то есть она воспринимает устную речь и сразу отвечает голосом, без промежуточного распознавания текста. Задержка ответа — меньше одной секунды, что для телефонного разговора практически незаметно. Модель специально учили вести диалог с перебиваниями, паузами и разными акцентами: тест Full Duplex Bench она проходит на 97%.
Отдельная гордость разработчиков — обработка звонков с шумом и нестандартным произношением. В бенчмарке τ-Voice, который оценивает способность агента работать в таких условиях, Grok Voice 3.0 набирает 71,6% — на уровне GPT-Live-1 (Astra), но при этом отвечает на 40% быстрее. Это значит, что клиенту не приходится повторять свой вопрос по три раза, а оператору — ждать, пока система переварит услышанное.
По совокупности тестов Artificial Analysis поставила модель на первое место в Speech-to-Speech Index с результатом 86,9 балла.
xAI представила Grok Voice 3.0: сравнение с конкурентами
Вот как Grok Voice 3.0 выглядит на фоне свежих моделей OpenAI и Google в независимом тестировании Artificial Analysis.
| Показатель | Grok Voice 3.0 | GPT-Live-1 (Astra) | Gemini 3.8 Live |
|---|---|---|---|
| Speech-to-Speech Index | 86,9 | 83,2 | 82,6 |
| Speech Reasoning (Big Bench Audio) | 98,5% | 90,1% | 97,7% |
| Human Preference (Agent Arena Elo) | 1070 | 1048 | 990 |
| Task Success Rate | 94,8% | 87,4% | 89,1% |
| Full Duplex Bench | 97,0% | 94,9% | 91,9% |
По ключевым параметрам новая модель обходит предыдущую версию Grok Voice 2.0 и заметно опережает прямых конкурентов по успешности выполнения задач и предпочтениям людей. Исключение — Speech Reasoning, где Gemini 3.8 Live оказывается почти на одном уровне.
Для бизнеса это означает, что меньше звонков будет передаваться живому оператору: модель понимает, что нужно клиенту, и решает вопрос в первом же диалоге. Тесты показывают, что при этом разговор остаётся естественным, без роботизированных фраз и задержек.
Отдельно выделяется Human Preference Elo — 1070 против 1048 у GPT-Live-1 и 990 у Gemini 3.8. Этот показатель считают по «слепым» спаррингам, когда людям дают два диалога и просят выбрать лучший. Такой разрыв прямым образом влияет на удержание клиентов и готовность общаться с роботом дольше одной минуты.
И ещё один момент: Grok Voice 3.0 дешевле конкурентов в пересчёте на выполнение одной задачи. Artificial Analysis оценивает среднюю стоимость прохождения теста Big Bench Audio, и у новой модели она ниже, чем у GPT-Live-1 (Astra) и GPT-Realtime-2.1. То есть выгода не только в том, что ответы точнее, но и в том, что каждый успешно решённый звонок обходится дешевле.
Особый интерес вызывает способность модели самостоятельно вести диалог до результата. По данным ServiceNow на бенчмарке EVA-Bench, Grok Voice 3.0 получает 74% точности и одновременно с этим остаётся лучшей по связке «точность + клиентский опыт». В открытом тесте участвуют более двухсот сценариев из реальной корпоративной поддержки — от смены тарифа до возврата денег.
Где это уже работает: Tesla, Starlink и 20 тысяч звонков в день
Grok Voice 3.0 не экспериментальная игрушка — она уже встроена в продукты xAI. В автомобилях Tesla модель обрабатывает миллионы разговоров в день: водители через Connectors просят проверить календарь или ответить на письмо, а через Grok Bot заказывают кофе или бронируют столик, не отвлекаясь от дороги.
В колл-центрах Starlink на базе модели работают голосовые агенты, которые принимают 20 000 звонков ежедневно на нескольких языках. Примерно 70% обращений закрываются без участия человека, а каждая четвёртая продажа завершается покупкой ещё до того, как абонент положил трубку. Один такой агент умеет подтверждать личность клиента, диагностировать неисправности оборудования, оформлять компенсации и отправлять замену.
Приведённые сценарии — это не маркетинг, а уже работающая практика. Именно поэтому модель выложили в API для всех желающих: по словам разработчиков, она готова к задачам уровня enterprise.
Цена и доступность: сколько стоит и как перейти
Grok Voice 3.0 запущена в Speech-to-Speech API сегодня. Тариф — $0,08 за минуту, или $4,80 за час. Это ровно столько же, сколько стоила предыдущая версия, то есть за повышенную точность переплачивать не придётся. Все агенты, использующие название grok-voice-latest, уже автоматически переключены на новую модель.
Разработчикам не нужно менять код или настраивать что-то заново. Достаточно проверить, что в запросах указан актуальный идентификатор модели, и изучить документацию по Speech-to-Speech API. Для первых экспериментов доступен бесплатный тариф с ограниченным числом запросов, чтобы оценить поведение модели на своих диалогах.
С чего начать интеграцию
Для начала подойдёт простой тест: прогнать через модель десять типовых диалогов с акцентами, шумом и перебиваниями, которые встречаются в реальной поддержке. Если точность выше, чем у текущего решения, а задержка остаётся комфортной, можно подключать её к основному сценарию. Открыть документацию xAI и отправить первый запрос к API стоит до того, как будет принято решение о миграции.
