Grok Voice 3.0 возглавляет Speech to Speech Index с показателем 86,9 — и возвращает себе рекорд по задержке

Число, которое все будут цитировать, — 86,9. Именно столько Grok Voice 3.0набрала в индексе Artificial Analysis Speech to Speech Index, когда таблицу пересчитали 13 октября 2026 года, — на пять с половиной пунктов больше, чем у модели, которую она заменяет, Grok Voice 2.0, у которой было 81,3. Она также опережает GPT-Live-1 в конфигурации Astra medium с 83,2 и Gemini 3.8 Live Extended Thinking с 82,6, что делает её первой голосовой моделью xAI, единолично удерживающей верхнюю строку, а не делящей первое место. SpaceXAI объявила о ней 14 октября, в тот же день, когда изменились примечания к выпуску API, и по той же цене за минуту, что и модель, которую она выводит из эксплуатации.

Число, которое никто не процитирует, потому что xAI не вынесла его в заголовок, — 0,70. Это время Grok Voice 2.0 до первого аудио в секундах, и оно быстрее, чем 0,81 у Grok Voice 3.0. Компания, которая год продавала субсекундное переключение реплик, теперь выпускает флагман, который начинает говорить на 0,11 секунды позже, чем её собственная уходящая модель. Он всё ещё примерно на 40% быстрее стартует, чем конфигурация GPT-Live-1, для которой Artificial Analysis замерила 1,34 секунды, так что маркетинговое утверждение выдерживает буквальное прочтение. Просто оно не выдерживает сравнения с предыдущей версией.

Что на самом деле было выпущено и сколько это стоит

Grok Voice 3.0 — это модель «речь-в-речь», обслуживаемая через тот же самый WebSocket-эндпоинт реального времени, что и её предшественница, с теми же параметрами сессии и теми же именами событий. Нового SDK и документа по миграции нет, потому что мигрировать нечего. Изменилась строка модели — и изменилось поведение за ней.

• Цена — $0,08 за минуту аудио, или $4,80 за час, плюс $0,004 за текстовый ввод. Идентично Grok Voice 2.0. Это обновление возможностей при неизменной цене, а не пересмотр цен.

• Поведение алиаса — grok-voice-latest теперь указывает на grok-voice-3.0. Все, кто развернул с использованием алиаса, были автоматически переведены на новую модель, без изменения кода и без привязки к версии.

• Устаревание — grok-voice-2.0 помечен как устаревший. Путь обновления, описанный в документации xAI, — указать в поле model значение grok-voice-3.0 или оставить псевдоним без изменений.

• Эндпоинт и аутентификация — без изменений. Тот же realtime-URL, то же рукопожатие с bearer-токеном, те же короткоживущие эфемерные токены для клиентских подключений.

• Голоса — встроенный набор голосов и эндпоинт пользовательских голосов не изменились; пользовательские голоса обучаются на референсном клипе длительностью до 120 секунд, а полученный voice_id работает как в realtime API, так и в потоковом синтезе речи.

Именно из-за последнего списка переключение алиаса значит больше, чем кажется. Grok Voice 2.0 стал целевым алиасом только 5 августа 2026 года — примерно за десять недель до этого релиза. Команда, которая в августе создавала решение под grok-voice-latest, за один квартал уже пережила две незаметные замены модели: это отличное свойство для эксперимента с чат-ботом и не такое уж отличное для телефонной системы, чей набор регрессионных тестов был написан под тайминги конкретного голоса.

Индекс, компонент за компонентом

Сводные индексы скрывают суть аргумента, поэтому стоит разобрать Grok Voice 3.0 по частям. Все приведённые ниже цифры взяты из собственных тестов Artificial Analysis, датированных 13 октября 2026 года.

• Речевое рассуждение, Big Bench Audio — 98,5%, что выше 97,2% у Grok Voice 2.0.

• Динамика диалога, Full Duplex Bench — 97,0%, рост с 95,1%.

• Предпочтение Speech Agent Arena — Elo 1070, рост с 1011, и самый высокий показатель в таблице.

• Успешность выполнения задачи — 94,8%, рост с 94,6%. Это наименьшее изменение из пяти, и это стоит отметить как таковое: по чистому выполнению задачи две модели в пределах измерений представляют собой одну и ту же модель.

• Агентная производительность, τ-Voice — 71,6%, рост с 56,5%. Это самое крупное единичное изменение в релизе — скачок на 15 пунктов по тому единственному компоненту, который измеряет, способен ли агент действительно выполнить многоходовую задачу, а не просто звучать компетентно при её выполнении.

• Время до первого звука — 0,81 секунды против 0,70 у Grok Voice 2.0.

Чтение их вместе рассказывает более полезную историю, чем композитный показатель. Прирост индекса на 5,6 пункта распределён неравномерно: почти весь он приходится на агентную производительность и предпочтение на арене, тогда как рассуждение и обработка дуплекса немного подросли, а чистая успешность выполнения задач осталась на прежнем уровне. Grok Voice 3.0 — лучший агент, а не лучший собеседник. Если ваш голосовой продукт — это линия поддержки, которая записывает на приём и проверяет статус заказа, то это именно та дельта, которая вам нужна. Если же это компаньон или фронтенд для ролевых игр, то прирост индекса по большей части не имеет значения, и за него вы заплатили штрафом по задержке.

Единственный тест, в котором лидер — не лидер

τ-Voice — это тот компонент, о котором xAI следовало бы говорить, и тот, где она всё ещё отстаёт. С показателем 71,6% Grok Voice 3.0 намного превзошёл результат предшественника в 56,5% — и всё ещё уступает GPT-Live-1, настроенному с Astra при среднем уровне рассуждений, которому Artificial Analysis присваивает 74,5%. Gemini 3.8 Live показывает 68,6% в том же тесте.

Итак, какой выглядит расстановка в категории после этого релиза: у xAI — составной показатель и арена; у OpenAI — тест на выполнение агентных задач; у Google нет ни того, ни другого, и при этом он дешевле обоих. Ни одно из этих трёх утверждений не противоречит остальным, а любая статья, которая сообщает только о первом, сообщает о рейтинге, а не о результате.

Поставщик утверждает, что ни одна плата не покрывает

За заявлениями о производительности стоит второй слой цифр, которые Artificial Analysis не измеряет и не может измерить, поскольку они описывают производственный трафик внутри собственных продуктов одной компании. Это данные xAI, о которых сообщает xAI, при отсутствии независимой проверки — и она вряд ли появится:

• Tesla — Как говорят, Grok Voice обеспечивает миллионы разговоров в день в автомобилях, обрабатывая действия с календарём и электронной почтой через коннекторы, а заказ еды — через голосовой режим Grok Bot.

• Поддержка Starlink — 20 000 клиентских звонков в день на нескольких языках, при этом примерно 70% решаются без участия человека, а примерно каждый четвёртый звонок по продажам заканчивается покупкой. Тот же агент описывается как выполняющий проверку личности, диагностику оборудования, начисление средств на счёт и отправку замены в рамках одного процесса.

• ServiceNow EVA-Bench — округлённый показатель точности 74%, заявленный как самый высокий в этом бенчмарке и лучший при совместной оценке точности и клиентского опыта. EVA-Bench охватывает обслуживание клиентов в 15 инструментах и 50 сценариях, управление ИТ-услугами в 59 инструментах и 80 сценариях и HR в 47 инструментах и 83 сценариях.

Рассматривайте первые два как описание намерения, а не как доказательство. Они представляют собой сильнейшее из возможных доказательств того, что голосовая модель работает, — компания, направляющая через неё свои собственные звонки, приносящие выручку, рискует собственными деньгами, — и одновременно слабейшее из возможных доказательств для читателя, потому что ничего из этого нельзя проверить извне и ничто из этого не отделяет модель от промптов, механизмов извлечения и политики эскалации, которые её оборачивают. Особенно показатель удержания в 70% — это число системного уровня, наряженное в костюм уровня модели.

О чём вам говорит цена, которая не двигалась

Сохранение тарифа на уровне $0,08 за минуту — самое стратегически интересное в этом релизе. Самое очевидное прочтение — конкурентное давление: Google весь год позиционировала Gemini Live как дешёвый вариант в этой категории, а предыдущее поколение голосовой линейки xAI уже пережило 60%-ное повышение цены, когда линейка Think Fast подорожала с $3,00 до $4,80 в час. Повысить тариф флагмана ещё раз не представлялось возможным.

Эффект второго порядка затрагивает всех, кто моделирует стоимость. Согласно измерению Artificial Analysis по задачам, Grok Voice 3.0 требуется $0,025 на выполнение задачи Big Bench Audio против $0,030 для GPT-Live-1 Astra medium и $0,055 для GPT-Realtime-2.1 High. Дешевле за задачу и точнее за задачу — это сочетание, которое кладёт конец спорам о закупках, и впервые в этой категории одна модель удерживает оба полюса.

Роль маршрутизирующего слоя в этой картине уже, чем кажется, и здесь стоит быть точными. OrcaRouter не обслуживает realtime-эндпоинт Grok Voice 3.0 — он предоставляется собственным API xAI, как и аналоги Gemini Live и GPT-Live-1. Мы отвечаем за текстовую сторону: более 200 языковых моделей за одним ключом по прайс-листовой цене провайдера без наценки, и именно там обычно находятся очистка транскрипции, суммаризация после звонка, классификация транскрипта в код диспозиции и логика вызова инструментов, которую делегирует голосовая модель. Это обычные модели с оплатой за запросы, именно та нагрузка, для которой и нужен маршрутизатор, и поскольку прайс-листовая цена передаётся без изменений, снижение цены поставщиком на любую из них становится доступным на нашей стороне в тот же день, а не при вашем следующем продлении.

Что всё ещё не измерено?

Три вещи, и именно они должны определить, делать ли вам ход сейчас или связывать.

Первый — это стабильность в длительных сессиях. Каждая цифра выше получена из коротких оценённых взаимодействий. Ни в одной публикации не рассматривается, как 20-минутный звонок влияет на частоту ошибок, а интересный режим отказа для дуплексной модели — накопление дрейфа или стратегия смены реплик, которая деградирует при перебивании, — проявляется только на протяжении минут, а не отдельных реплик.

Второе — это утверждение о шумном канале. Предыдущее поколение xAI продвигалось с упором на частоту ошибок в словах в условиях телефонии, и это самое легко опровергаемое утверждение во всём запуске. Любой, у кого есть корпус записей звонков и полдня, может это проверить.

Третий момент — сохранится ли показатель в 0,81 секунды под нагрузкой. Время до первого аудио измеряется на незагруженной системе. А прод — это не незагруженная система.

Пока они не появятся, честное резюме по Grok Voice 3.0 таково: это лучшая голосовая модель в публичном рейтинге с отрывом, который реален, но сосредоточен в одном измерении; она стоит столько же, сколько модель, которую заменяет; она медленнее начинает говорить, чем та модель; и она перевела все существующие развертывания grok-voice-latest на себя, не спрашивая. Первые три — это причины протестировать её. Четвёртая — причина зафиксировать версию в вашем конфиге, прежде чем это делать.

Релиз голосовой модели — это также момент проверить, что пошло не так раньше: задокументированные инциденты с ИИ и сбои агентов, связанные с моделями этого класса, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, степень серьёзности, оценку достоверности и флаг спорности.