Grok Voice 3.0: «Меньше секунды» — это правда, а «на 40% ниже» измерено в сравнении не с той моделью

SpaceXAI объявила Grok Voice 3.0 14 октября 2026 года, и главным в анонсе было то, что модель отвечает менее чем за секунду, сократив задержку на 40%. Обе части этого утверждения выдерживают проверку цифрами — поэтому стоит разобраться, какими именно цифрами. Заявление о «менее чем за секунду» соответствует действительности: 0,81 секунды до первого аудио — самый быстрый показатель, который сегодня публикует какая-либо фронтирная модель речи в речь. Утверждение о 40% тоже верно, и в нём Grok Voice 3.0 сравнивается с GPT-Live-1, настроенной с Astra при среднем уровне усилий на рассуждение, что совет оценивает в 1,34 секунды. О чём в материалах запуска не говорится, так это о том, что модель, которую эта сменяет, Grok Voice 2.0, начинает говорить за 0,70 секунды — на 0,11 секунды быстрее флагмана, который её отправил на пенсию.

Это не разоблачение. Это облик данного релиза, и каждая его часть — компромисс. Grok Voice 3.0 — существенно лучший агент, чем его предшественник, и чуть медленнее открывает рот, и эти два факта указывают в противоположные стороны в зависимости от того, для чего нужна ваша телефонная линия.

Четыре числа, которые сдвинулись, и два, которые не сдвинулись.

Artificial Analysis повторно запустила свой борд Speech to Speech 13 октября 2026 года, за день до анонса, поэтому это измерение предшествует маркетингу. Все приведённые ниже цифры взяты из борда, а не у SpaceXAI.

• Сводный индекс — 86,9, что выше 81,3 у Grok Voice 2.0, и это самый высокий балл в таблице. GPT-Live-1 в конфигурации Astra medium находится на уровне 83,2, а Gemini 3.8 Live Extended Thinking — на уровне 82,6.

• Агентная производительность, τ-Voice — 71,6%, рост с 56,5%. Это самое крупное изменение в релизе с большим отрывом: скачок на 15 пунктов по компоненту, который оценивает, завершает ли агент многошаговое задание, а не просто компетентно звучит, выполняя его.

• Предпочтение арены — Elo 1070, выше по сравнению с 1011, и самый высокий в таблице.

• Время до первого аудио — 0,81 секунды против 0,70 секунды у заменяемой модели. Медленнее, но всё же примерно на 40% быстрее с места, чем конфигурация GPT-Live-1, с которой SpaceXAI себя сравнивает.

• Успешность выполнения задачи — 94,8% против 94,6%. Две десятых пункта. По чистому показателю выполнения задачи это, в пределах погрешности измерений, одна и та же модель.

• Цена — $0.08 за минуту аудио, или $4.80 в час, плюс $0.004 за текстовый ввод. Идентично Grok Voice 2.0. Это обновление возможностей при неизменной тарифной сетке, а не пересмотр цен.

Декомпозиция важнее заголовка. Большая часть прироста составного показателя на 5,6 пункта пришлась на агентную производительность и предпочтение на арене, при небольшом улучшении в речевом рассуждении — компонент рассуждений в лидерборде показывает от 98,5 до 99 в зависимости от среза, что в любом случае является потолком — а сырой показатель успеха в задачах остался без изменений. Grok Voice 3.0 — более сильный агент. Он не стал лучше как собеседник и не стал быстрее.

На что на самом деле указывают «звонки клиентов»

В брифе, из которого стал известен этот релиз, он описывался как созданный для клиентских звонков, и материалы вендора подкрепляют такую интерпретацию цифрами развёртывания, которые не может проверить ни одна внешняя сторона. SpaceXAI утверждает, что Grok Voice обеспечивает миллионы ежедневных разговоров в автомобилях Tesla и в SpaceX, что поддержка Starlink обрабатывает 20 000 клиентских звонков в день на нескольких языках, причём примерно 70% решаются без участия человека, а примерно каждый четвёртый звонок по продажам заканчивается покупкой, и что один и тот же агент выполняет проверку личности, диагностику оборудования, начисление средств на счёт и отправку замен в рамках одного процесса. Также сообщается об округлённом показателе 74% в EVA-Bench от ServiceNow.

Внимательно читайте показатель закрытия без эскалации: это число чаще всего приводят как свидетельство возможностей модели, тогда как на деле это результат работы системы. Сколько звонков агент поддержки закрывает без эскалации, зависит от дизайна промптов, качества поиска и политики эскалации, которую написали вы, — а не только от модели, лежащей в основе. Когда поставщик пропускает свои собственные звонки, связанные с выручкой, через свою же модель, это самый сильный из доступных сигналов того, что решение работает, и одновременно самое слабое из доступных доказательств для читателя, потому что ничто из этого не отделяет модель от обёртки.

Направление τ-Voice — это та часть релиза, которая отвечает на тот же вопрос числом, которое может проверить сторонний наблюдатель. Рост с 56,5% до 71,6% на многоходовом агентном бенчмарке — это разница между голосовой моделью, которая способна поддерживать разговор, и той, которая способна выполнить задачу в его рамках. Вот это утверждение стоит покупать; а показатель сдерживания — тот, которого стоит дождаться.

Миграция, на которую никому не нужно было давать согласие

Grok Voice 3.0 работает через ту же конечную точку WebSocket в реальном времени, что и его предшественник, с теми же параметрами сессии, теми же названиями событий, тем же рукопожатием с bearer-токеном и тем же встроенным набором голосов плюс конечной точкой для пользовательских голосов. Изменений в SDK нет, и документа по миграции нет, потому что мигрировать нечего. Изменилась строка модели, и изменилось поведение за ней.

Далее — алиас. grok-voice-latest теперь указывает на Grok Voice 3.0, а grok-voice-2.0 помечен как устаревший. Все, кто развернул решение на основе алиаса, были автоматически переведены на новую модель — без изменений в коде и без фиксации версии. И это важнее, чем кажется, потому что алиас был направлен на Grok Voice 2.0 только 5 августа 2026 года. Команда, которая создавала решение на его основе в августе, за один квартал пережила две незаметные замены модели. Для эксперимента с чат-ботом это удобство. Для телефонной системы, чей набор регрессионных тестов был написан под тайминги конкретного голоса и конкретное время до первого аудиосигнала, это изменение конфигурации, которое кто-то другой сделал за вас.

Второй пункт в том же брифе.

Запуск состоялся не в одиночку. Маркетплейс Grok Bot теперь открыт для подачи разработчиками коннекторов и плагинов — это новость иного рода, и её стоит упомянуть, поскольку эти два анонса взаимодействуют друг с другом. Grok Bot — это агентный продукт, облачные компьютеры которого выполняют вход в инструменты, которые команда уже использует; конвейер подачи коннекторов — это то, что превращает его список интеграций из того, что было написано SpaceXAI, в то, что нужно его клиентам.

Сложите эти две вещи вместе — и интересное следствие окажется архитектурным, а не коммерческим. Если голос — это интерфейс к агенту, а охват агента определяется коннекторами, которые он может вызывать, то поверхностью, от которой всё чаще зависит, будет ли вызов обработан, становится слой инструментов. Это слой, которым голосовой вендор не владеет и который не измеряет. Для него нет публичного показателя, и его не будет, потому что у каждого клиента он свой.

Где роутер здесь на самом деле является несущим элементом

OrcaRouter не обслуживает realtime-эндпоинт Grok Voice 3.0. Этот эндпоинт принадлежит SpaceXAI, и ничто не может вмешаться в дуплексную аудиосессию, принадлежащую одному вендору; любой, кто утверждает обратное, описывает возможности, которых у него нет. Мы же обслуживаем текстовый уровень под ним — суммаризатор, который пишет протокол после звонка, классификатор, который присваивает код диспозиции, поиск, который отвечает на то, что передала голосовая модель, и вызовы инструментов за коннекторами, которые сейчас принимает маркетплейс. Эта работа тарифицируется по запросам, и именно здесь накапливается значительная доля стоимости одного звонка: 207 моделей от десятка с лишним поставщиков за одним ключом, по прайс-листу провайдера без наценки, с автоматическим переключением при деградации провайдера и DSL маршрутизации, который объединяет несколько моделей в один вызов. Поскольку наценки нет, снижение цены вендором на любую из этих моделей становится активным у нас в тот же день, а не при следующем продлении.

Что всё ещё не измерено?

Три вещи — и именно они должны определить, двигаться ли вам сейчас или сначала зафиксировать свою версию.

Первое — это стабильность на длинных сессиях. Все приведённые выше цифры получены из коротких оценённых взаимодействий. Ни одна опубликованная работа не описывает, как 20-минутный звонок влияет на частоту ошибок, а режимы отказа, важные для дуплексной модели — накапливающийся дрейф, политика смены реплик, которая деградирует при повторных перебиваниях, — проявляются только на масштабе минут, а не отдельных реплик.

Второй вопрос — сохранится ли 0,81 секунды под нагрузкой. Время до первого аудио измеряется на незагруженной системе, а продакшн — не незагруженная система. У предшественника 0,70 секунды измерялись тем же способом, поэтому сравнение между ними по крайней мере сопоставимо, а сравнение с реальным развёртыванием — нет.

Третье — это утверждение о шумном канале. Предыдущее поколение этой линейки продвигалось с упором на частоту ошибок в словах в условиях телефонии и на 24 языках, и это самое опровержимое утверждение, которое поставщик когда-либо делал о голосовой модели. В более новых материалах запуска оно не повторяется, и это либо упущение, либо признание, и никто со стороны сейчас не может сказать, что именно. Любой, у кого есть корпус записей звонков и полдня, может это проверить, и пока кто-нибудь этого не сделает, честная сводка о Grok Voice 3.0 такова: лучший композитный показатель в публичной таблице, сосредоточенный на агентной производительности; та же цена, что у модели, которую он заменяет; медленнее начинает говорить, чем та модель; и развёрнут для всех существующих пользователей alias, не спрашивая их. Первые три — причины протестировать его, а четвёртая — причина иметь пин версии в конфиге, прежде чем это делать.