Grok Voice 3.0 против GPT-Live-1: xAI победила в Индексе и проиграла тест, который действительно имеет значение

Два флагмана, разница в 3,7 балла в индексе Speech to Speech от Artificial Analysis, и оба уступают по тому единственному компоненту, который решает, стоит ли вообще разворачивать голосового агента. Grok Voice 3.0 показывает 86,9 в индексе, о котором SpaceXAI объявила 14 октября 2026 года, против 83,2 у GPT-Live-1 в конфигурации Astra medium — той версии, на которую документация O​penAI ориентирует интеграцию через WebRTC, когда сессия передаёт рассуждение бэкенду. На τ-Voice — бенчмарке для клиентского сервиса, который оценивает, действительно ли агент выполняет многошаговую задачу, — Grok Voice 3.0 достигает 71,6%, а GPT-Live-1 Astra medium — 74,5%. Модель с лучшим совокупным показателем в категории не удерживает компонент, коррелирующий с выполнением работы, и O​penAI тоже не вынесла это в заголовки.

Второе, что стоит отметить, — это направление цены. GPT-Live-1 тарифицирует $0,05 за минуту голоса с посекундной оплатой, то есть $3,00 в час. Grok Voice 3.0 тарифицирует $0,08 за минуту, то есть $4,80 в час. Более новая модель стоит на 60% больше за минуту аудио, и это та модель, чей поставщик потратил последний квартал жизни её предшественницы на поглощение повышения тарифа, а не на объявление о снижении.

Разделение архитектуры, которое никто не помещает в сравнительную таблицу

Ни то, ни другое не является речевой моделью, которая думает. Оба — это голосовые слои, которые делегируют, и эти две схемы делегирования — совсем разные звери; именно поэтому стоимость интеграции различается гораздо сильнее, чем цена за минуту.

GPT-Live-1 передаёт работу через асинхронную границу бэкенду, указанному в конфигурации сессии. Опубликованный OpenAI пример на WebRTC подключает этот бэкенд к GPT-5.6 Terra через Responses API. Голосовой слой поддерживает разговор, пока бэкенд думает, и встраивает ответ обратно, когда тот приходит. Как следствие, половина, отвечающая за рассуждения, — это обычный текстовый вызов с оплатой по токенам, который вы выбираете, назначаете цену и заменяете независимо. Голосовая половина вообще не переносима: есть только один ID модели — gpt-live-1, одна конечная точка — v1/live/sessions, WebRTC, а не транспорт WebSocket, на котором были построены большинство интеграций Realtime, и нет пути через Chat Completions, Responses, Batch или конечные точки дообучения. Лимиты скорости выражаются в одновременных сессиях — 25 на Tier 1, затем 50, 200, 300 и 500, — что говорит о том, что OpenAI считает единицей масштабирования телефонную линию, а не запрос.

Grok Voice 3.0 более узкий и дешевле для внедрения. Он работает через ту же конечную точку WebSocket в реальном времени, что и Grok Voice 2.0, с теми же параметрами сессии, теми же именами событий и тем же рукопожатием с bearer-токеном, а использование инструментов идёт через массив tools в обновлении сессии так же, как и раньше. Миграция транспорта не требуется. Также нет документированного паттерна делегирования бэкенду, подобного тому, который публикует GPT-Live-1, а значит, нужная вам логика должна быть доступна как инструмент, который голосовая модель вызывает синхронно, а не как фоновая задача, которую она курирует.

Эта разница решает больше для развёртываний, чем индекс. Команда, уже использующая realtime API от xAI, переходит на Grok Voice 3.0, изменив строку модели — или не делая ничего, потому что grok-voice-latest теперь указывает на неё, а существующие развёртывания с алиасами были переведены автоматически. Команда, использующая более старые Realtime-модели OpenAI и переходящая на GPT-Live-1, сталкивается с переписыванием транспорта и переписыванием делегирования.

Построчно

Каждый показатель ниже — это собственное измерение Artificial Analysis, датированное 13 октября 2026 года, если в строке не указано иное.

• Speech to Speech Index — Grok Voice 3.0 86.9 против GPT-Live-1 (Astra, medium) 83.2. Есть также более низкая конфигурация GPT-Live-1 с показателем 80.1 в её варианте Sol low-effort, и разрыв в индексе полностью зависит от того, какую именно вы имеете в виду.

• Агентная производительность, τ-Voice — GPT-Live-1 Astra medium 74,5 % против Grok Voice 3.0 71,6 %. O​penAI лидирует здесь — и лидирует именно по тому компоненту, который предсказывает, решена ли проблема звонящего.

• Речевое рассуждение, Big Bench Audio — Grok Voice 3.0 98,5% против GPT-Live-1 Astra medium, который находится в том же диапазоне. Оба настолько близки к потолку, что эта ось перестала кого-либо разделять.

• Предпочтение арены — Grok Voice 3.0 имеет наивысший рейтинг Elo в таблице — 1070. GPT-Live-1 не удерживает арену ни в одной конфигурации.

• Время до первого аудиосигнала — Grok Voice 3.0: 0,81 секунды против GPT-Live-1 Astra medium: 1,34 секунды. Примерно на 40% быстрее начинает говорить, и это самое конкретное заявление о производительности, которое делает любой из поставщиков.

• Стоимость за выполненную задачу, Big Bench Audio — Grok Voice 3.0 $0,025 против GPT-Live-1 Astra medium $0,030. Дёшево и точно на задачу — вот сочетание, которое ставит точку в спорах о закупках.

• Цена за минуту аудио — GPT-Live-1: $0,05, тарифицируется посекундно, неполные минуты не округляются в большую сторону, а 15-секундная плата за инициализацию сессии засчитывается в счёт последующей длительности, а не прибавляется сверху; Grok Voice 3.0: $0,08 за минуту плюс $0,004 за каждый текстовый ввод.

• Мультимодальный ввод — GPT-Live-1 принимает аудио и текст, а в его документации изображения и видео указаны как явно неподдерживаемые; Grok Voice 3.0 также не имеет визуальной привязки. Ни один из этих двух не способен видеть, и ни один из поставщиков не опубликовал дату, когда это изменится.

• Голоса — GPT-Live-1 поставляется с 12; Grok Voice 3.0 сохраняет встроенный набор xAI и эндпоинт custom-voice, который обучает голос по референсному клипу длительностью до 120 секунд.

Счёт за нагрузку, которую вы можете себе представить

Десять тысяч минут разговора в день в течение тридцати дней — это 300 000 минут в месяц.

• GPT-Live-1 — $0,05 за минуту голоса, то есть $15 000 в месяц только за голосовой слой.

• Grok Voice 3.0 — $0,08 за минуту, то есть $24 000 в месяц, плюс $0,004 за текстовый ввод.

Оба числа — это лишь голосовая половина. Рассуждения GPT-Live-1 на бэкенде, его вызовы инструментов и любой веб-поиск тарифицируются отдельно по собственным тарифам бэкенд-модели, и сессия, направленная на фронтирный ризонер, который ищет на каждом ходу, может обойтись дороже в части делегирования, чем в части аудио. Синхронные вызовы инструментов Grok Voice 3.0 выполняются на том бэкенде, который на них отвечает, по тому же правилу. В обоих случаях «цена голосовой модели» — это лишь доля стоимости звонка, и эта доля зависит от того, насколько интенсивно думают ваши звонящие.

Это тот уровень, на котором роутер действительно полезен, и стоит быть точным в вопросе границы. OrcaRouter не обслуживает ни один из realtime-эндпоинтов — gpt-live-1 живёт за Live Sessions API от OpenAI, а Grok Voice 3.0 — за собственным API xAI, и ничто не может вмешаться в дуплексную аудиосессию, принадлежащую одному вендору. Что мы действительно запускаем — так это половину, отвечающую за делегирование. GPT-5.6 Terra, тот самый бэкенд из собственного опубликованного примера OpenAI, доступен через OrcaRouter по прайс-листовой цене OpenAI — $2.00 за миллион входных токенов и $12.00 за миллион выходных, при этом открыты оба эндпоинта: chat и Responses, — наряду с более чем 200 другими моделями на одном ключе, по прайс-листовой цене провайдера без наценки и с автоматическим переключением при деградации провайдера. Поскольку наценки нет, снижение цены вендором на уровне reasoning-моделей вступает в силу на нашей стороне в тот же день — а это важно в категории, где один флагман поднял цену за минуту на 60% за три месяца, тогда как другой удерживал её на прежнем уровне.

Что каждый поставщик говорит такого, чего не освещает ни один совет директоров.

Оба вендора публикуют цифры о собственном продакшен-трафике. Ни те, ни другие не поддаются независимой проверке, и честно их следует воспринимать как свидетельство уверенности, а не возможностей.

Показатели O​penAI, опубликованные вместе с выпуском API и никем не воспроизведённые: полнодуплексная интерактивность — 80,1% против 45,4% у GPT-Realtime-2.1, задержка смены реплики сокращена с 1,4 секунды до 0,8, точность вызова инструментов — с 60% до 87%. Yelp упоминается в связи с улучшенной обработкой бронирований по телефону, а платформа для изучения языков Speak сообщила о почти на 80% меньшем числе перебиваний, чем в её предыдущей системе с чередованием реплик, — по самоотчёту компании, заинтересованной в результате, и всё же это самый конкретный показатель внедрения в релизе.

Показатели SpaceXAI, опубликованные вместе с её запуском и столь же невоспроизведённые: Grok Voice 3.0 обеспечивает миллионы ежедневных разговоров в автомобилях Tesla и в SpaceX, колл-центры Starlink обрабатывают 20 000 клиентских звонков в день на нескольких языках, причём примерно 70% решаются без участия человека, а примерно один из четырёх звонков с целью продажи заканчивается покупкой, и округлённые 74% на EVA-Bench от ServiceNow. Рассматривайте показатель удержания как число системного уровня, наряженное в костюм уровня модели — он отражает дизайн промптов, политику поиска и эскалации не меньше, чем сама модель, и никакая внешняя сторона не может их разделить.

Что же всё-таки выбрать?

Выбирайте Grok Voice 3.0, когда задержка — это ограничение, а стек уже работает на xAI. Время до первого аудио — 0,81 секунды, самый быстрый опубликованный показатель среди передовых голосовых моделей, путь через WebSocket означает отсутствие необходимости переписывать транспорт, а стоимость миграции — это строка с названием модели. Выбирайте его также, если ваши абоненты судят об опыте, а не о результате — он удерживает лидерство на арене по предпочтениям и в композитном показателе качества, а абонент, которому нравится разговор, вешает трубку в лучшем настроении, даже когда задача усложняется.

Выбирайте GPT-Live-1, когда сама задача является продуктом. Он опережает τ-Voice с результатом 74,5% против 71,6%, его схема делегирования документирована, а бэкенд рассуждений — это переносимый вызов с тарификацией по токенам, а не непрозрачный инструмент, и в расчёте на выполненную задачу он конкурентоспособен по стоимости, несмотря на разрыв в индексе. Выбирайте его также, если вы создаёте всё с нуля и у вас нет интеграции с WebSocket, которую нужно сохранить, потому что история с транспортом играет против вас только тогда, когда она у вас уже есть.

Единственный ответ, который стоит отбросить, — это выбирать по композитному показателю. Разрыв в 3,7 пункта по индексу и разрыв в 2,9 пункта по τ-Voice указывают в противоположных направлениях, а разница в стоимости — в третьем: GPT-Live-1 на 37,5% дешевле за минуту аудио, не считая текстового ввода. Тот, кто выбирает между этими двумя по 86,9 против 83,2, выбирает по числу, которое меньше всего связано с тем, работает ли его телефонная линия.

Что могло бы разрешить ситуацию: обязательство по общей доступности и опубликованный показатель задержки от OpenAI для конфигурации Astra, занимающей верхнюю строчку в таблице, поскольку сравнение 0,81 против 1,34 в настоящее время опирается на цифру xAI против конфигурации, которую собственные документы OpenAI рассматривают как пример; или изменение цены с любой из сторон. Тарифная сетка — единственная часть этого противостояния, которая менялась и раньше, и она двигалась вверх.

Подобные сравнения также выявляют режимы отказа: документированные инциденты с ИИ и сбои агентов, стоящие за моделями этого класса, собраны в архиве инцидентов ИИ OrcaRouter, где каждая запись содержит собственные источники, степень серьёзности, оценку достоверности и флаг оспаривания.