Grok Voice 3.0 против Grok Voice Think Fast 2.0: бесплатное обновление, реальные улучшения, одна регрессия

Модель, которую заменяет Grok Voice 3.0, — это та же самая модель, которую вы найдёте на Artificial Analysis под другим именем. Поищите в таблице Grok Voice Think Fast 2.0 — и не найдёте; поищите Grok Voice 2.0 и найдёте 81,3 — именно эту цифру собственные материалы о запуске предыдущей модели сообщали для Think Fast 2.0 под ярлыком конфигурации «High». API SpaceXAI называет идентификатор модели grok-voice-2.0, а в примечаниях к выпуску июльское поколение называется Grok Voice 2.0, тогда как в анонсе, представившем его, использовалось имя Think Fast. Так что когда SpaceXAI 14 октября 2026 года объявила grok-voice-2.0 устаревшей и направила grok-voice-latest на grok-voice-3.0, она вывела из эксплуатации модель, которую её собственная строка в таблице лидеров и её собственное маркетинговое название описывают как две разные вещи.

Практическое следствие: обновление, которое многие команды уже получили — тихо, без развёртывания, поскольку алиас переместился, — больше, чем предполагает путаница в названиях, и меньше, чем подразумевает разрыв в индексах. Обе модели тарифицируются по $0,08 за минуту и $0,004 за ввод текста, так что цена не изменилась. А качество — по большей части изменилось.

Что даёт обновление, компонент за компонентом

Все цифры в этом разделе — результат собственного тестирования Artificial Analysis: данные для Grok Voice 3.0 датированы 13 октября 2026 года, а для предыдущего поколения взяты из той же таблицы.

• Индекс «речь в речь» — 86,9 у Grok Voice 3.0 против 81,3 у Grok Voice Think Fast 2.0. Совокупный прирост на 5,6 пункта, который звучит как обновление версии, пока не разложишь его по частям.

• Агентная производительность, τ-Voice — 71,6% против 56,5%. Именно в этом и заключается суть релиза. Пятнадцать процентных пунктов в выполнении многоходовых задач — это разница между голосовой моделью, которая справляется со звонком по сценарию, и той, которая справляется со звонком с ветвлениями.

• Предпочтение в Speech Agent Arena — Elo 1070 против 1011. Пятьдесят девять пунктов человеческого предпочтения и самый высокий показатель, зафиксированный в таблице лидеров.

• Динамика разговора, Full Duplex Bench — 97,0% против 95,1%. Почти два пункта по перебиванию и смене реплик — а это именно та ось, которую эта линейка моделей изначально должна была выиграть.

• Речевое рассуждение, Big Bench Audio — 98,5% против 97,2%. Оба результата фактически на пределе.

• Успешность выполнения задачи — 94,8% против 94,6%. Разница в пределах погрешности измерения. Если ваша оценка — это одноходовой запрос, выполненный правильно, эти две модели получают одинаковый результат, и обновление остаётся незаметным.

• Время до первого аудио — 0,81 секунды для Grok Voice 3.0 против 0,70 для Grok Voice Think Fast 2.0.

• Цена — одинаковая с обеих сторон. $0,08 в минуту, $4,80 в час, плюс $0,004 за текстовый ввод.

Регрессия, и почему это самое интересное

Прочитайте последние две строки вместе. Grok Voice Think Fast 2.0 сократил время до первого аудиосигнала с 1,25 секунды у собственного предшественника до 0,70, и xAI усиленно продвигала этот показатель — на момент выпуска в конце июля 2026 года это была самая быстрая опубликованная цифра в категории, и она по-прежнему быстрее всего остального в таблице. Grok Voice 3.0 возвращает 0,11 секунды из этого.

Это не скандал и не случайность. Это видимая цена скачка τ-Voice. Всё, что xAI добавила в модель, чтобы поднять выполнение многоходовых задач с 56,5% до 71,6%, стоит времени до первого аудиокадра, и никакой промпт-инжиниринг этого не компенсирует, потому что задержка находится внутри модели, а не перед ней.

Что заставляет сказать это прямо, так это то, что это переворачивает исходный посыл. Команда, выбравшая Think Fast 2.0, в большинстве случаев сделала это ради 0,70. Если именно поэтому модель находится в вашем стеке, то преемник измеримо хуже по тому свойству, ради которого вы её покупали, и честно будет измерить, обходится ли вам 0,11 секунды добавленной задержки дороже, чем приносят вам 15 пунктов прироста выполнения задач. При развёртывании в телефонии ответ не очевиден ни в ту, ни в другую сторону, и он зависит от того, где в вашем потоке вызовов агент выполняет реальную работу.

Псевдоним переместился, и это не сноска.

grok-voice-2.0 объявлен устаревшим начиная с релиза 14 октября, и grok-voice-latest теперь указывает на grok-voice-3.0. Все, кто развёртывался с использованием этого псевдонима, были автоматически переведены на новую модель — без изменений в коде и без каких-либо записей в логах, указывающих на это.

Сопоставьте это с хронологией — и это становится закономерностью, а не отдельным инцидентом. 5 августа 2026 года — примерно за десять недель до этого релиза — grok-voice-latest был переключён на модель, которая теперь называется Think Fast 2.0, и разработчикам, желавшим остаться на предыдущем поколении, приходилось до этой даты закрепить идентификатор модели с версией или смириться с изменением. Получается две незаметные подмены за один квартал, каждая из которых меняет характеристики задержки более чем на десятую долю секунды, без манифеста версий и без объявленного заранее окна устаревания.

Для чат-бота это нормально. Но для телефонной системы с набором регрессионных тестов, написанных под тайминги конкретного голоса, или с SLA, где указана задержка взаимодействия, это означает, что псевдоним — не та абстракция, которой он кажется. В продакшене закрепляйте версионированный ID, а grok-voice-latest считайте удобством для стейджинга, а не целью развёртывания.

Что не изменилось, и одна вещь, которая переносится

Обновление близко к прямой замене, и стоит уточнить, почему именно, ведь альтернатива — например, GPT-Live-1 — требует переписать аудиотранспорт на WebRTC и паттерн делегирования, которому здесь нет аналога. Grok Voice 3.0 сохраняет тот же WebSocket-эндпоинт реального времени, те же параметры session.update, те же имена событий, то же рукопожатие с bearer-токеном и те же недолговечные эфемерные токены для клиентских подключений. Голоса не изменились, а эндпоинт кастомных голосов, который обучает голос по референсному клипу длительностью до 120 секунд, выдаёт идентификаторы, работающие в realtime API и потоковом синтезе речи точно так же, как и раньше.

Что переносится из прошлого поколения, а не улучшается, — это данные о транскрипции. Предыдущее поколение активно продвигали, делая упор на частоту ошибок в словах, — xAI сообщала, что оценивала тысячи коротких фраз на 24 языках и обнаружила, что ошибок в 1,5–2,0 раза меньше, чем у специализированных моделей распознавания речи, включая Deepgram Nova 3 и ElevenLabs Scribe v2, в 1,4 раза меньше, чем у её собственного предшественника, и примерно в 10 раз меньше ошибок в шумных условиях с фоновым шумом и телефонной компрессией. Это цифры производителя, и они никогда не воспроизводились независимо. В материалах к запуску Grok Voice 3.0 они не повторяются, что не является ни подтверждением, ни опровержением. Если точность в шумном канале критична для вашего развёртывания, это одна из немногих вещей, которые вам придётся перепроверить самостоятельно, а не просто прочитать на табло.

Пробую новый, не ставя на кон телефонную линию.

Причина, по которой фиксация версии обходится здесь так дёшево, в том, что ничто в Grok Voice 3.0 не сложно развернуть рядом, — а роутер в этом стеке стоит иметь не из-за аудиослоя, который принадлежит исключительно xAI, а из-за всего, к чему этот аудиослой обращается.

OrcaRouter не обслуживает realtime-эндпоинт Grok Voice и не может этого делать; дуплексный аудио-WebSocket — это поверхность одного вендора. Мы предоставляем текстовый уровень, к которому обращается голосовая модель. Голосовое развёртывание — это голосовая модель плюс классификатор, суммаризатор, шаг поиска и бэкенд для вызова инструментов, и эта половина — обычный инференс с оплатой за запросы: более 200 моделей за одним ключом, по прайс-листу провайдера без наценки, так что снижение цены вендором в любом месте этого слоя отражается у нас в тот же день, а не при продлении; автоматический фейловер при деградации провайдера, что для живого звонка — разница между повторно выполненным поиском и потерянным абонентом; и DSL маршрутизации, позволяющий объединять несколько моделей в один вызов и переключать комбинацию на живом трафике, не касаясь аудиотракта.

Именно эта структура делает закрепление версии дешёвым. Оставьте grok-voice-2.0 на продакшене, направьте вторую среду на grok-voice-3.0 и позвольте одним и тем же бэкенд-моделям обслуживать оба — тогда сравнение измеряет единственную переменную, которую вы действительно изменили, а путь кода под этим идентичен в обоих направлениях.

Вердикт, каждый по одной строке

Обновляйтесь, если ваш агент выполняет работу, а не ведёт разговор. Пятнадцать пунктов τ-Voice и 59 пунктов предпочтения на арене при неизменной цене — это самая явная сделка «ценность задаром» в этой категории в этом году, и ради этого ничего в интеграции не придётся менять.

Сначала закрепите и протестируйте, если вся ваша аргументация в пользу голосовой линейки xAI сводилась к старту за 0,70 секунды. Сейчас этот показатель — 0,81, модель, которая его обошла, всё ещё работает, и она помечена устаревшей, а не удалена.

Игнорируйте названия. Grok Voice Think Fast 2.0, Grok Voice 2.0 и API id grok-voice-2.0 указывают на одно и то же поколение, и если вы читали таблицу лидеров, в которой указано только одно из этих названий, вы читали правильное число под меткой, которую ваш собственный конфигурационный файл не использует.

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.