Grok Voice 3.0: что нового, цена API и как подключить

Grok Voice 3.0 — модель «речь в речь» от xAI для голосовых агентов в реальном времени, представленная 14 октября 2026 года. Вы говорите, она слушает и отвечает своим голосом через одно соединение WebSocket: звук входит и выходит напрямую, без отдельного распознавания и синтеза.

Тем, кто делает голосовых агентов, важны три вещи: насколько хорошо модель слышит и думает, сколько стоит минута и сколько кода придётся менять. У Grok Voice 3.0 ответы такие: первое место в индексе «речь в речь» Artificial Analysis (86.9 по данным xAI), $0.08 за минуту и никаких изменений, если вы уже вызываете grok-voice-latest.

Короткий ответ

• Та же цена, лучше модель. Grok Voice 3.0 заменяет Grok Voice 2.0 по той же цене $0.08 за минуту, на том же endpoint и с теми же событиями сессии.
• По всем сравнённым показателям xAI модель выше: 86.9 против 81.3 в индексе «речь в речь» и 97.0% против 95.1% в обработке пауз и перебиваний.
• Подключение по WebSocket по адресу wss://api.x.ai/v1/realtime. API повторяет формат Realtime от OpenAI, поэтому SDK OpenAI работают после смены base URL.
• Больше 20 языков и 28 встроенных голосов, плюс вызов инструментов — веб-поиска или ваших функций — прямо во время разговора.

Что такое Grok Voice 3.0?

Это модель «речь в речь»: звук на входе, звук на выходе, а между ними модель рассуждает. xAI называет её «моделью речь в речь для голосовых агентов в реальном времени». Она обрабатывает миллионы разговоров в день в автомобилях Tesla, отвечает за голосовой режим Grok Bot, а колл-центры Starlink принимают с её помощью 20 000 звонков в день.

ID модели — grok-voice-3.0. Псевдоним grok-voice-latest указывает на неё с дня запуска, так что все сессии с псевдонимом обновились сами. Grok Voice 2.0 теперь помечена как устаревшая.

Что изменилось по сравнению с Grok Voice 2.0?

Все показатели, которые сравнила xAI, выросли, а цена и API остались прежними. Цифры взяты из анонса xAI, который ссылается на тесты Artificial Analysis от 13 октября 2026 года.

В той же таблице у GPT-Live-1 (Astra) 83.2 по индексу, у Gemini 3.8 Live — 82.6, и Grok Voice 3.0 опережает обе модели по всем пяти строкам.

Full Duplex Bench показывает, насколько естественно модель держит паузы, передаёт слово и реагирует на перебивания — именно это звонящий замечает в голосовом агенте раньше всего. xAI также говорит, что модель отвечает меньше чем за секунду.

Модель думает перед тем, как говорить. Рассуждение включено по умолчанию, и его можно отключить для отдельной сессии, когда скорость важнее глубины. Во время разговора сессия может вызывать инструменты: поиск по файлам, веб-поиск, поиск по X, удалённые серверы MCP и ваши собственные функции.

Сколько стоит API Grok Voice?

По странице цен xAI, Grok Voice 3.0 стоит $0.08 за минуту аудио, то есть $4.80 в час. На той же странице для этой модели указано «$0.004 / text input», но единица измерения не названа.

Если нужно только одно направление, xAI считает отдельно: синтез речи стоит $15 за миллион символов, а распознавание — $0.10 в час ($0.20 в час в потоковом режиме).

Как подключиться?

Вы открываете WebSocket по адресу wss://api.x.ai/v1/realtime, передаёте модель параметром запроса, настраиваете сессию и шлёте аудио в обе стороны. Это официальный быстрый старт на Python из документации xAI:

import asyncio
import json
import os
import websockets

async def voice_agent():
    async with websockets.connect(
        "wss://api.x.ai/v1/realtime?model=grok-voice-latest",
        additional_headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"}
    ) as ws:
        # Настроить сессию
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "voice": "eve",
                "instructions": "You are a helpful assistant.",
                "turn_detection": {"type": "server_vad"}
            }
        }))

        # Отправить текстовое сообщение
        await ws.send(json.dumps({
            "type": "conversation.item.create",
            "item": {"type": "message", "role": "user",
                     "content": [{"type": "input_text", "text": "Hello!"}]}
        }))
        await ws.send(json.dumps({"type": "response.create"}))

        # Получать ответы в аудио и тексте
        async for msg in ws:
            event = json.loads(msg)
            print(f"Event: {event['type']}")

asyncio.run(voice_agent())

Чтобы закрепить новую модель вместо псевдонима, укажите model=grok-voice-3.0. Несколько деталей решают, пройдёт ли первый вызов:

Какие голоса и языки?

В документации 28 встроенных голосов, по умолчанию eve, и каждый голос говорит на всех поддерживаемых языках. API «речь в речь» поддерживает больше 20 языков. Она определяет язык собеседника, отвечает на нём и может переключать язык посреди разговора.

С API Custom Voices от xAI можно клонировать голос по образцу длиной до двух минут. Каждая команда может бесплатно создать до 30 голосов, но функция доступна только в США, кроме Иллинойса.

xAI говорит, что аудио обрабатывается в реальном времени и не сохраняется и не используется для обучения.

Можно ли использовать Grok Voice 3.0 через OmniaKey?

Сегодня нет. OmniaKey не предлагает Grok Voice, поэтому вызов идёт с ключом API от xAI. Если вы также используете текстовые и графические модели Grok, Grok 4.7 и Grok Imagine 2.0 работают в OmniaKey с одним ключом, рядом с Claude, GPT и Gemini. Руководство по Grok Imagine API описывает работу с изображениями.

Частые вопросы

Grok Voice 3.0 бесплатна?

API платная: на странице цен xAI указано $0.08 за минуту аудио. Если вы просто хотите поговорить с Grok, в приложениях Grok для веба, iOS и Android есть голосовой режим «свободные руки».

Нужно ли менять код после Grok Voice 2.0?

Нет. Endpoint, настройки сессии и события те же, а grok-voice-latest уже указывает на 3.0. Новое имя модели нужно только коду, где жёстко прописана grok-voice-2.0.

Работает ли с SDK от OpenAI?

Да. Руководство по миграции xAI говорит, что приложению на OpenAI Realtime API нужны три изменения: base URL (https://api.x.ai/v1), ключ API и имя модели.

Насколько быстро отвечает Grok Voice 3.0?

xAI говорит, что ответ начинается меньше чем за секунду. В анонсе также указано, что результат 71.6% на τ-Voice сопоставим с GPT-Live-1 (Astra) при задержке на 40% ниже.

Источники

• Анонс xAI: Grok Voice 3.0 (14 октября 2026 года)
• Документация xAI: речь в речь и обзор голосов
• Цены xAI, лимиты запросов и заметки о выпуске
• xAI Custom Voices

Проверено 19 октября 2026 года.