Grok Voice 3.0: русский в списке языков, но проверьте на 20 звонках

Что вышло и что я сверил

В пересказах канала про ИИ звучало три вещи: ответ быстрее секунды, первое место в индексе и отсутствие русского. Я открыл первоисточники. Анонс датирован 14 октября 2026 года, в журнале изменений модель называется grok-voice-3.0, а алиас grok-voice-latest теперь указывает на неё. В документации компания подписана SpaceXSI, домен x.ai прежний.

Подключение: WebSocket на wss://api.x.ai/v1/realtime, для телефонии SIP. Номер подключается через свой SIP-транк, выдавать номера через API xAI не умеет. Из кодеков есть G.711, на телефонной линии это важно. Цена на странице цен: 0,08 доллара за минуту, тот же тариф, что у 2.0. Рядом строка «0,004 доллара за text input», что именно она считает, страница не поясняет. Сверено 19 октября 2026 года.

Скорость и рейтинг: что независимо, что нет

Индекс Speech-to-Speech у Artificial Analysis считает независимая лаборатория. Grok Voice 3.0 там 86,9, GPT-Live-1 (Astra, Medium) 83,2, Gemini 3.8 Live 82,6. Время до первого звука на их тесте 0,81 секунды против 1,34 и 1,35. Это замер на задачах Big Bench Audio, не на телефонной линии, и язык вопросов на странице не указан.

Там же видно, где модель не лидирует. В тесте на звонки поддержки τ-Voice у Grok 71,6 процента, у GPT-Live-1 74,5. Результат 97 процентов на Full Duplex Bench (паузы и перебивания) тоже стоит в таблице Artificial Analysis. Формулировку «самая умная голосовая модель» придумала xAI.

Русский язык: в списке есть, качество не доказано

Раздел Supported Languages в документации даёт 20 с лишним языков: английский, три варианта арабского, китайский, французский, немецкий, хинди, японский, корейский, турецкий и другие. Строка «Russian, ru» там есть. Модель сама определяет язык входящей речи, а подсказать его можно параметром language_hint. Про остальные языки сказано, что разговор возможен «с разной точностью».

Откуда в пересказе взялось «русского нет», я не знаю: возможно, из тестов на английском или из старой версии. В нынешней документации это не подтверждается. Но и «русский проверен» я написать не могу. Нет ни одного замера на русской телефонной речи, ни своего, ни чужого. Про колл-центры Starlink в анонсе сказано «несколько языков», какие именно, не названо. Заявленные xAI миллионы разговоров в день в машинах Tesla тоже никто со стороны не проверял.

Речь в речь или цепочка

В цепочке звук превращается в текст, языковая модель пишет ответ, синтезатор его озвучивает. Каждое звено добавляет задержку, а интонацию клиента (раздражение, сомнение) текст не передаёт. Как складывается пауза по звеньям, я разбирал в статье про задержку голосового бота. «Речь в речь» слышит голос целиком, перебивания обрабатывает сама модель.

Цена за это в контроле. В цепочке перед озвучкой виден текст ответа: его можно проверить правилами, подменить цену на точную из CRM, залогировать. В речи в речь есть транскрипты реплик в событиях сессии, но ответ уже произносится. Для произношения имён и названий в Grok есть таблица подмен replace, для терминов список keyterms, для обязательных фраз вроде «разговор записывается» режим force_message. Российский вариант цепочки описан в статье про голосового ассистента на российском стеке, а самосборный на Pipecat в разборе своего голосового агента.

Условный счёт за минуту

Условный пример, не чужой проект. Допущения: 600 звонков в месяц, в среднем 3 минуты, тариф 0,08 доллара за минуту, курс 90 рублей за доллар.

• Минуты: 600 × 3 = 1800.
• Модель: 1800 × 0,08 = 144 доллара, около 13 тысяч рублей.
• Не вошло: строка 0,004 за text input, телефонный транк, сервер, ваша интеграция с CRM, работа оператора на передачах.

При шести минутах на звонок счёт удваивается. Как считается минута (округление, время ожидания, молчание), в документации я не нашёл. Первый месяц сверьте со счётом. Лимит одновременных сессий на старте 10 и растёт с суммой расходов, для 600 звонков хватает, для пикового часа проверьте. Актуальные тарифы смотрите на странице цен моих работ и в прайсе xAI.

Запись, данные, 152-ФЗ

По FAQ по безопасности запросы и ответы API по умолчанию хранятся 30 дней в зашифрованном виде для проверки злоупотреблений. Обучения на них без явного разрешения нет, есть режим Zero Data Retention. Относится ли это к аудио голосовых сессий, FAQ прямо не говорит. Региональный endpoint в США голосовые API не обслуживает, на общем регион обработки не гарантируется.

Голос, номер телефона и имя звонящего персональные данные. Отправка их за рубеж это отдельный вопрос, я разбирал его в материалах про запись разговоров с клиентами и локализацию баз по 152-ФЗ. Согласие, уведомление и условия передачи решайте с юристом до запуска. Я не юрист и статьи закона для вашего случая называть не буду.

Что можно сделать уже сейчас

Соберите 20 звонков. Реальные, обезличенные: убраны имена и номера, права на использование записей уточните у юриста. Нужны разные: запись, цена, жалоба, шум, плохая связь.

Прогоните их через Grok и через цепочку. На английском тесте ничего не докажет. Смотрите на фамилии и отчества, адреса, номера телефонов по цифрам, акценты, мат и просторечие, перебивания, просьбу повторить, переключение на человека.

Измерьте на линии. Секунды от последнего слова клиента до первого слова бота по телефону, доля звонков без человека, ошибки в записанных полях, реальная цена минуты из счёта.

Решите по таблице. Если в сумме Grok хуже цепочки, остаётся цепочка. Собрать и сравнить помогу в рамках голосовых ИИ-ассистентов и ИИ-агентов под ключ.

Частые вопросы

Поддерживает ли Grok Voice 3.0 русский?

В документации xAI русский в списке языков есть. Независимых замеров качества на русском я не нашёл, поэтому проверяйте на своих звонках.

Можно ли верить цифрам Starlink?

Это данные компании. В анонсе 20 тысяч звонков в день и около 70 процентов без человека. В августовском кейсе на крупной плашке стоит 60 процентов, а в тексте около 70. Независимой проверки нет.

Можно ли платить и подключаться из России?

Страну регистрации и способы оплаты я не проверял. Доступ, оплату и телефонный транк уточняйте.

Коротко о главном

Grok Voice 3.0 существует с 14 октября 2026 года, стоит 0,08 доллара за минуту, подключается по WebSocket и SIP. Русский в документации заявлен, а качества на русской телефонной речи в открытых данных нет. Скорость и индекс измерены независимо, но язык замеров не указан. Решает ваш тест на 20 звонках.

Если хотите, чтобы я прогнал ваши записи через Grok и через цепочку и показал таблицу сравнения, напишите мне в Telegram кодовое слово «ДВАДЦАТЬ».