14 października 2026 roku xAI ogłosiło Grok Voice 3.0 — model zamiany mowy na mowę działający w czasie rzeczywistym, przeznaczony dla agentów głosowych. Firma podała, że model jest dostępny w Voice Agent API, a jego użycie kosztuje 0,08 USD za minutę. W ogłoszeniu xAI podano też, że agenci korzystający z aliasu grok-voice-latest zostali automatycznie przełączeni na nową wersję.
Jak skonfigurować połączenie i głos
Dokumentacja Voice Agent API opisuje połączenie WebSocket z endpointem /v1/realtime. W ustawieniach sesji można określić głos i instrukcje, włączyć wykrywanie aktywności głosowej po stronie serwera (VAD) oraz skonfigurować narzędzia. Przykład xAI pokazuje między innymi użycie narzędzia web_search.
W przypadku aplikacji klienckich xAI zaleca tokeny efemeryczne, aby nie umieszczać klucza API bezpośrednio w aplikacji. Przewodnik głosowy xAI wymienia 28 wbudowanych identyfikatorów głosów i pokazuje tworzenie głosu niestandardowego na podstawie próbki referencyjnej o długości do 120 sekund. Utworzony identyfikator głosu można wykorzystać w API czasu rzeczywistego.
Jak wypada porównanie Speech-to-Speech Index
Wyniki z 13 października 2026 roku, które xAI przytoczyło w ogłoszeniu, przypisano ewaluacji Artificial Analysis. W zestawieniu Grok Voice 3.0 uzyskał najwyższy wynik spośród czterech wymienionych konfiguracji:
| Model i wariant | Speech-to-Speech Index |
| Grok Voice 3.0 | 86,9 |
| Grok Voice 2.0 | 81,3 |
| GPT-Live-1 (Astra, Medium) | 83,2 |
| Gemini 3.8 Live (Extended Thinking, High) | 82,6 |
Artificial Analysis oblicza indeks jako średnią z czterech równoważonych składników: rozumowania w Big Bench Audio, wyniku τ-Voice, preferencji w Arena Preference i skuteczności zadań. To zestawienie porównuje wyniki w tych testach; samo w sobie nie określa skuteczności każdej rozmowy w rzeczywistym wdrożeniu.
Stawka za rozmowę i opłata za tekst
xAI ogłosiło stawkę 0,08 USD za minutę przetwarzania mowy, taką samą jak dla Grok Voice 2.0. To odpowiada 4,80 USD za godzinę przy niezmiennym wykorzystaniu przez cały ten czas. Osobno, na stronie cennika oznaczonej jako zaktualizowana 10 października 2026 roku, xAI wymienia opłatę 0,004 USD za każde wejście tekstowe. Cennik Voice API podaje tę pozycję obok stawki za zamianę mowy na mowę.
