Grok научили думать прямо во время разговора

Компания Илона Маска xAI выпустила новую голосовую модель — Grok Voice Think Fast 2.0. Она умеет вести разговор голосом и расшифровывать речь в текст.

По тестам Artificial Analysis, модель заняла второе место в общем рейтинге качества речевых моделей Speech-to-Speech Quality Index — 82,9%. Выше только Qwen Audio 3.0 TTS Plus. Зато в задачах для голосовых агентов Grok Voice Think Fast 2.0 обошла всех: 56,5% в тесте Tau Voice. Первый звук ответа появляется через 0,70 секунды — один из лучших результатов среди конкурентов, включая GPT Realtime 2.1 от OpenAI и Gemini 3.1 Flash от Google.

Как транскрибатор модель тоже прибавила. На тесте из тысяч коротких фраз на 24 языках она показала точность распознавания в 1,5–2 раза выше, чем у специализированных моделей Deepgram Nova 3 и ElevenLabs Scribe v2. По сравнению с прошлой версией Think Fast 1.0 — рост в 1,4 раза. В шумной обстановке или при плохой телефонной связи разрыв с конкурентами увеличивается почти в 10 раз — xAI специально тренировала модель на реальных, а не идеальных записях.

Главная особенность серии Think Fast — модель рассуждает прямо во время произнесения ответа, не делая паузу на обдумывание. При этом во второй версии число токенов, потраченных на рассуждение, сократили примерно на 60%. Из-за этого вызовы внешних инструментов срабатывают быстрее — часто ещё до того, как модель договорит первую фразу.

С 5 августа 2026 года все, кто использует версию «grok-voice-latest», автоматически перейдут на Think Fast 2.0. Чтобы остаться на старой модели, нужно вручную указать «grok-voice-think-fast-1.0». Цена — 0,08 доллара за минуту.