grok-voice-3.0Grok Voice 3.0 — модель xAI «речь в речь» для голосовых агентов, выпущенная 14 октября 2026 года. Речь поступает на вход, а голосовой ответ выдаёт одна и та же модель — без цепочки из отдельного распознавания речи, языковой модели и синтеза. В анонсе xAI приводятся данные Artificial Analysis от 13 октября 2026 года: первое место в Speech-to-Speech Index с результатом 86.9. По сравнению с Grok Voice 2.0, по данным профильных изданий, индекс вырос с 81.3 до 86.9, бенчмарк задач поддержки tau-Voice — с 56.5% до 71.6%, а смена реплик в полнодуплексном режиме — с 95.1% до 97.0%; время до первого звука, наоборот, увеличилось с 0.70 до 0.81 с. На apimodels.app вы открываете WebSocket к wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0 со своим API-ключом, либо ваш сервер выпускает короткоживущий токен, чтобы браузер подключался, не видя ключа. События — это Voice Agent API от xAI, в основном совместимый с событийной моделью OpenAI Realtime. Аудио по умолчанию — 16-битный PCM, 24 кГц; каждый из 28 встроенных голосов говорит на всех поддерживаемых языках, их более 20, язык определяется автоматически, китайский тоже есть. Вызов функций без доплаты. Цена — $0.104 за минуту подключённой сессии с посекундной тарификацией (звонок на 90 секунд стоит $0.156), плюс $0.0052 за каждое отправленное текстовое сообщение. Один ключ даёт доступ к этой и ещё 150+ моделям, отдельный аккаунт xAI и зарубежная карта не нужны, а каждая сессия попадает в историю вызовов с длительностью и стоимостью.
$0.104/min, billed per second · typed messages $0.0052 each · microphone required
Grok Voice 3.0
xAI ссылается на Artificial Analysis (13.10.2026): первое место с результатом 86.9 против 81.3 у Grok Voice 2.0
По сравнению с Grok Voice 2.0, по данным прессы: tau-Voice с 56.5% до 71.6%, смена реплик в полном дуплексе с 95.1% до 97.0%; первый звук — 0.81 с вместо 0.70 с
wss://api.apimodels.app/v1/realtime с API-ключом на сервере или короткоживущий токен, который ваш сервер выдаёт браузеру
Каждый встроенный голос говорит на всех поддерживаемых языках, включая китайский; язык определяется автоматически
Опишите функции в session.update. Серверные инструменты (web_search, x_search, file_search, mcp) здесь пока недоступны
Сессия на 90 секунд стоит $0.156, каждое текстовое сообщение — $0.0052, неиспользованные секунды последней минуты возвращаются
Grok Voice 3.0 — это API категории «аудио и речь» от xAI. Grok Voice 3.0 — модель xAI «речь в речь» для голосовых агентов, выпущенная 14 октября 2026 года. Речь поступает на вход, а голосовой ответ выдаёт одна и та же модель — без цепочки из отдельного распознавания речи, языковой модели и синтеза. В анонсе xAI приводятся данные Artificial Analysis от 13 октября 2026 года: первое место в Speech-to-Speech Index с результатом 86.9. По сравнению с Grok Voice 2.0, по данным профильных изданий, индекс вырос с 81.3 до 86.9, бенчмарк задач поддержки tau-Voice — с 56.5% до 71.6%, а смена реплик в полнодуплексном режиме — с 95.1% до 97.0%; время до первого звука, наоборот, увеличилось с 0.70 до 0.81 с. На apimodels.app вы открываете WebSocket к wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0 со своим API-ключом, либо ваш сервер выпускает короткоживущий токен, чтобы браузер подключался, не видя ключа. События — это Voice Agent API от xAI, в основном совместимый с событийной моделью OpenAI Realtime. Аудио по умолчанию — 16-битный PCM, 24 кГц; каждый из 28 встроенных голосов говорит на всех поддерживаемых языках, их более 20, язык определяется автоматически, китайский тоже есть. Вызов функций без доплаты. Цена — $0.104 за минуту подключённой сессии с посекундной тарификацией (звонок на 90 секунд стоит $0.156), плюс $0.0052 за каждое отправленное текстовое сообщение. Один ключ даёт доступ к этой и ещё 150+ моделям, отдельный аккаунт xAI и зарубежная карта не нужны, а каждая сессия попадает в историю вызовов с длительностью и стоимостью. Через платформу APIMODELS доступ к этой модели идёт по единому API с прозрачной оплатой по факту использования. Текущая цена: per minute, billed per second: $$0.104 / min, per text message (input_text): $$0.0052.
Профессиональная озвучка для видео, анимации и рекламы с большим выбором голосов.
Быстро собрать аудио для подкаста, в том числе с диалогом нескольких говорящих.
Превратить текст в естественную, связную речь для выпуска аудиокниг.
Дубляж и перевод на разные языки, чтобы контент дошёл до аудитории по всему миру.
Grok Voice 3.0 доступна через APIMODELS по цене: per minute, billed per second: $$0.104 / min, per text message (input_text): $$0.0052. Оплата идёт по факту использования — вы платите только за то, что сгенерировали.
Зарегистрируйтесь на APIMODELS, получите API-ключ и обращайтесь к нашему единому эндпоинту. Есть подробная документация с примерами на cURL, Python и Node.js.
APIMODELS отдаёт ту же самую модель Grok Voice 3.0 через свою агрегирующую платформу. Мы предоставляем единый интерфейс API, поэтому отдельные аккаунты у каждого поставщика не нужны — один ключ открывает доступ ко всем моделям.
Grok Voice 3.0 — модель xAI «речь в речь» для голосовых агентов в реальном времени, выпущенная 14 октября 2026 года: вы передаёте речь потоком, и та же модель отвечает голосом. В анонсе xAI приводятся данные Artificial Analysis (13 октября 2026 года): первое место в Speech-to-Speech Index с результатом 86.9. Профильные издания сравнивают её с Grok Voice 2.0: индекс вырос с 81.3 до 86.9, бенчмарк задач поддержки tau-Voice — с 56.5% до 71.6%, смена реплик в полнодуплексном режиме — с 95.1% до 97.0%, а время до первого звука изменилось с 0.70 до 0.81 с. На apimodels.app идентификатор модели — grok-voice-3.0.
$0.104 за минуту подключённой сессии с посекундной тарификацией: сессия на 90 секунд стоит $0.156. Каждое текстовое сообщение, отправленное через conversation.item.create (input_text), стоит $0.0052, вызов функций без доплаты. Для подключения на балансе должно быть не меньше чем на одну минуту ($0.104); каждая минута списывается в её начале, а неиспользованные секунды возвращаются после завершения сессии. Если баланс закончится посреди сессии, придёт событие error с типом insufficient_balance и сессия закроется; если подключиться к модели не удалось, ничего не списывается. Демо с микрофоном на этой странице тарифицируется так же.
С сервера откройте wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0 с заголовком Authorization: Bearer YOUR_API_KEY. Браузер не умеет задавать заголовки для WebSocket, поэтому ваш сервер сначала вызывает POST https://api.apimodels.app/v1/realtime/client_secrets с тем же заголовком (необязательное тело {"expires_after":{"seconds":60}}, от 10 до 600 секунд, по умолчанию 60), получает {"value", "expires_at"} и отдаёт value странице, а та подключается через new WebSocket(url, ["xai-client-secret." + value]). Никогда не передавайте API-ключ в браузер. Эндпоинт есть только на api.apimodels.app, а не в apimodels.app/api/v1, потому что там WebSocket не проксируется.
По умолчанию аудио в обе стороны — 16-битный PCM, 24 кГц, моно, little-endian, в base64 внутри JSON-событий; через audio.input.format и audio.output.format также принимаются audio/pcmu, audio/pcma и audio/opus, а audio.output.speed задаётся от 0.7 до 1.5. Встроенных голосов 28, голос выбирается полем voice в session.update. Женские: ara, aurora, carina, celeste, eve (по умолчанию), iris, liora, luna, ursa. Мужские: altair, atlas, castor, cosmo, helios, helix, kepler, leo, lumen, lux, naksh, orion, perseus, rex, rigel, sal, sirius, zagan, zenith.
Да. Модель поддерживает более 20 языков с естественным акцентом и определяет язык автоматически; китайский (упрощённый) есть в списке языков xAI. Каждый встроенный голос говорит на всех поддерживаемых языках, так что отдельный «китайский» голос выбирать не нужно. Если язык собеседника известен заранее, задайте в audio.input.transcription.language_hint тег BCP-47, например zh-CN.
Вызов функций — да, без доплаты: опишите функции в session.update, дождитесь response.function_call_arguments.done, выполните функцию в своём коде и верните результат элементом function_call_output через conversation.item.create, а затем отправьте response.create. Серверные инструменты (web_search, x_search, file_search и mcp) на apimodels.app пока недоступны; session.update с ними получит событие error.
Сессия длится не более 60 минут, на аккаунт допускается до 5 одновременных сессий, а сессия без клиентских событий в течение 10 минут закрывается. Каждая сессия — это одна запись в истории вызовов консоли с длительностью и стоимостью, так что расход легко сверить по каждому звонку.
Событийная модель в основном та же, поэтому клиентский код под OpenAI Realtime переносится с небольшими правками: session.update, conversation.item.create, response.create и события input_audio_buffer работают так же, а аудио приходит в response.output_audio.delta. Отличия: транскрипция входной речи приходит накопительными событиями conversation.item.input_audio_transcription.updated, а не инкрементальными дельтами, и некоторые события OpenAI не отправляются: conversation.item.retrieve, события started, stopped и cleared буфера выходного аудио, а также rate_limits.updated. Тарификация тоже другая: здесь единая цена за минуту сессии, а OpenAI отдельно считает входные и выходные аудиотокены.
В APIMODELS Grok Voice 3.0 соседствует более чем с 60 моделями под одним API-ключом и общим балансом, поэтому выбор — это вопрос соответствия задаче, а не привязки к поставщику. Модель поддерживает Speech-to-Speech, Realtime WebSocket, 28 Voices, 20+ Languages, Function Calling, Billed per Second; вы можете сравнить её по цене и возможностям с другими моделями категории «аудио и речь» и переключиться, изменив одну строку с именем модели — без нового аккаунта и без переписывания интеграции. Все варианты категории «аудио и речь» с актуальными ценами — на apimodels.app/models.
Grok Voice 3.0 поддерживает: Speech-to-Speech, Realtime WebSocket, 28 Voices, 20+ Languages, Function Calling, Billed per Second. Полный список параметров и примеры вызовов — в документации APIMODELS.
Да. APIMODELS отдаёт Grok Voice 3.0 через единый API и один ключ — отдельные аккаунты у каждого поставщика не нужны, и вам не приходится самостоятельно решать вопросы регионального сетевого доступа к каждому из них.
Принимаем Stripe (Visa, Mastercard и другие международные карты) и Alipay. Баланс становится доступен сразу после оплаты.
How to get access, regional availability, and how this model compares with its alternatives.