Компания Илона Маска SpaceXAI представила новую версию голосовой модели Grok Voice Think Fast 2.0. Разработчики делают ставку не только на естественный диалог, но и на способность модели выполнять сложные задачи в режиме реального времени: вызывать инструменты, управлять приложениями и вести многошаговые разговоры.

По данным, приведённым в публикации, среднее время до первого голосового ответа составляет всего 0,7 секунды. Это лучший результат среди пяти ведущих моделей в рассматриваемом рейтинге. Для сравнения, у предыдущей версии Grok Voice Think Fast этот показатель составлял 1,25 секунды, а у ряда моделей OpenAI — более 1,1 секунды.

В тестах Artificial Analysis новая модель получила 82,9% в категории speech-to-speech, заняв второе место после Qwen Audio 3.0 Realtime Plus. Однако в тестировании голосовых агентов Tau Voice Grok Voice Think Fast 2.0 набрала 56,5% и вышла на первое место, опередив решения OpenAI, Google и Alibaba.

Улучшения коснулись и других направлений:

результат в аудиотесте Big Bench Audio достиг 97,2%;

показатель Full Duplex Bench составил 95,1%;

общий результат оказался на 7,2 процентного пункта выше, чем у Think Fast 1.0;

распознавание речи в заявленных тестах стало значительно точнее;

в условиях фонового шума и телефонного сжатия количество ошибок, по данным статьи, могло снижаться примерно в десять раз.

При этом конкретные показатели зависят от методики тестирования, языков, качества аудио и сценария использования, поэтому результаты рейтингов не следует автоматически воспринимать как универсальное преимущество во всех задачах.

Обычная голосовая система часто работает по последовательной схеме: сначала распознаёт речь, затем обрабатывает запрос и только после этого начинает формировать ответ. Think Fast 2.0 стремится выполнять эти этапы параллельно.

Модель может начинать рассуждение ещё во время произнесения ответа. Благодаря этому вызов инструмента или выполнение команды иногда запускается до того, как закончена первая фраза. Разработчики также заявляют, что медианный расход токенов на рассуждение снизился примерно до 40% от показателя предыдущей версии.

Для пользователя это означает меньше пауз в разговоре и более быстрое выполнение команд. Модель должна не просто отвечать голосом, а действовать: менять настройки приложения, переключать интерфейс, обрабатывать запросы и поддерживать многораундовый диалог.

Разработчики уже демонстрируют интеграции Grok Voice Think Fast 2.0 в сервисы для торговли, терминалы и телефонные сценарии. В одном из тестов модель играла роль разгневанного клиента, который жалуется на опоздание мастера. Она поддерживала несколько раундов разговора, реагировала на ответы оператора и практически не допускала заметных пауз.

Другой эксперимент показал управление интерфейсом голосовыми командами: модель переключала темы приложения и выполняла последовательные инструкции в режиме реального времени.

Такие сценарии особенно важны для голосовых агентов в службах поддержки, продажах, телефонных помощниках и корпоративных системах. В этих областях недостаточно просто хорошо распознавать речь — система должна понимать контекст, планировать действия и обращаться к внешним инструментам.

Стоимость Grok Voice Think Fast 2.0 заявлена на уровне 0,08 доллара за минуту входящего аудио, или около 4,80 доллара за час. В публикации утверждается, что это примерно 45% от стоимости GPT-Realtime-2.1 High.

Таким образом, SpaceXAI пытается конкурировать сразу по трём направлениям: скорость, агентские возможности и цена. Если заявленные показатели подтвердятся на широком круге задач, модель может оказаться привлекательной для разработчиков голосовых сервисов, особенно там, где каждая задержка напрямую влияет на пользовательский опыт.

Конкуренция на рынке голосового ИИ постепенно меняется. Раньше основными критериями были точность распознавания и качество синтеза речи. Теперь всё большее значение имеют способность вести сложный диалог, вызывать инструменты и самостоятельно выполнять задачи.

Grok Voice Think Fast 2.0 отражает именно этот переход: от голосового интерфейса к полноценному голосовому агенту. Впрочем, окончательная оценка модели будет возможна только после массового использования разработчиками и компаниями.

Пока Grok претендует на лидерство в скорости и тестах голосовых агентов. Но главный вопрос остаётся практическим: сможет ли модель стабильно работать в реальных звонках, шумных помещениях и сложных бизнес-процессах — а не только занимать высокие позиции в рейтингах.