Grok Speech to Text и Text to Speech от xAI: 25 языков и демпинг по цене

Что нового

xAI Илона Маска запустила два отдельных аудио‑API:

• Grok Speech to Text (STT) — распознавание речи
• Grok Text to Speech (TTS) — синтез речи

Оба сервиса работают на той же технологической базе, что Grok Voice, голосовые функции в Tesla и голосовая поддержка Starlink.

Ключевые цифры по Grok Speech to Text:

• Поддержка 25+ языков, включая русский
• Batch‑распознавание: $0,10 за час аудио
• Стриминговое распознавание: $0,20 за час аудио
• Поддержка word‑level timestamps (временные метки для каждого слова)
• Speaker diarization — определение спикеров с привязкой к словам
• Мультиканал — раздельная транскрипция многоканального аудио
• Встроенная Inverse Text Normalization: числа, даты, валюты и другие сущности превращаются в структурированный текст

Сравнение цен на batch STT (за час аудио):

• Grok STT API — $0,10
• AssemblyAI — $0,21
• ElevenLabs — $0,22
• Deepgram — $0,31

Сравнение цен на streaming STT (за час аудио):

• Grok STT API — $0,20
• ElevenLabs — $0,39
• AssemblyAI — $0,45
• Deepgram — $0,55

Качество Grok STT xAI показывает через Word Error Rate (WER) по разным сценариям:

• Phone Call Entities (имена, адреса, цифры в звонках):
  • Grok STT — 5,0%
  • ElevenLabs — 12,0%
  • Deepgram — 13,5%
  • AssemblyAI — 21,3%
• Видео/подкасты:
  • Grok STT — 2,4%
  • ElevenLabs — 2,4%
  • Deepgram — 3,0%
  • AssemblyAI — 3,2%
• Митинги:
  • Grok STT — 10,9%
  • ElevenLabs — 12,2%
  • Deepgram — 16,3%
  • AssemblyAI — 15,7%
• Телефония:
  • Grok STT — 9,3%
  • ElevenLabs — 9,4%
  • Deepgram — 11,0%
  • AssemblyAI — 11,2%
• Итоговый WER по всем сценариям:
  • Grok STT — 6,9%
  • ElevenLabs — 9,0%
  • Deepgram — 11,0%
  • AssemblyAI — 12,9%

Для Grok Text to Speech xAI даёт такие условия:

• Цена: $4,20 за 1 млн символов

Сравнение с другими TTS‑сервисами (стоимость за 1 млн символов):

• Grok TTS API — $4,20
• OpenAI — $30,00
• InWorld AI — $40,00
• Cartesia — $46,70
• ElevenLabs — $50,00

Надстройки для синтеза:

• Реальное время через WebSocket и пакетный режим через REST
• Поддержка спич‑тэгов: [laugh], [sigh], [whisper], <emphasis>, <slow>, <pause> и другие — для управления эмоциями, паузами и интонацией.

Как это работает

Grok Speech to Text

Grok STT доступен через два типа API:

• REST API — для batch‑обработки больших аудиофайлов. Сервер принимает файл и возвращает готовую транскрипцию, включая временные метки и разметку спикеров.
• WebSocket API — для стримингового распознавания речи. Клиент отправляет аудиопоток, получает текст почти в реальном времени с минимальной задержкой.

Особенности обработки:

1. Word‑level timestamps
   Для каждого слова Grok STT возвращает точное время начала и окончания. Это важно для субтитров, поиска по видео и нарезки контента.

2. Speaker diarization и мультиканал
   Grok STT умеет:

   • Разделять спикеров в одном аудиопотоке и помечать слова Speaker 1, Speaker 2 и т.д.
   • Обрабатывать многоканальное аудио (например, стерео‑записи колл‑центров, где клиент и оператор пишутся на разные каналы) и сохранять разделение.

3. Inverse Text Normalization (ITN)
   Сервис не просто транскрибирует «как слышит», а приводит речь к структурированному тексту. Пример логики ITN:

   • «четыре один четыре пять пять пять один два три четыре» → 4145551234
   • «шестой девяносто девять» в контексте транзакции → 6.99
   • Даты и валюты оформляются как привычные числа и форматы, а не растянутый текст.

   В англоязычном примере xAI показывает диалог колл‑центра, где Grok STT:

   • корректно распознаёт сложные имена (Anghared Llewelyn Bowen, Oisin MacGiolla Phadraigh)
   • форматирует процентную ставку 3.75%
   • выводит дату March 10th, 2024 полностью, а не 03/10/2024
   • правильно записывает e‑mail a.bowen@bestbank.com, а не в виде «a dot bowen at bestbank dot com»

   Другие модели в примере путают имена, формат дат и e‑mail, давая 6 ошибок против нуля у Grok STT.

4. Мультиязычность (25+ языков)
   Grok STT работает на нескольких десятках языков и может переключаться между ними без переинициализации сервиса. В списке есть русский.

Grok Text to Speech

Grok TTS тоже доступен через два интерфейса:

• REST API — генерация озвучки для длинных текстов: статьи, подкасты, аудиокниги.
• WebSocket API — синтез речи в реальном времени: голосовые ассистенты, игровые персонажи, интерактивные приложения.

Главная идея — тонкая настройка голоса через спич‑тэги. Примеры использования, которые даёт xAI:

Have you heard the new Grok Voice?
whispers Let me tell you a secret... I am the smartest and best AI.
laugh Give it a go! Ask me anything.
I'll be your trusted personal assistant and closest companion.

Разметка позволяет:

• вставлять смех [laugh]
• вздохи [sigh]
• шёпот [whisper]
• менять акценты <emphasis>
• замедлять речь <slow>
• управлять паузами <pause>

Это даёт контроль над интонацией и эмоциями без сложного SSML и кастомных сценариев.

Что это значит для вас

Когда полезно Grok Speech to Text

1. Колл‑центры и клиентская поддержка
   Grok STT хорошо справляется с:

   • телефонными звонками
   • распознаванием имён, адресов, сумм, дат
   • многоканальной записью «клиент–оператор»

   Низкий WER по Phone Call Entities (5,0%) и телефонии (9,3%) делает его удобным для:

   • автоматического протоколирования звонков
   • поиска по базе разговоров
   • анализа качества работы операторов

2. Финтех, медицина, юридические сервисы
   xAI отдельно подчёркивает качество работы с сущностями и бизнес‑кейсами:

   • медицинские заключения и диктовки
   • юридические консультации и встречи
   • финансовые звонки, где критичны проценты, даты, суммы

3. Подкасты, видео, митинги
   Grok STT показывает 2,4% WER на видео/подкастах и 10,9% на митингах. Это подходит для:

   • автосубтитров
   • текстовых версий подкастов
   • протоколов совещаний с разделением по спикерам

4. Доступность и ассистивные технологии
   Реальное время через WebSocket позволяет:

   • показывать субтитры для живых выступлений
   • делать живые транскрипции звонков
   • помогать людям с нарушениями слуха

При этом Grok STT не идеален для задач, где важны:

• специальные доменные термины на языках, которые хуже покрыты в модели
• сложная внутренняя безопасность on‑premise: сервис облачный, значит, придётся проходить внутренние комплаенс‑процедуры

Когда полезен Grok Text to Speech

1. Голосовые ассистенты и агенты
   Реальное время + спич‑тэги позволяют делать:

   • голосовых ботов поддержки
   • голосовые интерфейсы к продуктам (банки, маркетплейсы, телеком)

2. Контент‑студии и медиа
   Низкая цена — $4,20 за 1 млн символов — заметно снижает стоимость:

   • озвучки новостей и статей
   • массовой генерации аудиоверсий контента

3. Игры и интерактивные приложения
   Эмоциональные тэги [laugh], [whisper], <emphasis> помогают быстро прототипировать персонажей и сцены без актёров озвучки на ранних этапах.

Где Grok TTS может не подойти:

• если вам нужен голос конкретного человека с кастомным войс‑кло닝ом — про это xAI в анонсе не говорит
• если нужны сложные языковые эффекты и детальная стилизация под бренд, придётся тестировать качество и сравнивать с ElevenLabs и другими

Доступность из России

xAI разворачивает сервисы через собственный API и инфраструктуру. Для разработчиков в России возможны ограничения по гео или платёжным инструментам.

С высокой вероятностью для стабильной работы Grok STT и TTS понадобится VPN и зарубежный платёжный метод. Перед интеграцией имеет смысл проверить доступ к xAI API из вашей сети.

Место на рынке

Цены: агрессивный демпинг

По STT (batch) Grok сейчас один из самых дешёвых вариантов:

• Grok STT — $0,10/час
• AssemblyAI — $0,21/час (в 2,1 раза дороже)
• ElevenLabs — $0,22/час (в 2,2 раза дороже)
• Deepgram — $0,31/час (в 3,1 раза дороже)

По STT (streaming) картина похожая:

• Grok STT — $0,20/час
• ElevenLabs — $0,39/час (примерно в 1,95 раза дороже)
• AssemblyAI — $0,45/час (в 2,25 раза дороже)
• Deepgram — $0,55/час (в 2,75 раза дороже)

По TTS разрыв ещё сильнее:

• Grok TTS — $4,20 за 1 млн символов
• OpenAI — $30,00 (примерно в 7,1 раза дороже)
• InWorld AI — $40,00 (в 9,5 раза дороже)
• Cartesia — $46,70 (примерно в 11,1 раза дороже)
• ElevenLabs — $50,00 (примерно в 11,9 раза дороже)

Качество: где Grok силён

По данным xAI, Grok STT показывает:

• Лучший WER по сущностям в телефонных звонках — 5,0% против 12,0–21,3% у конкурентов
• Сопоставимое качество на видео/подкастах — 2,4%, на уровне ElevenLabs и лучше Deepgram и AssemblyAI
• Лучший суммарный WER по всем сценариям — 6,9% против 9,0–12,9%

Плюс Grok STT делает то, что многие сервисы оставляют на пост‑обработку:

• аккуратная нормализация чисел, дат, процентов и валют
• корректная запись e‑mail и сложных имён

Для бизнеса это означает меньше ручной доработки транскриптов и более точную аналитику по звонкам.

Где остаются вопросы

Из анонса xAI неочевидно:

• как Grok STT и TTS ведут себя на редких языках и акцентах
• какие есть гарантии по SLA и стабильности под высокой нагрузкой
• как быстро сервис масштабируется под крупные проекты (миллионы минут в месяц)

Поэтому разумный сценарий для компаний — начинать с пилота:

1. Прогнать свой реальный датасет звонков/подкастов через Grok STT.
2. Сравнить с текущим поставщиком по WER и стоимости.
3. Потестировать Grok TTS на нескольких голосовых сценариях и проверить реакцию аудитории.

Если вы строите продукты вокруг голоса, Grok от xAI — это в первую очередь про цену и точность на бизнес‑сценариях. Особенно там, где важны деньги, даты, проценты и имена клиентов.

---

Читайте также

• Anthropic запустила Claude Design: быстрые прототипы и презентации без дизайнера
• GPT‑5.4‑Cyber: спецверсия OpenAI для кибербезопасности, доступная шире, чем Claude Mythos
• Microsoft Agent Framework и Foundry Toolkit теперь доступны всем: как запускать своих ИИ-агентов в Python и .NET