xAI launches separate Grok APIs for speech recognition and synthesis for corporate developers

xAI выпустила отдельные API для распознавания и синтеза речи и тем самым превратила голосовые функции Grok из внутреннего продукта в отдельный инфраструктурный сервис для разработчиков. Речь идёт о двух сервисах — Speech-to-Text и Text-to-Speech, которые работают на той же технологической базе, что уже используется в мобильном Grok, автомобилях Tesla и поддержке Starlink. Для xAI это не просто ещё одна функция в API, а прямой выход на рынок голосовых платформ, где уже закрепились ElevenLabs, Deepgram и AssemblyAI.

С практической точки зрения главный акцент xAI делает на корпоративные сценарии. API Speech-to-Text поддерживает пакетную обработку и потоковую расшифровку в реальном времени. По данным документации xAI, пакетный режим стоит 0,10 доллара за час аудио, потоковый — 0,20 доллара.

Сервис работает более чем с 25 языками и умеет не только переводить речь в сырой текст, но и структурировать результат: расставлять числа, даты, валюты и другие элементы в нормальной письменной форме. Для команд, которые строят колл-центры, голосовых помощников, сервисы протоколирования встреч или автоматизацию телефонии, это важнее, чем может показаться на первый взгляд: после такой нормализации текст проще индексировать, анализировать и отправлять дальше в LLM-цепочки. У STT-части есть и набор функций, который явно рассчитан на production-нагрузку.

xAI заявляет поддержку 12 аудиоформатов, файлов до 500 МБ, таймкоды на уровне слов, diarization для разделения спикеров и multichannel-режим для записи по каналам. Иными словами, сервис рассчитан не только на простые голосовые заметки, но и на переговоры, подкасты, клиентские звонки и сложные многоканальные записи. Отдельно xAI подчёркивает качество распознавания сущностей в телефонных разговорах — имён, дат, номеров счетов и других чувствительных деталей, которые обычно ломают точность обычных ASR-систем.

Самая сильная часть анонса — ценовое и качественное позиционирование против конкурентов. По собственным бенчмаркам xAI, Grok STT показал 5,0% ошибки на задаче распознавания сущностей в телефонных разговорах против 12,0% у ElevenLabs, 13,5% у Deepgram и 21,3% у AssemblyAI. На общей выборке xAI сообщает 6,9% word error rate.

Эти цифры пока стоит воспринимать как внутренние заявления самой компании, а не независимую отраслевую оценку, но даже в таком виде посыл понятен: xAI хочет продавать не «ещё один голосовой API», а более точную систему для бизнес-коммуникаций, где критичны имена, суммы, даты и юридическая терминология. Второй сервис, Text-to-Speech, дополняет эту стратегию и тоже подан как инструмент для разработчиков, а не просто демонстрационный голосовой эффект. xAI оценила синтез в 4,20 доллара за 1 миллион символов и открыла к нему доступ через обычный REST API и WebSocket для генерации в реальном времени.

В TTS доступно пять голосов, поддержка 20 языков и несколько форматов вывода — от стандартного MP3 до PCM и телефонических mu-law и A-law. Ключевая особенность — speech tags: разработчик может вставлять в текст управляющие маркеры вроде шёпота, паузы, смеха, акцента или замедления темпа. Это делает API пригодным для голосовых агентов, IVR-сценариев, обучающих продуктов и медиаформатов, где сухой «роботический» синтез уже не устраивает рынок.

Важно и то, как xAI раскладывает свою голосовую линейку. Ранее компания продвигала Grok Voice и voice agent API как цельный разговорный интерфейс. Теперь она продаёт STT и TTS по отдельности, позволяя компаниям собирать собственный стек: отдельно распознавать входящий аудиопоток, отдельно синтезировать ответы, а LLM-логику держать у себя или подключать через другой сервис.

Для enterprise-разработчиков это заметно снижает порог интеграции, потому что не нужно сразу принимать весь голосовой стек xAI целиком. Вывод простой: xAI пытается занять место не только в гонке чат-ботов, но и в более прикладном сегменте голосовой инфраструктуры. Если заявленные цены, задержки и качество подтвердятся в реальных внедрениях, у компании есть шанс быстро зайти в корпоративные кейсы — от поддержки клиентов до внутренних голосовых ассистентов.

Но окончательно рынок будет судить не по анонсу, а по стабильности API, прозрачности лимитов, качеству на разных языках и тому, насколько хорошо эта система работает вне собственных демо и бенчмарков xAI.