Grok Voice Think Fast 2.0

Grok Voice Think Fast 2.0 trafił do API xAI pod koniec lipca 2026 roku, a od 5 sierpnia 2026 kieruje na niego alias `grok-voice-latest` — czyli wszyscy programiści przechodzą z wersji 1.0, o ile świadomie nie przypną starszego modelu. O różnicy wobec większości asystentów głosowych decyduje architektura. Popularne podejście łączy w łańcuch trzy systemy: transkrypcję, potem model językowy, potem syntezę mowy — a każde ogniwo dokłada opóźnienia i gubi informację, w tym ton głosu i wahanie. Grok Voice obsługuje dźwięk na wejściu i na wyjściu w jednym modelu i dlatego xAI podaje czas do pierwszego dźwięku około 0,70 sekundy oraz wynik 82,9 w indeksie jakości mowa-w-mowę Artificial Analysis. Firma raportuje też około 60% mniej tokenów rozumowania niż w wersji 1.0 przy tej samej pracy — praktyczne znaczenie etykiety „think fast" jest takie, że model zużywa mniej namysłu, żeby dojść do tej samej odpowiedzi. Powstał z myślą o agentach głosowych, a nie o dyktowaniu: przejmowanie głosu w ułamku sekundy, wywołania narzędzi łącznie z wyszukiwaniem w sieci w trakcie żywej rozmowy oraz strumieniowy interfejs WebSocket obok zwykłych punktów HTTP. Domyślny głos nazywa się „eve", jest też zestaw głosów wbudowanych i głosy własne klonowane z próbki do 120 sekund. Szersza warstwa mowy xAI wokół modelu obejmuje transkrypcję w 25 językach i 12 formatach dźwięku oraz syntezę mowy po angielsku, z wyjściem od wysokiej jakości MP3 po telefoniczne μ-law. Rozliczenie idzie za czas, nie za tokeny: 0,08 USD za minutę dźwięku, czyli 4,80 USD za godzinę, plus 0,004 USD za tekst na wejściu. To o 60% drożej niż 0,05 USD za minutę w wersji 1.0 — starszy model zostaje dostępny dla tych, którym bardziej zależy na cenie. Platforma ma SOC 2 Type II, kwalifikację HIPAA i zgodność z RODO oraz infrastrukturę w wielu regionach.

▸Wideo

Brak materiałów wideo.

▸Recenzje