Grok Voice Transcribe 2.0: час аудио за 9 рублей и доступ из России (2026)

Grok Voice Transcribe 2.0 это модель распознавания речи от xAI, вышла 18 сентября 2026 года. Она переводит аудио в текст, сама определяет язык, размечает, кто говорит, ставит тайм-код на каждое слово и стоит $0,10 за час записи в пакетном режиме. По курсу сентября 2026 это около 9 рублей за час лекции, созвона или интервью.

Главное в этом релизе: цена осталась прежней при вдвое меньшем числе ошибок. Ниже разберём реальные цифры точности, что известно про русскую речь (спойлер: меньше, чем хотелось бы), как получить доступ и заплатить из России, как запустить расшифровку запросом в три строки и чем эта модель отличается от Gemini 3.5 Transcribe и бесплатного Whisper.

Коротко: пять слов, которые встретятся дальше

• Транскрипция это перевод речи из аудио или видео в текст.
• WER (Word Error Rate) это доля слов, распознанных с ошибкой. Меньше значит лучше: 3% это примерно три ошибки на сотню слов.
• Пакетный режим (batch) это когда ты отдаёшь готовый файл и через какое-то время забираешь текст целиком.
• Потоковый режим (streaming) это распознавание на лету, пока человек ещё говорит. Нужен голосовым ботам и субтитрам в прямом эфире.
• Диаризация это разметка «кто говорит»: реплики подписаны спикером 1, спикером 2 и так далее.

Что нового в Grok Voice Transcribe 2.0

xAI собрала модель на том же аудио-фундаменте, что и голосовой режим Grok, но заточила её под одну задачу. Версия 1.0 остаётся доступной, если закрепить её идентификатор, но в ближайшие недели её выведут из обращения.

Что модель делает поверх голого распознавания:

• Определяет язык сама и не сбивается, когда человек посреди записи переходит на другой язык.
• Размечает спикеров без доплаты. У многих конкурентов диаризация идёт отдельной строкой в счёте.
• Ставит тайм-код на каждое слово и прикладывает к нему уверенность модели. Из этого собираются субтитры и по этому же ищется нужное место в часовой записи.
• Вычищает слова-паразиты: «эээ», «ну», «как бы» не попадают в текст.
• Форматирует числа, даты, суммы, телефоны и почтовые адреса в 25 языках. В списке названы английский, испанский, французский, немецкий, хинди, японский и корейский.
• Держит словарь до 100 терминов на запрос: фамилии, названия продуктов, отраслевой жаргон.
• Разбирает до 8 аудиоканалов независимо друг от друга. Это про запись созвона, где каждый участник пишется в свою дорожку.
• Умеет понимать, что человек договорил, и это отдельная функция для голосовых агентов.

Технические рамки простые: файл до 500 МБ, 12 форматов, среди них WAV, MP3, FLAC, контейнер MP4, сырой PCM и телефонные кодеки G.711. Частоты дискретизации от 8000 до 48000 Гц, так что запись с диктофона и дорожка из телефонии одинаково подойдут.

Сколько ошибок она делает на самом деле

Цифры xAI и независимого замера Artificial Analysis сходятся в одном: относительно версии 1.0 скачок настоящий.

• Телефонное аудио 8 кГц: доля ошибок упала с 10,6% до 7,1%.
• Обычная разговорная запись: с 8,7% до 3,3%.
• Короткие голосовые команды на 19 языках: с 20,6% до 6,8%.

Вот как модель выглядит рядом с конкурентами по сводному замеру Artificial Analysis на сентябрь 2026.

Первое место в потоковой категории модель занимает честно, среди 32 участников. Но у этой победы есть вторая сторона: до готового текста Grok доходит за 0,49 секунды, а Deepgram Flux отдаёт результат за 0,02 секунды при вдвое большей доле ошибок. Для расшифровки лекции полсекунды не значат ничего. Для голосового бота, который перебивает человека, это уже заметная пауза.

Что с русским языком

Тут придётся разбираться руками, потому что xAI прямых обещаний не даёт.

Официально сказано: «десятки языков», автоопределение языка, переключение языка прямо посреди записи. Публичного списка этих десятков нет. Зато есть список из 25 языков, для которых заявлено умное форматирование чисел, дат и валют, и русского в нём не названо.

Читать это стоит так: русскую речь модель расшифрует, но в приоритетную группу она не входит. Числа и даты в русском тексте, скорее всего, придут словами вместо цифр, а качество распознавания на русском xAI не обещает и не измеряет публично.

Для сравнения: у Gemini 3.5 Transcribe русский заявлен явно, а в многоязычном бенчмарке FLEURS у неё около 5% ошибок. Это та цифра, с которой Grok на русском имеет смысл сравнивать, и сделать это можно только на своей записи.

Сколько стоит час аудио в рублях

Прайс xAI на сентябрь 2026 выглядит так.

Посчитаем на живом примере. Семестр лекций это примерно 60 часов записей. Через Grok пакетно выходит 540 рублей за всё, через Gemini около 1620 рублей. Архив из 200 часов подкастов обойдётся в 1800 рублей против 5400.

Бесплатного тарифа у распознавания речи нет: ни в анонсе, ни в документации он не упомянут. Новым аккаунтам xAI по сторонним гайдам начисляет $25 промо-кредитов со сроком жизни 30 дней, и этого хватает на 250 часов пакетной расшифровки. Условия меняются, так что проверяй баланс в консоли, а не верь обзорам, включая этот.

Работает ли Grok Voice Transcribe из России

Штатно нет. xAI Россию не поддерживает: это та же стена, о которую разбивается обычный доступ к Grok из России. Барьера два, и пройти нужно оба.

Хорошая новость в том, что API проще интерфейса. После того как ключ получен, VPN нужен только на время самих запросов, и держать в браузере чужую сессию не требуется. Если своего VPN нет, подойдёт рабочий VPN.

Оплата это отдельный барьер. Баланс в консоли xAI пополняется картой, российская не пройдёт. Рабочих путей два: виртуальная карта зарубежного банка или сервис оплаты подписок (реферальная ссылка: тебе тот же прайс, мне небольшой процент). Разбор обоих способов со всеми подводными камнями лежит в гайде про оплату нейросетей из России.

Как запустить расшифровку: пять шагов

Минимальный запрос на Python выглядит вот так:

import os, requests

r = requests.post(
    "https://api.x.ai/v1/stt",
    headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
    data=[("model", "grok-voice-transcribe-2.0"), ("diarize", "true")],
    files={"file": open("lekciya.mp3", "rb")},
)
print(r.json()["text"])

Ключевые параметры, которые стоит знать:

• model со значением grok-voice-transcribe-2.0. По умолчанию API пока отдаёт версию 1.0, так что модель нужно указывать явно.
• diarize со значением true включает разметку спикеров.
• Словарь своих терминов на 100 слов сильно снижает число ошибок на фамилиях и названиях. Заполни его до первого прогона архива.
• Потоковый режим живёт на вебсокете wss://api.x.ai/v1/stt: туда льются бинарные куски аудио, обратно приходят события с текстом.

Ключ это пароль: держи его в переменной окружения и не вставляй в код, который выкладываешь в открытый доступ.

Как проверить модель на своей русской речи за 15 минут

Раз публичных цифр по русскому нет, единственный честный способ это замер на своём материале. Методика простая, повторяется на любой модели.

1. Возьми три минуты типичной для себя записи. Именно типичной: если обычно пишешь созвон на микрофон ноутбука в комнате с эхом, бери такую запись, а не студийную начитку.
2. Расшифруй её руками или доверь одной модели, а потом вычитай до последнего слова. Это твой эталон.
3. Прогони те же три минуты через Grok, через Gemini 3.5 Transcribe и через локальный Whisper.
4. Посчитай ошибки в каждой расшифровке: слово распознано неверно, пропущено или придумано. Раздели на общее число слов в эталоне, умножь на сто. Это и есть WER на твоём материале.
5. Отдельно выпиши, что случилось с именами, названиями и цифрами. Обычно именно они ломают смысл, а не «эээ» в середине фразы.

Три минуты аудио стоят меньше рубля, а решение принимается один раз и на весь архив. Сравнение остальных моделей по доступности и цене собрано в гайде чем расшифровать аудио в текст.

Grok против Gemini Transcribe и Whisper

Расклад получается такой. Нужно дёшево обработать сотни часов и ты готов писать код: Grok выигрывает по деньгам с большим отрывом. Нужна одна расшифровка сегодня и без возни: Gemini в AI Studio делает это бесплатно прямо в браузере. Важна приватность или доступ без VPN: остаётся локальный Whisper, он ставится на свой компьютер и никуда файлы не отправляет.

Что делать с готовой стенограммой

Сырая расшифровка часового созвона это 8-10 тысяч слов, которые никто не прочитает. Прогони её через любую языковую модель вот таким промптом:

Ты редактор. Ниже стенограмма встречи, полученная нейросетью.
 
Сделай три вещи:
1. Вычисти повторы, обрывки фраз и слова-паразиты, сохранив смысл и авторские формулировки. Ничего не додумывай и не добавляй от себя.
2. Собери саммари на 10-12 пунктов: принятые решения, цифры, факты.
3. Отдельным списком вынеси задачи в формате «кто - что - к какому сроку». Если срок не назвали, напиши «срок не озвучен».
 
Стенограмма получена автоматически, поэтому имена, названия компаний и числа могли распознаться неверно. Каждое место, где ты не уверен в слове, помечай знаком вопроса в скобках.
 
Стенограмма:
[ВСТАВЬ ТЕКСТ]

Последний пункт тут главный. Он превращает ошибки распознавания из невидимой проблемы в конкретный список того, что нужно перепроверить по записи. Для русской речи через модель, которая русский официально не заявляет, это обязательный шаг.

Где модель споткнётся

Честно про слабые места, чтобы не было сюрпризов.

• Русский язык без обещаний. xAI не публикует ни списка языков, ни замеров по русскому. Всё, что ты о нём узнаешь, ты узнаешь сам на своей записи.
• Только API. Ни сайта, ни приложения, ни кнопки «загрузить файл» для обычного пользователя. Минимум навыка работы с командной строкой понадобится.
• Форматирование чисел и дат. Заявлено для 25 языков, русского среди названных нет. Суммы и даты в русском тексте, скорее всего, придут прописью.
• Задержка в потоке. 0,49 секунды до финального текста. Для голосового бота, который должен вступать мгновенно, это ощутимо.
• Доступ и оплата. Всё держится на VPN и зарубежной карте. Правила xAI меняются, и этот путь однажды может закрыться.
• Приватность. Аудио уходит на серверы xAI. Врачебные, юридические записи и коммерческую тайну туда отправлять не стоит.
• Версия 1.0 уходит. Если у тебя уже есть скрипт на старой модели, идентификатор в нём придётся заменить: xAI объявила о выводе версии 1.0 в ближайшие недели.

Что у тебя есть после этого гайда

• Понимание, что Grok Voice Transcribe 2.0 вышла 18 сентября 2026 и стоит те же $0,10 за час аудио, что и предыдущая версия.
• Реальные цифры точности: 2,7% ошибок в сводном замере, падение с 10,6% до 7,1% на телефонном аудио и с 20,6% до 6,8% на коротких командах.
• Честная картина по русскому: модель его расшифрует, но в официальные списки он не попал, и проверять придётся самому.
• Цена в рублях: около 9 ₽ за час пакетно и 18 ₽ потоком против примерно 27 ₽ у Gemini.
• Условия доступа из России: стабильный VPN, аккаунт в консоли xAI, зарубежная карта или посредник для пополнения баланса.
• Готовый запрос на Python и список ключевых параметров, включая словарь на 100 терминов.
• Методика замера на своей записи за 15 минут и промпт, который превращает стенограмму в саммари с пометкой неуверенных мест.

По материалам: Unite.AI о выходе Grok Voice Transcribe 2.0, официальный анонс xAI и разбор 3DNews.