Grok Voice Transcribe: расшифровка аудио, цены и доступ из России

Что Grok Voice Transcribe делает с аудио

Grok Voice Transcribe 2.0 преобразует аудио в текст: готовую запись можно передать одним вызовом API, а живую речь отправлять через WebSocket. На дату проверки, 15 октября 2026 года, пакетная транскрибация стоит $0.10 за час аудио, потоковая стоит $0.20; перед использованием из России проверь актуальные региональные и платёжные условия на официальной странице сервиса.

• Для готового аудиофайла используй пакетную транскрибацию.
• Для передачи речи в реальном времени используй WebSocket API.
• Для голосовой почты и записей звонков в 3CX предусмотрена интеграция с Grok.

Что означает работа через API

В описанном сценарии приложение передаёт аудио сервису и получает расшифровку в ответ. Документация предусматривает обработку файла одним запросом и потоковую передачу через WebSocket, то есть соединение для отправки аудио в реальном времени. Выбор зависит от того, готова ли запись к загрузке или звук поступает сейчас.

API поддерживает 12 аудиоформатов, временные метки отдельных слов, многоканальную транскрибацию и форматирование текста. Это разные возможности: получение текста, привязка слов ко времени, обработка каналов и изменение записи чисел настраиваются с учётом твоей задачи.

Что изменилось в версии 2.0

Анонс Grok Voice Transcribe 2.0 опубликован 18 сентября 2026 года. По утверждению анонса, существующие интеграции Speech-to-Text API получают улучшенную точность без изменений кода. Это заявление относится к интеграциям указанного API, а не к произвольному приложению с голосовыми функциями.

На внутреннем наборе коротких фраз разработчик сообщил о снижении доли ошибок слов с 20.6% до 6.8%. Эти значения описывают результат на конкретном наборе. Использовать их как обещание точности расшифровки твоих звонков, интервью или других записей не следует.

Какую модель получит запрос

В документации grok-voice-transcribe-2.0 указана как модель по умолчанию: она используется, если параметр model отсутствует. Если нужно явно выбрать модель, передай model в REST-форме либо в параметрах запроса WebSocket. Так выбор будет виден в настройках интеграции.

В сентябрьском анонсе также сообщалось о предстоящем выводе Grok Voice Transcribe 1.0 из использования. Для переходного периода предлагалось закрепить grok-voice-transcribe-1.0. Перед таким решением проверь актуальный статус версии: формулировка анонса описывает планы на момент публикации.

Что подготовить и что проверить пользователю из России

Инструкция интеграции с 3CX начинается с аккаунта xAI, первоначальной настройки и добавления способа оплаты. Пройди эти этапы перед созданием ключа для подключения телефонии. Региональные условия проверь отдельно на официальной странице сервиса.

Где проверить регион и оплату

Если используешь сервис из России, начни с официальной страницы поддерживаемых стран и условий оплаты. Проверь, разрешено ли использование в твоей ситуации и какие требования предъявляются к плательщику.

В инструкции 3CX предусмотрено добавление способа оплаты через Billing. Само наличие этого шага не подтверждает, что выбранный тобой платёжный инструмент подойдёт. Перед привязкой проверь действующие условия сервиса.

Как подготовить аккаунт xAI

При первом посещении консоли инструкция предлагает пройти первоначальную настройку и создать команду по умолчанию, если появится соответствующий запрос. Создание команды здесь привязано к запросу интерфейса: не нужно считать его отдельным обязательным действием при каждом входе.

1. Открой консоль xAI.
2. Войди в аккаунт или создай новый.
3. Пройди первоначальную настройку при первом посещении.
4. Создай команду по умолчанию, если консоль предложит это сделать.
5. Открой Billing в левой боковой панели.
6. Добавь способ оплаты.

Какая лицензия понадобится для 3CX

Для транскрибации голосовой почты требуется лицензия 3CX PRO. Если задача состоит в переводе голосовых сообщений в текст, проверяй именно это требование перед настройкой интеграции.

Для транскрибации записей звонков требуется лицензия 3CX AI. Не переноси условие для голосовой почты на записи разговоров: в инструкции эти сценарии разделены по лицензиям.

Стоимость на 15 октября 2026 года; рубли примерно по курсу ЦБ на эту дату

Как передать готовую запись на расшифровку

Пакетный запрос использует multipart/form-data, форму с отдельными полями для файла и настроек. В запросе должен быть file или url. Через file передаётся файл, а через url сервер получает ссылку, по которой скачивает аудио для транскрибации.

Файл или ссылка: какой вариант выбрать

Параметр url предназначен для скачивания аудиофайла на стороне сервера. Это вариант передачи источника записи: в запросе указывается ссылка на аудио, после чего сервис скачивает и транскрибирует его. Не путай этот параметр с адресом самого API.

Максимальный размер файла на дату проверки составляет 500 MB. Сверь размер подготовленной записи с этим ограничением перед отправкой. Это ограничение размера файла, а не указанная продолжительность разговора или число слов в будущем тексте.

В каком порядке собрать запрос

Порядок полей multipart-формы имеет значение: file нужно передать после остальных параметров. Учитывай это при сборке запроса, особенно если библиотека позволяет добавлять поля в произвольной последовательности.

1. Подготовь запрос в формате multipart/form-data.
2. Укажи model, если хочешь выбрать модель явно.
3. Добавь параметры обработки перед полем file.
4. Передай file последним полем формы либо укажи url для скачивания записи сервером.

Что указать для MP3, WAV и сырого аудио

Для контейнерных форматов, например MP3 и WAV, параметр audio_format задавать не нужно: контейнер определяется автоматически. Под контейнером здесь понимается формат файла, который API умеет распознать при загрузке. Не добавляй audio_format по аналогии с названием расширения.

Для аудио без заголовка audio_format задаёт формат исходных данных: pcm, mulaw или alaw. Именно для такого сырого аудио нужен отдельный параметр sample_rate, который сообщает частоту дискретизации в герцах.

На дату проверки поддерживаются частоты 8000, 16000, 22050, 24000, 44100 и 48000 Гц. При подготовке сырого аудио сверяй значение sample_rate с характеристиками передаваемых данных и перечнем поддерживаемых значений.

Как настроить язык и запись чисел

grok-voice-transcribe-2.0 транскрибирует более 38 языков. Модель автоматически определяет язык и отслеживает его смену внутри записи, поэтому параметр language необязателен для самой транскрибации. У форматирования чисел есть дополнительные условия.

Когда оставить автоматическое определение

Автоматическое определение предусматривает смену языка по ходу записи. Если речь переключается между языками, модель умеет отслеживать такой переход; отсутствие language само по себе не противоречит описанному способу работы.

Если язык известен заранее, его код в language помогает модели выбирать этот язык при неоднозначном аудио. Это подсказка для распознавания: документация описывает предпочтение указанного языка в неоднозначных местах, а не обещание устранить ошибки.

Почему короткий код может выбрать другой вариант языка

Некоторые короткие коды имеют конкретное региональное значение. Учитывай это, когда настраиваешь запись для определённого рынка: код без уточнения региона уже соответствует варианту языка, указанному в документации.

• es означает мексиканский испанский, es-MX.
• pt означает бразильский португальский, pt-BR.
• ar означает египетский арабский, ar-EG.
• Для европейских вариантов испанского и португальского используй es-ES и pt-PT.
• Для арабского ОАЭ и Саудовской Аравии используй ar-AE и ar-SA.

Как включить письменную форму чисел

Параметр format=true включает преобразование произнесённых чисел и денежных сумм в письменную форму. Для этой функции требуется language: одного включённого format недостаточно. Передавай оба параметра, если рассчитываешь получить такое оформление текста.

Форматирование зависит от кода языка и действует для языков из соответствующего списка документации. В языках вне этого списка format=true не оказывает эффекта. Перед настройкой проверь официальный перечень, а не делай вывод о форматировании по наличию языка в распознавании.

Как получить удобный текст: слова, говорящие и каналы

Ответ API содержит полный текст транскрипции, длительность аудио и временные метки отдельных слов. Это позволяет работать как с цельной расшифровкой, так и со словами, привязанными к времени внутри записи.

Где смотреть язык и временные метки

Временные метки относятся к отдельным словам, а длительность описывает аудио в ответе. Если интеграции нужен текст с привязкой к записи, проверяй данные слов вместе с полной транскрипцией.

Поле language в ответе содержит определённый язык в формате кода BCP-47, например en или es-mx. Это результат определения языка сервисом; при разборе ответа ориентируйся на значение этого поля.

Чем диаризация отличается от обработки каналов

Диаризация означает разделение речи по обнаруженным говорящим. При её включении у каждого слова появляется целочисленное поле speaker с идентификатором говорящего. Это обозначение участника в результате распознавания, а не его имя.

multichannel=true включает другой механизм: независимую транскрибацию каждого аудиоканала. Результаты возвращаются в массиве channels. Здесь разделение опирается на каналы исходного аудио, поэтому его не следует смешивать с определением говорящих.

Для многоканального сырого аудио нужен параметр channels, принимающий число каналов от 2 до 8 на дату проверки. Для контейнерных форматов число каналов определяется автоматически. Условие об обязательном channels относится именно к многоканальному сырому аудио.

Как передать термины и обработать слова-паразиты

Для нескольких ключевых терминов поле keyterm повторяют. На дату проверки допускается максимум 100 терминов, каждый длиной до 50 символов. При подготовке словаря соблюдай оба ограничения: количество полей и длину отдельного термина.

По умолчанию filler_words=false. При этом слова-паразиты удаляются и из текста транскрипции, и из массива words. Учитывай такое поведение, если собираешься сравнивать подробный результат со звучанием записи.

• Проверь количество передаваемых keyterm.
• Проверь длину каждого термина.
• Учти удаление слов-паразитов при filler_words=false.

Сколько стоит расшифровка на 15 октября 2026 года

Стоимость зависит от режима обработки аудио. В анонсе указаны отдельные цены за час для пакетной и потоковой транскрибации; диаризация, временные метки и ключевые термины включены в эти цены. Перед оплатой проверь актуальные условия.

• Пакетная транскрибация стоит $0.10 за час аудио, примерно 8 ₽ по курсу ЦБ на 15 октября 2026 года.
• Потоковая транскрибация стоит $0.20 за час, примерно 17 ₽ по курсу ЦБ на 15 октября 2026 года.
• По анонсу стоимость Grok Voice Transcribe 2.0 совпадает со стоимостью Grok Voice Transcribe 1.0.

Что входит в указанную цену

Диаризация, временные метки и ключевые термины названы включёнными возможностями для пакетного и потокового режимов. При сравнении вариантов оценивай цену нужного режима вместе с этими функциями, сохраняя условия их настройки из документации.

Как читать рублёвый ориентир

Рублёвые значения приведены примерно, по курсу ЦБ на 15 октября 2026 года. Для проверки стоимости на другую дату открой официальную страницу цен сервиса; указанные здесь суммы относятся к дате проверки и выбранному режиму транскрибации.

Как запустить расшифровку в реальном времени

Для живой речи используется WebSocket API. Настройки передаются параметрами запроса в адресе соединения, без отдельного сообщения настройки. Аудио отправляется бинарными кадрами без кодирования в base64.

Как защитить ключ при подключении

Документация запрещает раскрывать API-ключ в клиентском коде и требует проксировать WebSocket-соединения через сервер приложения. Поэтому серверная часть должна участвовать в схеме подключения, а ключ не должен попадать в клиентский код.

В каком порядке передавать аудио

Перед началом передачи дождись transcript.created. Это событие сообщает, что сервер готов принимать аудио. Начало отправки связывай с этим событием готовности.

1. Укажи настройки в параметрах запроса WebSocket.
2. Дождись события transcript.created.
3. Отправь аудио бинарными кадрами.
4. Передай сообщение audio.done после окончания аудио.
5. Получи итоговое событие transcript.done.

Когда появляются промежуточные и окончательные результаты

При interim_results=true промежуточные транскрипции с is_final=false выдаются примерно каждые 500 мс. Это предварительный текст, что обозначено самим признаком is_final=false; не смешивай его с итоговым результатом завершённой передачи.

После audio.done сервер отправляет transcript.done с итоговой транскрипцией и длительностью. В многоканальном режиме приходит по событию на канал с channel_index, затем соединение закрывается. Такое закрытие предусмотрено описанным завершением обработки.

Как управлять паузами и окончанием фразы

endpointing задаёт длительность тишины перед финализацией высказывания. На дату проверки значение по умолчанию составляет 400 мс, диапазон составляет 0–5000. Значение 0 вызывает срабатывание на любой границе тишины, обнаруженной механизмом определения голосовой активности VAD.

smart_turn включает модель, которая на каждой границе тишины оценивает, закончил ли говорящий мысль. Порог задаётся в диапазоне 0.0–1.0. Эта настройка добавляет оценку завершённости мысли к обработке пауз.

smart_turn_timeout принудительно вызывает speech_final после заданной тишины, даже если модель считает мысль незавершённой. Диапазон составляет 1–5000 мс; настройка применяется при включённом smart_turn.

Для режима push-to-talk, когда передачей речи управляют кнопкой, сообщение finalize немедленно завершает текущее высказывание с speech_final. Не путай его с audio.done: последнее сигнализирует об окончании аудио и вызывает transcript.done.

Когда выбрать Opus, а когда многоканальный PCM

Для потокового аудио предусмотрен сжатый Opus. По документации он требует примерно 4 KB/s против 48 KB/s для PCM16 при 24 kHz и не требует изменения частоты дискретизации на клиенте. Это сравнение относится к указанным условиям передачи.

Как подготовить поток Opus

Для передачи сжатого аудио установи encoding=opus. При этом sample_rate следует опустить: для данного кодирования параметр игнорируется. Кодировать можно с частотой, которую выдаёт источник аудио.

В каждом бинарном кадре WebSocket должен находиться ровно один целый сырой пакет Opus. Объединять пакеты в одном кадре или делить пакет между кадрами нельзя: границы пакетов задаются кадрами WebSocket.

1. Установи encoding=opus.
2. Опусти sample_rate для этого кодирования.
3. Передавай один целый сырой пакет Opus в каждом бинарном кадре.

Когда потоковый Opus не подходит

Потоковый Opus поддерживает только моно; multichannel с ним недоступен. Если задача требует независимой обработки нескольких аудиоканалов, учитывай это ограничение при выборе кодирования.

Файлы Ogg-Opus и WebM нужно отправлять через пакетный endpoint, который автоматически определяет контейнер. Потоковый режим Opus рассчитан на сырые пакеты, а не на передачу таких файлов как контейнеров.

Как передавать несколько каналов

Для многоканальной потоковой транскрибации передают PCM с чередованием каналов. Сервер разделяет поступившие данные по каналам и обрабатывает их параллельно. Подготовка такого потока отличается от отправки отдельных пакетов Opus.

В описании многоканального режима Finalize без channel завершает все каналы сразу. Если передать channel, завершается указанный канал; нумерация начинается с 0. Выбирай область завершения в соответствии с тем, какой канал нужно финализировать.

Как подключить Grok к транскрибации в 3CX

После подготовки аккаунта создай API-ключ, выбери Grok в настройках транскрибации 3CX и включи функцию для нужного отдела. В инструкции выбор движка и включение транскрибации отдела представлены отдельными действиями.

Как создать ключ для интеграции

При создании ключа можно задать ограничения частоты запросов и ограничить доступ к отдельным моделям и endpoint, то есть точкам обращения к API. Это необязательная настройка; если используешь её, учитывай выбранные ограничения при дальнейшей работе интеграции.

1. Открой раздел API Keys.
2. Нажми Create API Key.
3. Задай ключу имя, например «3CX Transcription».
4. Нажми Create API Key для завершения создания.
5. Немедленно скопируй созданный ключ.
6. Сохрани ключ в защищённом месте.

Куда вставить ключ в 3CX

После создания ключ повторно показан не будет. Поэтому копирование и безопасное сохранение входят в подготовку к подключению: к моменту заполнения поля в 3CX ключ должен быть сохранён.

1. Открой 3CX Admin Console > Integrations > Transcription.
2. Выбери Grok в качестве движка транскрибации.
3. Вставь сохранённый ключ в поле API Key.

Для чего нужен Stereo Mode

Stereo Mode можно включить по желанию. В инструкции 3CX этот режим рекомендуется для повышения точности и диаризации. Это рекомендация источника, а не результат самостоятельного тестирования интеграции.

Где включить транскрибацию отдела

Открой Admin > Departments > нужный отдел > Options и включи транскрибацию для отдела. Это действие задаёт использование функции на уровне выбранного отдела после настройки движка.

После включения пользователи, группы вызова и очереди следуют настройкам транскрибации отдела. Если разбираешь поведение интеграции для этих объектов, учитывай настройки отдела, к которому относится включённая транскрибация.

Что проверить, если расшифровка работает не так

Начни с конкретного симптома: проигнорированные параметры, пропущенная тихая речь и шум вместо текста связаны с разными условиями передачи и обработки. В документации для них описаны отдельные причины, поэтому менять настройки стоит адресно.

Почему настройки запроса могли не примениться

При потоковой загрузке поля, отправленные после file, могут быть проигнорированы. Если выбранные настройки не отражаются в результате, проверь порядок multipart-полей: параметры обработки должны предшествовать файлу.

Если не сработало форматирование чисел, проверь совместную передачу format=true и language, затем соответствие языка списку поддержки форматирования. Само по себе успешное распознавание не заменяет эти условия.

Что делать с тихой речью и ложным текстом

Снижение порога определения речи помогает транскрибировать тихую или зашумлённую речь, включая узкополосную телефонию. Но более низкий порог может приводить к появлению ложного текста из фонового шума. Значение 0 отключает этот фильтр.

При изменении порога сопоставляй оба эффекта: распознавание тихих фрагментов и появление текста на шуме. Документация описывает компромисс между ними, поэтому снижение порога не следует считать безусловным улучшением результата.

Почему Opus может давать шум без ошибки

Неверно сформированные кадры с пакетами Opus могут декодироваться как шум без явной ошибки. Проверь, что кодировщик выдаёт один целый пакет на кадр: отсутствие сообщения об ошибке ещё не подтверждает правильность границ пакетов.

Почему закрылось WebSocket-соединение

Большинство ошибок, включая недекодируемые аудиокадры, закрывают соединение. Ошибки разбора клиентских сообщений оставляют его открытым. Событие error содержит поле message; при разборе сбоя учитывай сообщение и состояние соединения.

• Проверь поле message в событии error.
• Проверь декодируемость передаваемых аудиокадров.
• Сопоставь закрытие с получением transcript.done: после итогового результата закрытие предусмотрено.

Что сверить перед использованием в своей задаче

Перед подключением проверь актуальные условия выбранного режима и используемой версии. Особенно внимательно отнесись к цене и статусу Grok Voice Transcribe 1.0: стоимость опубликована для режимов обработки, а прежняя модель упоминалась в анонсе как переходный вариант.

• Сверь цену пакетной или потоковой транскрибации на официальной странице сервиса.
• Проверь текущий статус grok-voice-transcribe-1.0, если интеграция закреплена на этой модели.
• Сверь поддержку форматирования для выбранного кода языка.
• Проверь соответствие лицензии 3CX сценарию: голосовая почта или записи звонков.

Что проверить для использования из России

На официальной странице сервиса проверь действующий список поддерживаемых стран, условия регистрации и оплаты для твоей ситуации. Не принимай решение о доступности по одной лишь инструкции добавления платёжного метода.

Как оценить пригодность результата

Сопоставь расшифровку со своей записью перед использованием текста. Опубликованная оценка ошибок относится к внутреннему набору коротких фраз; она не является измерением качества на твоём материале.

Если нужна многоканальная потоковая обработка, ориентируйся на описанный сценарий PCM. Если исходный материал представляет собой файл Ogg-Opus или WebM, ориентируйся на пакетную транскрибацию. Эти условия помогают выбрать подходящий способ передачи до настройки интеграции.

Частые вопросы

Источники и проверка

• Speech to Text | SpaceXSI Docs, docs.x.ai (первоисточник). Прочитано 15 октября 2026.
• Introducing Grok Voice Transcribe 2.0, x.ai (первоисточник). Прочитано 15 октября 2026.
• Grok xAI Integration, 3cx.com (первоисточник). Прочитано 15 октября 2026.

Суммы в рублях пересчитаны по курсу ЦБ РФ на 15.10.2026 и даны ориентировочно: комиссии банков и налоги не учтены.

Подготовлено с помощью ИИ по первоисточникам и проверено автоматически: факты, числа и цитаты сверены с источниками. Человек статью перед выходом не читал. Если нашёл ошибку, напиши через контакты.