Технология speech-to-speech от xAI под названием Grok Voice стала доступна разработчикам на платформе fal.ai. Интеграция обеспечивает потоковую передачу аудио в реальном времени, объединяя распознавание речи, обработку языка и синтез в единую модель. Это позволило сократить задержку отклика до 0,70 секунды.
API использует двунаправленную потоковую передачу через WebSocket, что исключает ожидание ответа. Система поддерживает более 25 языков с учетом акцентов и предлагает 26 вариантов голосов. Также доступна функция клонирования аудио для создания брендированных голосовых профилей.
В Grok Voice встроена возможность вызова внешних инструментов, позволяющая агентам проверять данные или проводить транзакции в ходе диалога. Технология уже применяется в клиентской поддержке и продажах Starlink, где по состоянию на середину 2026 года обрабатывается более 15 000 звонков ежедневно.
Стоимость использования API на fal.ai составляет $0,00083 за секунду аудио, что соответствует примерно $3 за час непрерывного общения. Данный запуск предназначен исключительно для разработчиков и не затрагивает функциональность потребительского приложения Grok.
