xAI Grok Speech-to-Text i TTS — tańsze od ElevenLabs?

Co to jest dla właściciela firmy: xAI (firma Elona Muska, ta sama która zrobiła Grok AI) właśnie wystartowało z dwoma narzędziami — jedno zamienia rozmowy telefoniczne na tekst (żeby można było je przeszukiwać i analizować), drugie czyta teksty głosem (jak asystent głosowy). Oba są około dwa do trzech razy tańsze niż u konkurencji. W praktyce oznacza to że voicebot odbierający telefony albo automatyczna transkrypcja rozmów sprzedażowych staje się opłacalna nawet dla małych firm obsługujących kilkaset rozmów miesięcznie.

Dla programistów: xAI udostępnia dwa samodzielne narzędzia (API) do obsługi głosu — Grok Speech-to-Text (STT) i Grok Text-to-Speech (TTS). Działają na tej samej infrastrukturze co Grok Voice w aplikacji mobilnej, Tesli i supporcie Starlinka. Ceny: $0,10 za godzinę audio (batch) dla transkrypcji, $4,20 za milion znaków dla czytania tekstów. Benchmarki pokazują wyraźną różnicę w dokładności dla rozmów telefonicznych w porównaniu do ElevenLabs, Deepgram i AssemblyAI.

Co to zmienia dla małej firmy w praktyce?

Dwie rzeczy stają się opłacalne nawet przy małym wolumenie. Pierwsza: automatyczna transkrypcja rozmów sprzedażowych lub supportowych — nagrywasz rozmowy z klientami i dostajesz tekst który można przeszukiwać, analizować i wpisać do CRM. Druga: voicebot który odbiera telefony — odpowiada na proste pytania (godziny otwarcia, status zamówienia, umówienie wizyty) i przekazuje trudne do człowieka.

Przy cenie $0,10 (około 40 groszy) za godzinę nagrania, transkrypcja 100 rozmów po 5 minut miesięcznie to koszt rzędu kilku złotych. Reszta kosztu to integracja z systemem telefonicznym i CRM — jednorazowa inwestycja u kogoś kto Ci to wdroży.

xAI deklaruje też że ich AI lepiej rozpoznaje nazwiska, numery kont i daty w rozmowach telefonicznych — 5% błędów w porównaniu do 12% u głównego konkurenta (ElevenLabs), 13,5% u Deepgrama i 21,3% u AssemblyAI. Dla firm gdzie każdy błąd kosztuje (kancelarie prawne, gabinety, firmy budowlane rozliczające umowy) to realna różnica.

Jak brzmi głos AI od Groka?

Naturalnie — dużo bliżej człowieka niż stare syntezatory czytające teksty jak robot. xAI dał programistom możliwość wstawienia w tekst prostych instrukcji: gdzie szeptać, gdzie podkreślić słowo, gdzie dodać westchnienie albo śmiech. Dzięki temu voicebot może szeptem poprosić o potwierdzenie numeru karty albo z naciskiem powtórzyć numer rezerwacji.

Do wyboru jest pięć głosów (Ara, Eve, Leo, Rex, Sal — Eve domyślny) i 20 języków. Polska nie została potwierdzona w oficjalnej liście — trzeba sprawdzić na próbce przed wdrożeniem.

Do tej pory rekomendowałem klientom ElevenLabs albo Deepgrama, bo były dwie dojrzałe opcje. xAI wchodzi z ceną $0,10 za godzinę i mocnym claimem na rozpoznawaniu nazwisk i liczb — to jest dokładnie bolączka polskich call-center. Zanim zmienię rekomendację, sprawdzę dokładność na polskim audio. Jeśli Polski jest w tych 25 językach i liczby się trzymają, przy wolumenie 500-1000h miesięcznie może być realna oszczędność w marży klienta — każdy przypadek trzeba policzyć indywidualnie.

Marcin Grochala, Web Developer & SEO Specialist

Kiedy warto się za to brać, a kiedy odpuścić?

Bierz się jeśli obsługujesz dużo telefonów i masz twardy wymóg dokładności nazwisk i liczb — kancelarie prawne, gabinety medyczne, firmy finansowe, biura nieruchomości rozliczające umowy. Transkrypcja rozmów sprzedażowych to też dobry kandydat — materiał do coachingu zespołu i analizy co się sprawdza.

Odpuść jeśli masz mały ruch telefoniczny (do 50 rozmów miesięcznie) — koszt wdrożenia przebije oszczędność. Odpuść też jeśli Twoi klienci są w delikatnych branżach (psychoterapia, sprzedaż nieruchomości high-end, negocjacje B2B) — tam wolą rozmawiać z człowiekiem, voicebot nawet dobry nie zastąpi zaufania.

Jeśli masz już jakiegoś dostawcę do głosu AI (ElevenLabs, Deepgram) i wszystko działa — sprawdź cennik xAI jako argument do negocjacji przedłużenia z obecnym. Zmiana dostawcy nie zawsze się opłaca w pierwszym roku.

Co to oznacza dla Twojej firmy?

Jeśli obsługujesz klientów którzy mają voicebot, transkrypcję rozmów albo dynamiczne czytanie treści na stronie, właśnie pojawiła się trzecia poważna opcja obok ElevenLabs i Deepgrama. Do tej pory rynek obsługiwały głównie te dwie firmy plus AssemblyAI — xAI wchodzi agresywnie i z benchmarkami które jeśli się potwierdzą, redefinują próg opłacalności głosowych funkcjonalności.

Praktyczny krok na ten tydzień: jeśli masz w stacku któryś z trzech dużych, zrób zapytanie ofertowe do xAI na swój realny wolumen. Nawet jeśli nie zmienisz dostawcy, to dostaniesz argumenty do negocjacji przedłużenia. A jeśli planujesz nową funkcjonalność voice i jesteś na etapie wyboru, warto poświęcić pół dnia na test xAI — przy tej cenie i benchmarkach nie można tego zignorować.

Jeśli myślisz o voicebocie w firmie, transkrypcji rozmów sprzedażowych albo automatycznym asystencie głosowym na stronie — zobacz jak pracuję nad automatyzacją AI dla małych firm, albo od razu napisz do mnie — pogadamy bez zobowiązań czy to ma sens dla Twojego biznesu.

Szczegóły techniczne (dla programistów)

Grok STT: 25 języków, tryby batch ($0,10/h) i streaming ($0,20/h). W standardzie word-level timestamps, speaker diarization, multichannel i Inverse Text Normalization (auto-konwersja form tekstowych liczb/dat/walut). Przyjmuje 12 formatów audio (WAV/MP3/OGG/Opus/FLAC/AAC/MP4/M4A/MKV + PCM/µ-law/A-law), max 500 MB na request.

Grok TTS: 20 języków, 5 głosów (Ara/Eve/Leo/Rex/Sal, Eve domyślny), $4,20/1M znaków. REST do 15 000 znaków per request, WebSocket streaming bez limitu długości. Speech tags inline ([laugh], [sigh], [breath]) i wrapping (<whisper>, <emphasis>) — prostsze niż SSML.

Benchmarki STT (testy xAI): rozpoznawanie podmiotów w rozmowach telefonicznych — Grok 5,0% vs ElevenLabs 12,0%, Deepgram 13,5%, AssemblyAI 21,3%. Wideo/podcast — Grok i ElevenLabs 2,4%, Deepgram 3,0%, AssemblyAI 3,2%. General WER 6,9%. Pełne benchmarki: oficjalne ogłoszenie xAI.