xAI 发布 Grok Voice 3.0，语音智能体延迟压到 1 秒以内

北京时间 10 月 15 日，xAI（SpaceXAI）发布新一代语音模型 Grok Voice 3.0。官方称其为「智能水平最高的语音转语音模型」，主打低于 1 秒的端到端延迟和更低的运行成本。该模型已在 xAI 的语音代理 API 上线，定价为每分钟 0.08 美元（每小时 4.8 美元），与上一代 Grok Voice 2.0 完全持平。

官方的模型与定价文档已同步把 grok-voice-3.0 列入清单，并把 grok-voice-2.0 标注为已弃用。使用 grok-voice-latest 别名的智能体会自动升级，开发者无需改代码。对做语音客服、语音助手的团队来说，这是一次典型的「加量不加价」升级：能力换代，单价没动。

官方给出的核心证据集中在几组公开评测上。在 Artificial Analysis 的语音转语音综合榜单里，Grok Voice 3.0 排名第一，综合得分 86.9。这一榜单综合评估语音推理能力、τ-Voice 指标，以及盲测通话对比下的偏好度与任务完成率。在全双工基准中它拿到 97% 的分数，用来衡量模型处理停顿、对话轮替和插话的自然程度。

面向客服通话的 τ-Voice 测试里，Grok Voice 3.0 得分为 71.6%。官方称这与 OpenAI 的 GPT-Live-1（Astra）相当，但延迟降低了约 40%。在 ServiceNow 面向企业语音智能体的 EVA 基准中，它取得 74% 的最高精度得分。这几组数字说明的重点不是「谁更聪明」，而是语音智能体第一次把「够聪明」和「够快、够便宜」凑到了同一条线上。

需要留意的是，上述成绩均来自官方转述的第三方测试口径，评测条件和榜单细节应以 Artificial Analysis、ServiceNow 的公开页面为准。想要核对模型参数与价格，可以直接查看 xAI 官方模型与定价文档。建议把「官方口径」和「第三方页面」分开看，避免把宣传数字当成独立结论。

官方强调 Grok Voice 3.0 不是实验室模型，而是已经在自有业务里跑量。据其说法，Grok Voice 每天在特斯拉车辆和 SpaceX 内部支撑数百万次对话。车主可以通过 Connectors 完成查日程、回邮件这类简单指令，也能借助 Grok Bot 完成订咖啡、订晚餐等更复杂的任务，全程不用动手。Grok Voice 3.0 同时为 Grok Bot 的语音模式提供支持。

更能说明落地程度的是星链客服中心。官方称其每天用多种语言承接约 2 万通来电，其中约 70% 无需人工介入即可解决。四分之一的销售通话在客户挂断前就促成了下单，单个基于 Grok Voice 3.0 的智能体就能完成身份核验、硬件故障排查、发放退款和补发设备等动作。这套「一个智能体干完一条客服流水线」的描述，是本次发布里最值得同行参考的部分。

接入方式和主流实时语音 API 类似。开发者通过 WebSocket 连接 xAI 的实时接口（wss://api.x.ai/v1/realtime，模型名可用 grok-voice-latest）。在会话配置里可以指定音色、系统指令、轮次检测（server_vad）以及可用工具，例如联网搜索。客户端应用可以先用临时令牌（Ephemeral Tokens）建立连接，避免把 API Key 暴露在前端。

成本结构比较清晰。语音转语音每分钟 0.08 美元，文本输入按每百万 token 0.004 美元计。当前该模型在 us-east-1、eu-west-1、us-saltlake-2 三个区域提供，并发从 10 路起步、按档位最高可到 400 路。官方还提供了网页版、Twilio 电话、WebRTC 和 iOS 四个示例工程，方便直接改造成自己的 Demo。

需要提醒的是，语音能力不止一种形态。除了实时语音转语音，xAI 还提供语音转文字和文字转语音接口，后者的计价方式是每百万字符 15 美元。如果只是想给内容配音，未必需要用到实时对话接口；先明确场景，再选对应接口，能省下不少成本。

和自己上一代比，最直接的变化是 grok-voice-2.0 被标记为弃用。官方把它替换成 3.0，且价格不变，等于一次强制但不加价的升级。对已经使用 grok-voice-latest 的项目来说，这几乎是无感的；但如果系统里写死了 grok-voice-2.0 这个具体版本号，就需要尽快确认迁移安排。

和外部竞品比，xAI 把对标对象直接指向 OpenAI 的 GPT-Live-1（Astra）和 GPT-Realtime-2.1。官方称 3.0 的智能水平与 GPT-Live-1 相当、延迟低约 40%，且完成任务的开销更低。也就是说，语音 API 这一档的竞争，已经从「谁先做到实时」转向「谁在同等智能下更便宜、更稳」。

是否切换，取决于你的场景更在意延迟、成本还是多语言覆盖。如果现方案已经稳定、成本可接受，没必要为了一个榜单分数折腾；如果正在被延迟或单价卡住，3.0 值得放进对比清单。换句话说，先看自己的瓶颈在哪，再决定要不要换。

对呼叫中心和客服团队，这是最直接的一类影响。如果一通电话能被 AI 用每分钟 0.08 美元的成本处理掉七成，人力的排班和成本结构就有重新算一遍的空间。验证方法也很朴素：把自己过去一个月的真实通话录音抽一批出来，用新的语音智能体跑一遍，统计一次解决率、平均通话时长和需要转人工的比例，再和人工客服的时薪对比。

对语音产品开发者，重点在并发配额、区域覆盖和中文表现。目前模型只在北美和欧洲三个区域提供，中文口音、方言和嘈杂环境下的识别与打断处理，需要自己实测，不能直接照搬英文榜单成绩。并发从 10 路起、最高 400 路，也要提前估算高峰期是否够用。

对普通用户，影响是间接的，感受会体现在客服电话更快接通、更少反复转接上。短期内不需要做任何操作，也不会因为这次发布而改变手机里的任何设置。如果最近接客服电话时觉得 AI 更顺了，大概就是这类模型在背后起作用。

这次发布真正的信号，是语音智能体的成本与延迟门槛被进一步压低。当一个「能查订单、能退钱、能补设备」的语音智能体，单位成本低到可以用分钟计价时，它就不再是少数大厂的演示，而是中小团队也能算得过账的工具。判断标准很实际：如果你的业务里存在大量重复的、以语音为主的沟通，这周就值得拿一段真实录音去试；如果只是偶尔用一下，暂时不用急着动。

接下来要盯三件事。一是价格会不会继续下探，语音 API 的「每分钟」定价还有没有空间。二是中文及多语言场景的真实表现，官方目前的案例几乎都是英文客服。三是区域与合规覆盖，是否会开放更多区域、以及在数据留存和通话合规上给出更明确的说明。在这些问题有答案之前，Grok Voice 3.0 更适合作为「值得纳入评测清单」的候选，而不是立刻全量替换现有方案。

本文由 AI 潮汐编辑部基于官方公告与公开资料整理，补充了行业影响、适用场景和行动建议，帮助你在阅读原文前先理解这条信息为什么重要。

原始来源：https://docs.x.ai/docs/models

如发现事实、价格或链接有误，可通过 联系我们 提交更正。