一次不加价的换代：指数 +5.6，价格原地不动
10 月 14 日，xAI 上线了第三代实时语音到语音模型 Grok Voice 3.0，模型 ID 为 grok-voice-3.0，通过 Voice Agent API 开放，定价维持每分钟 0.08 美元，折合每小时 4.80 美元，与上一代完全一致。使用 grok-voice-latest 别名的存量智能体在发布当天被自动切换，Grok Voice 2.0 随即进入弃用状态。
Artificial Analysis 在 10 月 13 日的测试给出的数字是：语音到语音综合指数 86.9 分，排名第一，上一代是 81.3 分，再上一代 Voice 1.0 是 73.7 分。同榜的 GPT-Live-1 为 83.2 分，Gemini 3.8 Live 为 82.6 分。三家的差距已经落在个位数分以内，这在语音模型赛道里意味着「谁都能上生产」，真正的分野转移到了成本与工程细节。
官方公布的响应延迟是低于一秒，第三方测得的首次音频响应时间是 0.81 秒。这个数字比自家的 0.70 秒略差，但仍明显快于 GPT-Live-1 的 1.34 秒。在衡量停顿、轮流发言与打断处理的全双工基准 Full Duplex Bench 上，它拿到 97%。
语音模型真正难的不是把话说对，而是在对方抢话、停顿、换语言的时候不崩。97% 的全双工得分，比任何一句「更像真人」的宣传都有说服力。
榜单之外，两个数字更值得看
第一个是 τ-Voice，也就是客服通话场景的任务完成度。Grok Voice 3.0 拿到 71.6%，比 GPT-Live-1 的 74.5% 低了近 3 个百分点。换句话说，它在「聊得像人」这件事上赢了，在「把事办成」这件事上还差一点。如果你的场景是多步骤的身份核验、退款、改签，光看综合指数会踩坑，得拿自己的真实录音跑一遍。
第二个是 Big Bench Audio 的口语推理得分 98.5%，单任务成本约 0.025 美元，低于 GPT-Live-1 的 0.030 美元。成本优势来自端到端的语音到语音架构：省掉了先转写再合成的那两段，延迟和费用是一起降下来的。
能力面上，这一代支持 20 种语言并自动检测，可以在通话中途跟着对方换语言，不需要手动标参数；内置 28 个音色，支持用不超过 120 秒的参考录音克隆品牌音色。连接方式覆盖 WebSocket、WebRTC 与 SIP，其中 SIP 意味着它能直接插进现有电话系统与呼叫中心平台，不需要重建网关。服务端的语音活动检测负责处理打断，用户可以像对真人一样抢话。
从特斯拉到 Starlink：语音智能体已经在生产里跑
xAI 给的两个落地样本比榜单更实在。其一是特斯拉车内的语音对话，其二是 Starlink 客服中心：后者每天通过 Grok Voice 接听约两万通多语言电话，约七成无需人工介入即可解决，覆盖身份核验、硬件故障排查、账户补偿和安排替换设备发货。官方还提到约四分之一的销售通话能在通话过程中促成订单。
这组数据对准备上语音智能体的团队有直接参考价值：七成自解决率意味着三成仍需转人工，而这 30% 恰恰是最贵、最复杂的那部分。把语音模型当「第一层分流」而不是「全量替代」，是当前更现实的定位。
需要提醒的是，使用 grok-voice-latest 别名的项目会自动跟随新一代模型，行为可能在你不知情时发生变化。生产环境建议钉死具体版本号，把升级变成一次有意识的发布动作，而不是一次静默切换。
粤公网安备44130202001736号