Grok Voice 3.0 是 xAI 推出的语音对语音模型，号称业界最智能的语音智能体，端到端延迟低于一秒，并在 Artificial Analysis 语音对语音榜单上以 86.9 分排名第一。它已应用于特斯拉车载语音交互和 Starlink 客服通话，通过 Voice Agent API 提供服务，定价为每分钟 0.08 美元，原有 Grok Voice 2.0 智能体已自动切换至 3.0 版本。

产品详细介绍

xAI的语音到语音模型，延迟低于1秒

Maker创始人

Grok Voice 3.0 是 xAI 推出的全新语音转语音模型，面向语音智能体。xAI 于 2026 年 10 月 14 日发布该模型，并称其为"全球最智能的语音转语音模型"。

问题：用于客服电话或车载助手的语音智能体必须表现得自然。它们需要快速回应、处理打断和停顿，并完成任务。反应迟缓或容易出错的语音智能体往往会失去来电者。

解决方案：Grok Voice 3.0 直接接收语音并直接输出语音，无需经过单独的文本步骤。据 xAI 称，其延迟低于一秒。它可处理智能体类任务，例如客户身份验证、硬件故障排查、发放积分以及设备配送。

性能表现：

• 语音转语音指数（Speech-to-Speech Index）：86.9，排名第一；GPT-Live-1 为 83.2，Gemini 3.8 Live 为 82.6

• Big Bench Audio（语音推理）：98.5%

• 任务成功率：94.8%

• Full Duplex Bench（轮流发言与打断处理）：97.0%

• Big Bench Audio 单次任务成本：$0.025，GPT-Live-1 为 $0.030，GPT-Realtime-2.1 为 $0.055

实际应用：

• Tesla 车辆：每天数百万次对话，从查看日历到点咖啡，全程免提。它同时为 Grok Bot 的语音模式提供支持。

• Starlink 呼叫中心：每天处理 20,000 通多语言客户电话，约 70% 无需人工介入即可解决

定价与访问方式：

• Voice Agent API：每分钟 $0.08（每小时 $4.80），价格与 Grok Voice 2.0 相同

• 使用 grok-voice-latest 的智能体已自动切换至 3.0，无需任何更改

适用对象：正在构建语音智能体的开发者，例如客服热线、车载或设备助手，他们希望借助 API 使用单一语音转语音模型。

在 xAI Console 中试用 · 阅读语音文档 · 阅读官方公告

Grok Voice 3.0

Grok Voice 3.0 是什么？

产品详细介绍

定价方案

创始人评论