Grok Voice 3.0：xAI 语音 Agent 进入次秒级，价格不变

xAI 发布了什么

2026 年 10 月 14 日，xAI 发布 Grok Voice 3.0——面向实时语音 Agent 的新一代语音到语音模型，即刻登陆 Voice Agent API。价格维持 $0.08/分钟（$4.80/小时），与 Grok Voice 2.0 持平；已配置 grok-voice-latest 的 Agent 自动完成迁移，开发者无需改动。xAI 用三个主张框定这次发布：同类最强的语音到语音智能、次秒级延迟、比同级前沿模型更低的运行成本。

据 xAI 引用的 Artificial Analysis 测算，在 Big Bench Audio 测试中，Grok Voice 3.0 的单任务平均成本为 $0.025，GPT-Live-1（Astra, Medium）为 $0.030，GPT-Realtime-2.1（High）为 $0.055。这些基准单任务推理成本与 $0.08/分钟的 API 价格不同，可作为参考；实际呼叫中心经济性取决于工作负载、通话时长、系统集成及人工升级处理。

[1] [2]

成绩单——xAI 呈现的版本

xAI 称，独立测试机构 Artificial Analysis 将 Grok Voice 3.0 列为 Speech-to-Speech Index 第一，得分 86.9——该指数综合语音推理、tau-Voice 客服通话任务，以及盲测头对头通话中的偏好与任务成功率。xAI 公布的对比表显示：GPT-Live-1（Astra, Medium）83.2，Gemini 3.8 Live（Extended Thinking, High）82.6，Grok Voice 2.0 为 81.3。分项得分揭示了提升来自何处：Big Bench Audio 语音推理从 97.2% 升至 98.5%，Speech Agent Arena 偏好 Elo 从 1011 升至 1070，任务成功率从 94.6% 升至 94.8%，Full Duplex Bench（停顿、轮次、打断处理）从 95.1% 升至 97.0%。

诚实的一笔是 xAI 自己加上的：在围绕嘈杂、多口音客服通话构建的 tau-Voice 上，Grok Voice 3.0 得 71.6%，GPT-Live-1（Astra, Medium）为 74.5%——这一项它并未领先。xAI 的表述是：成绩相当，但延迟低 40%；而在 ServiceNow 面向企业语音 Agent 的开源 EVA-Bench 上，它以 74% 取得最高准确率，并在准确率与客户体验综合评分中排名第一。公告引用了一位 ServiceNow 产品总监的评价，称其为该基准的“新帕累托前沿”——这是 xAI 为自家公告挑选的背书，读这类引语就该这么读。 GPT 的 74.5% 来自 SiliconANGLE 对 xAI 对比图的报道，并非独立复测。

[1] [2]

已经在生产环境中

部署数字是任何基准都替代不了的公告部分。xAI 称，Grok Voice 在 Tesla 与 SpaceX 日均支撑数百万次对话。在 Tesla 车内，驾驶员用 Connectors 处理快捷的无需手动操作的交互——查日历、回邮件，用 Grok Bot 处理更长的任务——点咖啡、订晚餐；Grok Voice 3.0 同时驱动 Grok Bot 的语音模式。这些是公司披露的数字，未经独立审计，但它们描述的是一个已嵌入出货产品、而非等待被采用的模型。

Starlink 客服中心是更锋利的案例：日均 2 万通客户电话、覆盖多语言，约 70% 无需人工介入解决，四分之一的销售电话在挂机前即达成购买。xAI 称，单个语音 Agent 完成验证客户、排查硬件、发放抵扣、寄送替换设备——是完整客服工作流，而非话术转接脚本。数字同样来自厂商。但 70% 的零人工解决率若经独立测量成立，它就是决定企业语音 Agent 预算的指标——比任何指数得分都管用。

[1]

为什么重要

有意思的信号在于，xAI 公布了一份自己并未全胜的对比。在综合指数领先、tau-Voice 落后，转而用延迟与单任务成本作答，这重构了市场：语音 Agent 的评判变成准确率、响应速度与单任务成本构成的权衡面，而非单一榜单。若按 xAI 的 tau-Voice 对比，模型延迟低 40%，且在所引 Big Bench Audio 测试中单任务成本更低，那么即便某项基准得分落后，也值得在实际业务中试测。

更深层的变化是从模型质量到工作流证据。Starlink 的数字——解决率、购买转化率、单个 Agent 包办验证到发货——是运营指标，是企业真正拿来做预算的那类数字。基准给模型排名，生产遥测给产品排名。xAI 赌的是：同一天公布两边，能把“最强模型”与“最实用部署”之间的距离压平；而持平的价格，则拿掉了不去大规模试用的最后一个借口。

[1]

接下来看什么

把所有厂商援引的基准都当作方向性参考，直到被独立复现。真正要紧的检查都是公开的：Artificial Analysis 公开榜单能否长期维持 86.9 与单任务成本数字；独立团队能否在开源 EVA-Bench 开源测试框架 上复现 74%；后续版本能否缩小与 GPT-Live-1 的 tau-Voice 差距。xAI 值得肯定的一点是公布了自己未领先的那项测试；行业该回敬的，是去验证它领先的那些项。

对运营语音业务的团队，务实的检验是在自家通话组合上做试点，而不是看榜单。口音分布、背景噪声、打断模式因市场而异，tau-Voice 之所以存在，正是因为实验室分数无法干净地迁移到真实通话。但经济学天平已经倒向买方：按分钟价格不变、自动迁移，试错的代价是一次试验，而非一次迁移工程。如果 70% 零人工解决率在你的通话上复现，基准之争就可以结束了。