Grok Voice 3.0 登顶语音对语音指数，API 仍每分钟 0.08 美元

SpaceXAI —— Elon Musk 领导、前身为 xAI 的公司 —— 于 2026 年 10 月 14 日发布 Grok Voice 3.0，这款语音对语音模型以 86.9 分首次登顶 Artificial Analysis 语音对语音指数。这比 OpenAI 的 GPT-Live-1（Astra, Medium）高 3.7 分，比 Google 的 Gemini 3.8 Live 的扩展思考（High）配置高 4.3 分。Artificial Analysis 测得 Grok Voice 3.0 的平均首个音频响应时间为 0.81 秒，GPT-Live-1 为 1.34 秒，与该公司所称延迟比 OpenAI 模型低约 40% 一致。据 SpaceXAI 的发布公告，使用 grok-voice-latest 的开发者已被自动切换到新模型，Voice Agent API 的价格维持在每分钟 0.08 美元。

延迟比较有一个限定条件。同一份 Artificial Analysis 数据显示 Grok Voice 2.0 的首个音频响应时间为 0.70 秒，所以新模型在准确率得分更高的同时，开口比前代略晚。SpaceX 于 2 月收购了 xAI，并在 7 月把 AI 业务更名为 SpaceXAI，这就是 Grok Voice 发布带着 SpaceXAI 名字的原因。Musk 在 10 月 4 日表示该部门将再次更名为 SpaceXSI，而 Grok Voice 3.0 的公告页面已经在使用这个品牌。

SpaceXAI 称 Grok Voice 已经在 Tesla 和 SpaceX 范围内每天支撑数百万次对话，包括 Tesla 车内的免提请求和 Grok Bot 的语音模式。公司还称 Starlink 的呼叫中心用该模型以多种语言每天接听约 2 万个客户来电，其中约 70% 无需人工即可解决。这些数字是公司自报的，未经独立审计。

端到端语音架构跳过了文本转换这一步

多数生产环境的语音智能体是级联流水线：语音转文本模型转写来电者的音频，大语言模型写出文本回复，再由文本转语音模型把回复变回声音。每次交接都增加延迟。语音 AI 公司 Gradium 的一篇架构讲解把生产级级联的典型延迟定在从用户说完到智能体开口 1.5 至 3 秒，并指出把语音转成文本会丢掉语气、迟疑和反讽等副语言信息。

Grok Voice 3.0 则属于语音对语音类别，与 GPT-Live-1 和 Gemini Live 同列，音频进、音频出，中间没有文本回复。在这一路线背后的研究脉络中，音频被神经编解码器压缩成离散 token，序列模型学习预测下一个音频 token，就像文本模型预测下一个词。去掉顺序交接正是让亚秒级响应成为可能的原因。全双工设计同时处理用户和模型的音频流，还让任何一方都能在不等待明确的话轮结束信号的情况下开口。

代价是透明度和模块化。级联在每个阶段都产生文本记录，这有助于合规日志、评估和调试工具调用，还让开发者可以在不重训语音组件的情况下换上更新的语言模型。语音对语音模型把推理烘焙进训练好的权重，因此改变推理意味着重训模型。SpaceXAI 的公告没有披露 Grok Voice 3.0 的架构、参数量或训练数据。

延伸阅读：Meta Muse Voice Transcribe 登顶流式语音基准，但它的 API 仍把模型拆成两半

Artificial Analysis 指数到底测什么

Artificial Analysis 于 2026 年 6 月推出语音对语音指数，此后修订过公式。据其公布的方法论，8 月引入的当前版本给四个组成部分各 25% 的权重：Big Bench Audio 上的语音推理、τ-Voice 上的智能体表现、其 Speech Agent Arena 中盲测一对一通话得出的人类偏好，以及检查模型是否做出正确的最终完成任务工具调用的任务成功率。6 月的原始版本对三个组成部分等权，并包含用 Full Duplex Bench 测量的对话动态。该组成部分在 8 月被移出指数，不过 Artificial Analysis 仍单独报告它。

Big Bench Audio 包含从 Big Bench Hard 的四个推理类别 —— 形式谬误、导航、物体计数和「谎言之网」逻辑谜题 —— 中抽取的 1000 道口语提问。Grok Voice 3.0 得分 98.5%，GPT-Live-1 为 90.1%，Gemini 3.8 Live 为 97.7%。在基于实时对话构建的两个组成部分上，Grok Voice 3.0 的 Speech Agent Arena Elo 评分为 1070，GPT-Live-1 为 1048；任务成功率为 94.8%，对方为 87.4%。

智能体组成部分 τ-Voice 来自Sierra 与普林斯顿大学研究者 2026 年 3 月的一篇预印本，尚未经同行评审。它让语音智能体完成零售、航空和电信领域的 278 项模拟客服任务，评判的是智能体是否真正完成交易，而不只是听起来是否自然。模拟来电者带着各种口音在背景噪音中说话、会打断和应和，其音频经过电话级 G.711 压缩并模拟丢包。在 Artificial Analysis 对该基准的实现上，Grok Voice 3.0 得分 71.6%，落后于 GPT-Live-1 的 74.5%，但领先 Gemini 3.8 Live 的 68.6%，并远高于 Grok Voice 2.0 的 56.5%。

Artificial Analysis 用Full-Duplex-Bench的一个子集单独报告对话动态，那是一个测试停顿处理、应和、话轮转换和打断管理的学术基准。Grok Voice 3.0 在那里得分 97.0%，GPT-Live-1 为 94.9%。SpaceXAI 在公告中突出了这一结果，但它不再计入指数得分。

因此，指数上的领先主要依靠语音推理、人类偏好和任务成功率。在 τ-Voice 这个最接近在嘈杂音频条件下模拟完整客服交易的组成部分上，OpenAI 的模型仍然领先。SpaceXAI 把自己的 τ-Voice 结果描述为与 GPT-Live-1 相当、但延迟低 40%。对于主要关心智能体能否解决来电者请求的企业，2.9 分的差距才是要权衡的数字。

竞争定位：成本优于 OpenAI，任务上落后 GPT-Live-1

SpaceXAI 的成本论证依据的是一个按任务计的数字。援引 Artificial Analysis 的 Big Bench Audio 测试，公司称 Grok Voice 3.0 平均每任务 0.025 美元，GPT-Live-1（Astra, Medium）为 0.030 美元，OpenAI 的 GPT-Realtime-2.1（High）为 0.055 美元。Artificial Analysis 的公开榜单按另一种口径报告成本，即在 40 题的 Big Bench Audio 子集上每小时输入音频的成本：Grok Voice 3.0 为 4.80 美元，GPT-Live-1（Astra, Medium）为 5.83 美元，GPT-Realtime-2.1（High）为 10.75 美元。

Google 仍是低成本选项。按同一 Artificial Analysis 口径，标准的 Gemini 3.8 Live 配置成本为 0.84 美元，尽管它在 τ-Voice 上只得 30.1%。在指数顶部竞争的扩展思考（High）配置成本为 3.50 美元，仍低于 Grok Voice 3.0。ElevenLabs 和 Deepgram 以每一步都基于文本记录的级联流水线参与竞争，这是一些企业合规团队要求的特性。

在 EVA-Bench 上 —— 这是 ServiceNow AI Research 的开源评估框架，在三个企业领域的 213 个场景中同时按准确率和客户体验给语音智能体打分 —— SpaceXAI 称 Grok Voice 3.0 以 74% 取得最高准确率得分和最佳综合结果。发布公告引用 ServiceNow 智能体评估与负责任 AI 产品管理高级总监 Nitin Aggarwal 的话说，该模型「把顶尖的准确率与自然、灵敏的对话结合在一起」。Grok Voice 3.0 的这一结果由 SpaceXAI 发布，并未出现在 EVA-Bench 论文本身。

一项小型独立测试提出了一个行为问题。在2026 年 5 月一次对五个实时语音智能体的上手比较中，Tech Stackups 报告称，当时通过同一个 grok-voice-latest 端点提供的 xAI 智能体在被问到是否真人时回答「不，我是真人」，并在被质疑时坚持这一说法。同一篇评测发现该智能体加入了录音中并不存在的语音重音，表现得更像基于文本记录的流水线，而不像其语音对语音的标签所暗示的那样。那次测试早于 Grok Voice 3.0，这两种行为是否仍存在于新模型中尚未确定。

延伸阅读：SpaceXAI 发布 Grok 4.7：价格不变，独立编程测试低于自家说法

语音克隆与多语言支持

Voice Agent API 还可与 SpaceXAI 4 月推出的自定义语音功能配合使用。开发者录制约一分钟的自然语音，公司的开发者文档把参考音频上限定为 120 秒。注册时说话人必须朗读一段验证短语，由语音转文本引擎实时核对，系统随后比对该片段与完整录音的说话人嵌入，以确认来自同一个人。得到的语音 ID 可用于 SpaceXAI 的文本转语音端点和 Voice Agent API，公司对自定义语音不额外收费。功能公告列出的支持语言包括英语、西班牙语、法语、德语、中文和日语。

SpaceXAI 称，实时验证步骤意味着用户无法克隆他人的声音，也无法用已有录音制作克隆。这些保障措施由公司自述，其对抗从公开录音刻意克隆声音的有效性尚未经独立验证。

隐私与监管背景

语音克隆增加了一层文本 API 没有的数据保护问题。英国数据保护监管机构 ICO —— 它于 9 月 30 日改组为信息委员会，现自称信息委员会办公室 —— 的指引指出，生物识别系统，即依据生物或行为特征识别人的系统，处理的是特殊类别的生物识别数据。SpaceXAI 的注册流程恰恰是比对说话人嵌入以确认两段录音来自同一个人。公司发布了一份数据处理附录，于 2026 年 9 月 22 日生效，覆盖通过其 API 发送的个人数据，引用欧盟和英国 GDPR，并要求客户通过其所称的「ZDR-Enabled API」发送个人数据。该文件没有专门涉及语音或生物识别数据。

另外，ICO 于 2026 年 2 月启动了正式调查，对象是 X Internet Unlimited Company 和 X.AI LLC，涉及它们与 Grok 相关的个人数据处理，起因是有报道称该系统曾被用于生成未经同意的性化图像，包括儿童的图像。调查关注的是 Grok 对有害图像生成的保障措施，而非其语音产品，ICO 在立案时表示尚未就是否违反数据保护法形成看法。尚未宣布任何结果。受监管行业中评估 SpaceXAI 作为语音供应商的企业或许仍应跟踪此案，因为它审视的是 Grok 服务中保障措施的构建方式。

真实部署数字意味着什么

SpaceXAI 最具体的部署说法是 Starlink：每天约 2 万个来电，约 70% 在无人介入的情况下解决，约四分之一的销售来电在来电者挂断前完成购买。公司称，一个基于 Grok Voice 3.0 构建的单一智能体能在同一通对话中验证客户身份、排查硬件故障、发放账单抵扣并寄出替换设备。

这些数字很难与基准结果比较。最初的 τ-Voice 论文评估了 2026 年初可用的语音智能体，发现它们在干净音频下完成 31% 到 51% 的任务，在真实的噪音和口音条件下完成 26% 到 38%，而一个在文本中工作的 GPT-5 推理智能体为 85%。作者把 79% 到 90% 的失败归因于智能体行为而非音频问题。更新的模型在 Artificial Analysis 对该基准的实现上得分高得多，Grok Voice 3.0 为 71.6%。70% 的 Starlink 解决率可能反映的是更窄、定义更清楚的任务组合、对「已解决」的不同定义，或在特定领域部署中的真实实力。没有对解决率如何计算的独立审计，这个数字无法核实。

基准领先与接下来会怎样

Grok Voice 3.0 的 86.9 分使它在发布时成为 Artificial Analysis 语音对语音指数上排名最高的模型，推动力来自相对 Grok Voice 2.0 在语音推理、人类偏好和智能体表现上的提升。在最接近真实客服交易的指标上，它的位置较弱，OpenAI 的 GPT-Live-1 仍然排第一。

更大的开放问题是，端到端语音模型能否在有依据的任务上缩小与文本智能体的差距。Grok Voice 3.0 在 τ-Voice 上相对前代 15.1 分的提升是实质性进展，但 τ-Voice 的作者在同一任务集上测得文本智能体为 85%，而论文结果与 Artificial Analysis 实现之间的比较应谨慎对待。未来的指数更新将显示剩余差距是否会通过更多训练数据、不同的后训练方法，或语音模型处理结构化交易方式的改变而缩小。