Grok Voice 3.0 – SpaceXSI 推出的端到端语音转语音模型

Grok Voice 3.0是SpaceXSI于 2026 年 10 月推出的端到端语音转语音模型，主要用于实时语音对话与客服通话处理，支持低于 1 秒的对话延迟与全双工交互，适用于智能客服、车载语音助手与实时语音智能体等场景。

Grok Voice 3.0 的核心能力

Grok Voice 3.0 处理的是「音频进、音频出」的实时语音对话，而不是把语音先转成文字、再合成回语音的级联方案；停顿、抢话与轮次切换因此由模型自身判断，不需要额外的轮次检测逻辑。把它接进 AI智能体 后，智能体可以省去中间的文本往返，直接以语音完成核验、排查与答复。

语音转语音综合指数升至 86.9

官方发布页转引 Artificial Analysis 的测试结果：Grok Voice 3.0 在语音转语音指数上取得 86.9 分，排名第一，高于 GPT-Live-1（Astra，Medium）的 83.2 与 Gemini 3.8 Live 的 82.6，上一代 Grok Voice 2.0 为 81.3。

低于 1 秒延迟与全双工对话

Grok Voice 3.0 的对话延迟低于 1 秒。在全双工基准测试中它取得 97.0％，用于衡量模型处理停顿、轮次切换与中途插话的自然程度。在 τ-Voice 这项客服场景指标上，Grok Voice 3.0 得分为 71.6％，与 GPT-Live-1（Astra）接近，官方称其延迟低 40％。在 ServiceNow 面向企业语音智能体的 EVA-Bench 上，它取得 74％ 的最高精度得分。

特斯拉与星链场景的规模化使用

官方披露它每天在特斯拉车辆内处理数百万次对话，并同时为 Grok Bot 的语音模式提供支持。星链客服中心依托它每天承接 2 万通客户来电，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完成下单。

接口与定价保持向后兼容

官方说明 Grok Voice 3.0 沿用与上一代相同的端点、会话参数与事件定义，价格也不变，原有集成无需改造。使用 grok-voice-latest 别名的应用已自动切换到新模型；固定调用 grok-voice-2.0 的会话按官方文档把模型参数改为 grok-voice-3.0 即可升级。

Grok Voice 3.0 与同类语音转语音模型的对比

上表三列均取自 SpaceXSI 官方发布页转引的 Artificial Analysis 测试结果（2026 年 10 月 13 日），人类偏好一列为 Speech Agent Arena Elo 分值。以客服通话为主要负载的，可优先比对全双工与任务完成率；面向本地化部署要求的团队，也可一并了解阶跃星辰的 StepAudio 2.5 Realtime。

Grok Voice 3.0 只处理语音转语音，语音转写仍由同门的独立模型承担。如果需要把通话录音转成文本，可以参考 Grok Voice Transcribe 2.0（SpaceXSI 推出的高精度语音转写模型，支持多说话人区分与时间戳输出）。

Grok Voice 3.0 的应用场景与适用人群

该模型面向需要实时语音往来的产品与系统，常见场景包括：

• 客户服务热线：单次通话内完成身份核验、问题排查与退款、补发等处置动作，呼叫中心按通话时长计费。
• 车载与移动语音助手：驾驶员以语音查询日程、回复消息或完成下单，交互过程无需手动操作。
• 实时语音智能体：把语音模型接入带工具的智能体，通过函数调用、网页检索与文件检索完成多步任务。

适用人群：正在建设语音智能体或呼叫中心替代方案的工程团队、需要把语音能力嵌入车载与移动应用的开发者，以及希望构建实时语音服务的品牌与客服运营团队。

Grok Voice 3.0 的使用方法

Grok Voice 3.0 有两条使用路径：普通用户在 SpaceXSI 的产品内直接开启语音对话，开发者通过接口把模型接入自有应用。普通用户无需申请密钥，也无需配置参数：

• Grok 应用：在网页版或 iOS、Android 客户端内开启语音对话，即可与模型实时交流。
• Grok Bot 语音模式：Grok Bot 的语音模式由 Grok Voice 3.0 提供支持，在 macOS 与 iOS 客户端内可直接以语音交互。
• 特斯拉车内：车内语音交互由 Grok Voice 3.0 承载，可通过 Connectors 查询日程、回复邮件，或借助 Grok Bot 完成下单与预订，无需手动操作。

开发者把模型接入自有应用，按以下顺序完成搭建：

1. 获取访问凭据：在 SpaceXSI 控制台创建 API Key，客户端应用建议改用短期有效的临时令牌，避免密钥下发到浏览器或移动端；参数结构可先查阅 Grok Voice 3.0 官方文档。
2. 建立实时连接：连接 wss://api.x.ai/v1/realtime?model=grok-voice-latest，并按 grok-voice-3.0 或 grok-voice-2.0 固定版本号。
3. 配置会话：发送 session.update 事件，设置 instructions 系统提示词、voice 音色、turn_detection.type 取 server_vad 以启用自动断句，并按需开启 resumption.enabled 以支持断线重连后续接上下文。
4. 接入工具与音频格式：tools 支持 file_search、web_search、x_search、mcp 与 function；音频编解码可选 audio/pcm、audio/pcmu、audio/pcma 或 audio/opus，采样率 8000 至 48000 Hz，实时通话常用 24000 Hz。
5. 发送与接收音频：使用服务端断句时，通过 input_audio_buffer.append 持续送入音频帧，再发送 response.create 触发应答；输出音频以增量事件返回，按配置的采样率直接播放。

把 audio.output.speed 设为 0.7 至 1.5 可调节播报速度，专有名词的读法可通过 replace 参数在不改动转写文本的前提下纠正；若推理档位不需要开启，可将 reasoning.effort 设为 none 以缩短响应时间。

Grok Voice 3.0 的价格与开源情况

Grok Voice 3.0 已在语音智能体接口上线，官方定价为每分钟 0.08 美元，折合每小时 4.80 美元，与上一代 Grok Voice 2.0 保持一致；计费以通话时长为单位，不按输入与输出的文本 token 分别结算。官方发布的单次任务成本对比中，它完成一次 Big Bench Audio 任务平均花费 0.025 美元，低于 GPT-Live-1（Astra，Medium）的 0.030 美元与 GPT-Realtime-2.1（High）的 0.055 美元。

Grok Voice 3.0 未开源，官方未公开模型权重，也未提供本地部署方案，调用需通过其在线语音接口完成。

Grok Voice 3.0 的常见问题