Grok Voice 3.0怎么用？语音对话开启和 API 接入方法

更新时间:2026-10-16 00:11:47 发布时间:8小时前阅读:7次

Grok Voice 3.0 是 xAI 2026 年 10 月 14 日发布的端到端语音转语音模型，在 Artificial Analysis 语音榜上以 86.9 分排在第一位，首响延迟 0.81 秒。普通用户在 Grok 应用、Grok Bot 或特斯拉车里打开语音模式就能对话，开发者则通过 Voice Agent API 按 每分钟 0.08 美元接入。

Grok Voice语音对话

Grok Voice 3.0 是什么

它是 xAI 的语音到语音模型，音频直接进、语音直接出，中间不经文字中转。过去做语音助手要先语音转写、再交给大模型理解、最后把文字合成语音，每多一步就叠一层延迟，这也是它能把首响压到 1 秒以内的结构原因。

在 Artificial Analysis 的 Speech-to-Speech 榜单上，Grok Voice 3.0 拿到 86.9 分，高于 Grok Voice 2.0 的 81.3、GPT-Live-1 的 83.2 和 Gemini 3.8 Live 的 82.6。客服场景的 τ-Voice 基准为 71.6%，全双工基准 Full Duplex Bench 为 97%，任务成功率 94.8%。

全双工指的是模型边听边说，能处理停顿、轮替和插话，用户中途打断不会卡住。目前它已经在特斯拉车内每天承接数百万次对话，星链客服中心每天接约 2 万通电话，其中约 70% 不需要人工介入。

Grok Voice 3.0 怎么开启语音对话

普通用户不用注册开发者账号，在 Grok 应用、Grok Bot 或特斯拉车里打开语音模式就能直接说话。xAI 官方说明 grok-voice-latest 的使用者已经自动切到 3.0，不需要额外操作，上一代 Grok Voice 2.0 同步进入弃用状态。

车载和助手场景靠 Connectors 与 Grok Bot 完成免手操作，查日程、回邮件、下单咖啡、预订晚餐都能用语音发起，全程不碰屏幕。这类任务要求账号里已经连好对应服务，没连的服务不会凭空可用。

对话中断后有 30 分钟会话恢复窗口，重新接上能沿用之前的上下文，不用从头再讲一遍。语音之外也支持强制台词、发音替换表这类细节控制，念产品名、缩写时不会被读错。

Grok Voice 3.0 怎么接入 API

开发者走 Voice Agent API，模型 ID 是 grok-voice-3.0，grok-voice-latest 目前是它的别名，正式项目建议固定具体版本号，免得后续自动升级改变行为。API 接入方式和 OpenAI Realtime API 兼容，迁移主要是换地址和密钥。

连接通过 WebSocket 建立，地址为 wss://api.x.ai/v1/realtime，同时支持 WebRTC 和 SIP 三种传输。不想写代码的可以用控制台里的语音 Agent Builder，同一套模型跑，拖配置就能搭出一个能通话的代理。

定价每分钟 0.08 美元，折合每小时 4.80 美元，与 Grok Voice 2.0 持平。模型页列出的部署区域有三个：us-east-1、eu-west-1 和 us-saltlake-2，比夏季只有单一美东节点时更适合有数据落地要求的团队。

Grok Voice 3.0 支持哪些语言和音色

语音文档列出 20 个语言条目，带本地口音，包含英语、中文、日语、韩语、印地语、法语、德语、俄语、土耳其语、越南语和三种阿拉伯语变体。模型自己判断输入语言并用同一种语言回答，不需要提前配置。

内置音色共 28 个，默认是 eve，与文本转语音 API 共用同一套音色列表，可以用接口直接拉出全部清单。需要专属声音时，从不超过 120 秒的参考音频做音色克隆即可，生成的音色 ID 和内置音色一样填进参数使用。

音频编码支持 PCM、G.711 和 Opus，PCM 采样率覆盖 8 千赫兹到 48 千赫兹、默认 24 千赫兹，输入与输出的格式可以各设各的。术语修正表最多支持 100 个词条，单个不超过 50 个字符，用来固定产品名和缩写的读法。

Grok Voice 3.0 能做什么任务

接上工具后它能自己查资料再回答：网络搜索、X 搜索、文档集合检索、远程 MCP 服务器和自定义函数都能挂进会话，多个函数可以并行调用。搜索还可以按国家、城市、时区偏置，X 搜索能限定账号范围和日期窗口。

企业侧的能力是电话接入，把 PSTN 或呼叫中心的线路通过 SIP 接进语音会话，支持呼叫转移和按键输入，Twilio、Telnyx、Plivo 都能用。星链客服中心现在用它每天处理约 2 万通来电，单个代理就能完成身份核验、硬件排查、发放退款和补发设备。

通话细节上，来电会触发带签名的实时回调，接通后按会话更新和响应指令推进。呼叫转移失败会给出区分明显的返回码，502 表示运营商侧失败、504 表示超时，这两种情况会话都不会直接断开。

常见问题

Grok Voice 3.0 怎么收费

按分钟计费，Voice Agent API 定价每分钟 0.08 美元，折合每小时 4.80 美元，和上一代 Grok Voice 2.0 完全一致。xAI 暂未公布免费额度或包月方案，用量大的团队按小时折算，成本比多数同级语音模型更低。

Grok Voice 3.0 支持中文吗

支持。语音文档列出 20 个语言条目，中文在列，模型会自动识别来电语言并用同一种语言回答，不需要单独配置。实际调用时可以用 BCP-47 语言提示把识别偏向中文，口音和专有名词的识别准确度通常会更稳一些。

Grok Voice 3.0 和 Grok 4.7 有什么区别

Grok 4.7 是文本与推理大模型，负责理解和规划；Grok Voice 3.0 是语音到语音模型，负责听和说。两者可以串起来用，但接口和计费方式各自独立，语音能力不会自动包含在文本模型的调用额度里。

Grok Voice 3.0 能接到电话客服上吗

可以。企业通过 SIP 把电话线路接进语音会话，支持呼叫转移和按键输入，Twilio、Telnyx、Plivo 都能用。星链客服用它每天处理约 2 万通来电，约七成不需要人工介入，单个代理就能完成核验、排查和退款。文中功能、价格与发布日期以 xAI 2026 年 10 月官方说明为准，定价与规则可能调整。

标签：

Grok Voice