Grok Voice 3.0 是 xAI 2026 年 10 月 14 日發佈的端到端語音轉語音模型，在 Artificial Analysis 語音榜上以 86.9 分排在第一位，首響延遲 0.81 秒。普通使用者在 Grok 應用、Grok Bot 或特斯拉車裡打開語音模式就能對話，開發者則通過 Voice Agent API 按 每分鐘 0.08 美元接入。
它是 xAI 的語音到語音模型，音訊直接進、語音直接出，中間不經文字中轉。過去做語音助手要先語音轉寫、再交給大模型理解、最後把文字合成語音，每多一步就疊一層延遲，這也是它能把首響壓到 1 秒以內的結構原因。
在 Artificial Analysis 的 Speech-to-Speech 榜單上，Grok Voice 3.0 拿到 86.9 分，高於 Grok Voice 2.0 的 81.3、GPT-Live-1 的 83.2 和 Gemini 3.8 Live 的 82.6。客服場景的 τ-Voice 基準為 71.6%，全雙工基準 Full Duplex Bench 為 97%，任務成功率 94.8%。
全雙工指的是模型邊聽邊說，能處理停頓、輪替和插話，使用者中途打斷不會卡住。目前它已經在特斯拉車內每天承接數百萬次對話，星鏈客服中心每天接約 2 萬通電話，其中約 70% 不需要人工介入。
普通使用者不用註冊開發者帳號，在 Grok 應用、Grok Bot 或特斯拉車裡打開語音模式就能直接說話。xAI 官方說明 grok-voice-latest 的使用者已經自動切到 3.0，不需要額外操作，上一代 Grok Voice 2.0 同步進入棄用狀態。
車載和助手場景靠 Connectors 與 Grok Bot 完成免手操作，查日程、回郵件、下單咖啡、預訂晚餐都能用語音發起，全程不碰螢幕。這類任務要求帳號裡已經連好對應服務，沒連的服務不會憑空可用。
對話中斷後有 30 分鐘會話恢復視窗，重新接上能沿用之前的上下文，不用從頭再講一遍。語音之外也支援強制台詞、發音替換表這類細節控制，念產品名、縮寫時不會被讀錯。
開發者走 Voice Agent API，模型 ID 是 grok-voice-3.0，grok-voice-latest 目前是它的別名，正式項目建議固定具體版本號，免得後續自動升級改變行為。API 接入方式和 OpenAI Realtime API 相容，遷移主要是換地址和密鑰。
連接通過 WebSocket 建立，地址為 wss://api.x.ai/v1/realtime，同時支援 WebRTC 和 SIP 三種傳輸。不想寫程式碼的可以用控制台裡的語音 Agent Builder，同一套模型跑，拖配置就能搭出一個能通話的代理。
定價每分鐘 0.08 美元，摺合每小時 4.80 美元，與 Grok Voice 2.0 持平。模型頁列出的部署區域有三個：us-east-1、eu-west-1 和 us-saltlake-2，比夏季只有單一美東節點時更適合有資料落地要求的團隊。
語音文件列出 20 個語言條目，帶本地口音，包含英語、中文、日語、韓語、印地語、法語、德語、俄語、土耳其語、越南語和三種阿拉伯語變體。模型自己判斷輸入語言並用同一種語言回答，不需要提前配置。
內置音色共 28 個，預設是 eve，與文字轉語音 API 共用同一套音色列表，可以用介面直接拉出全部清單。需要專屬聲音時，從不超過 120 秒的參考音訊做音色克隆即可，生成的音色 ID 和內置音色一樣填進參數使用。
音訊編碼支援 PCM、G.711 和 Opus，PCM 採樣率覆蓋 8 千赫茲到 48 千赫茲、預設 24 千赫茲，輸入與輸出的格式可以各設各的。術語修正表最多支援 100 個詞條，單個不超過 50 個字元，用來固定產品名和縮寫的讀法。
接上工具後它能自己查資料再回答：網路搜尋、X 搜尋、文件集合檢索、遠程 MCP 伺服器和自定義函數都能掛進會話，多個函數可以並行調用。搜尋還可以按國家、城市、時區偏置，X 搜尋能限定帳號範圍和日期視窗。
企業側的能力是電話接入，把 PSTN 或呼叫中心的線路通過 SIP 接進語音會話，支援呼叫轉移和按鍵輸入，Twilio、Telnyx、Plivo 都能用。星鏈客服中心現在用它每天處理約 2 萬通來電，單個代理就能完成身份覈驗、硬體排查、發放退款和補發設備。
通話細節上，來電會觸髮帶簽名的實時回調，接通後按會話更新和響應指令推進。呼叫轉移失敗會給出區分明顯的返回碼，502 表示運營商側失敗、504 表示超時，這兩種情況會話都不會直接斷開。
按分鐘計費，Voice Agent API 定價每分鐘 0.08 美元，摺合每小時 4.80 美元，和上一代 Grok Voice 2.0 完全一致。xAI 暫未公佈免費額度或包月方案，用量大的團隊按小時折算，成本比多數同級語音模型更低。
支援。語音文件列出 20 個語言條目，中文在列，模型會自動識別來電語言並用同一種語言回答，不需要單獨配置。實際調用時可以用 BCP-47 語言提示把識別偏向中文，口音和專有名詞的識別準確度通常會更穩一些。
Grok 4.7 是文字與推理大模型，負責理解和規劃；Grok Voice 3.0 是語音到語音模型，負責聽和說。兩者可以串起來用，但介面和計費方式各自獨立，語音能力不會自動包含在文字模型的調用額度裡。
可以。企業通過 SIP 把電話線路接進語音會話，支援呼叫轉移和按鍵輸入，Twilio、Telnyx、Plivo 都能用。星鏈客服用它每天處理約 2 萬通來電，約七成不需要人工介入，單個代理就能完成覈驗、排查和退款。 文中功能、價格與發佈日期以 xAI 2026 年 10 月官方說明為準，定價與規則可能調整。
PixTV和libtv哪個便宜，答案是看你怎麼比：起步月費上 LibTV 的 59 元/月低於 PixTV 的 10 美元/月（約 72 元）；但按單秒生...
2026-10-14updream可以退款嗎，直說結論：按官方規則，儲值和會員對應的積分屬於虛擬商品，售出後不支援退款；已經有多起使用者反映積分到...
2026-10-14
我用Laper整理劇本前期素材時，會先確認劇本里的角色、場景名稱，再把角色肖像、地點參考和道具圖關聯到對應項目實體，最後選...
2026-10-11updream需要什麼電腦配置，結論先說：updream 是瀏覽器端工具，模型計算全在雲端跑，本地電腦不負責生成，所以對顯卡幾乎沒有...
2026-10-14
千問Go有什麼功能，公開可查的案例集中在四類事情上：出行票務、訂餐訂位、購物比價，以及需要反覆溝通的售後理賠。這篇把千...
2026-10-14