8.0
热点
AI SCORE
模型发布2026-10-15 13:18
Grok语音模型升级，接口与价格保持不变
MarkTechPost#语音模型#Agent#Grok
Editor brief · 编辑速览
SpaceXAI 发布 Grok Voice 3.0，支持语音输入输出、推理和工具调用，以 86.9 分位列 Artificial Analysis 语音到语音榜首。相比 2.0，端点、事件格式及每分钟 0.08 美元的价格均保持不变。
人工智能
SpaceXAI 刚刚发布了 Grok Voice 3.0。Grok Voice 3.0 是 SpaceXAI 推出的 speech-to-speech 模型，能够聆听、推理、调用工具并开口说话。目前，它以 86.9 分位居 Artificial Analysis Speech-to-Speech Index 榜首。对开发者而言，endpoint、事件以及每分钟 0.08 美元的价格均与 Grok Voice 2.0 保持一致。
运行方式：仅通过 SpaceXAI 托管的 Voice Agent API 提供服务。不开放权重，也没有本地运行版本或量化版本。
性能：在 Artificial Analysis 当前收录的所有模型中，Index 得分最高。
最佳表现：AA Speech-to-Speech Index 得分 86.9，排名第 1。
最弱表现：τ-Voice 得分为 71.6%，落后于 GPT-Live-1（Astra, medium）的 74.5%。
核心结论：优势是综合得分最高，首段音频响应时间为 0.81 秒；不足是在 Agent 任务解决能力和纯语音推理能力上均未领先。
最佳表现：综合得分最高，首段音频响应时间为 0.81 秒。
最弱表现：在 Agent 任务解决能力和纯语音推理能力上均未领先。
Grok Voice 3.0 是 SpaceXAI 的旗舰实时语音模型，通过 /v1/realtime WebSocket endpoint 提供服务，模型名称为 grok-voice-3.0。grok-voice-latest 别名已经指向该模型，因此使用这一别名的现有 Agent 已自动切换。
SpaceXAI 尚未公布模型参数量或架构细节。推理默认开启（reasoning.effort: "high"），也可以设为 "none"，以缩短每轮交互的响应时间。服务端语音活动检测负责处理用户打断。工具可在会话内运行，包括 collections search、web search、X search、远程 MCP servers 和自定义函数。
AA Speech-to-Speech Index 是 4 项指标的等权平均值，分别为 Big Bench Audio 推理能力、τ-Voice 的 Agent 任务表现、Speech Agent Arena 偏好评估，以及任务成功率。
Grok Voice 3.0 得分为 86.9。GPT-Live-1（Astra, medium）为 83.2，Gemini 3.8 Live Extended Thinking 为 82.6。Grok Voice 2.0 的得分为 81.3。
各项成绩都很强，但并非全部排名第一：
ServiceNow 的 EVA-Bench 从准确率和体验两个维度评估企业语音 Agent。SpaceXAI 报告称，其准确率得分达到最高的 74%。
Artificial Analysis 测得的首段音频响应时间为 0.81 秒。GPT-Live-1（Astra, medium）为 1.34 秒，因此 SpaceXAI 所称的“延迟降低 40%”与测量结果相符。不过，Grok Voice 2.0 更快，为 0.70 秒。
成本方面，SpaceXAI 引用了 Artificial Analysis 的每项 Big Bench Audio 任务成本。Grok Voice 3.0 每项任务花费 0.025 美元，GPT-Live-1（Astra, medium）为 0.030 美元，GPT-Realtime-2.1（High）为 0.055 美元。但在 AA 的每小时输入音频成本指标上，Gemini 3.8 Live Extended Thinking 更便宜：3.50 美元，而 Grok Voice 3.0 为 4.80 美元。
公开标价不能直接比较。GPT-Live-1 每分钟收费 0.05 美元，但后端模型和工具使用另行计费。Gemini 3.8 Live 则按音频分钟数收费，再加上文本 token 费用。
| 特性 | Grok Voice 3.0 | Grok Voice 2.0 | GPT-Live-1（Astra, medium） | Gemini 3.8 Live Extended Thinking |
|---|---|---|---|---|
| 开发商 | SpaceXAI | SpaceXAI | OpenAI | |
| 参数量 | 未披露 | 未披露 | 未披露 | 未披露 |
| 上下文长度 | 未披露 | 未披露 | 未披露 | 未披露 |
| 权重 | 闭源，仅提供 API | 闭源，已弃用 | 闭源，仅提供 API | 闭源，仅提供 API |
| 输入／输出 | 音频、文本／音频、文本 | 音频、文本／音频、文本 | 音频、文本／音频、文本 | 文本、图像、视频、音频／音频、文本 |
| AA Speech-to-Speech Index | 86.9 | 81.3 | 83.2 | 82.6 |
| Big Bench Audio | 98.5% | 97.2% | 90.1% | 97.7% |
| τ-Voice | 71.6% | 56.5% | 74.5% | 68.6% |
| Full Duplex Bench | 97.0% | 95.1% | 94.9% | 91.9% |
| 任务成功率 | 94.8% | 94.6% | 87.4% | 89.1% |
| Arena Elo（AA 实时数据） | 1070 | 1011 | 1056 | 993 |
| 首段音频响应时间 | 0.81 秒 | 0.70 秒 | 1.34 秒 | 1.35 秒 |
| AA 每小时输入音频成本 | 4.80 美元 | 4.80 美元 | 5.83 美元 | 3.50 美元 |
| 公开标价 | 0.08 美元／分钟 | 0.08 美元／分钟 | 0.05 美元／分钟，另加后端使用费用 | 音频输入 0.005 美元／分钟，音频输出 0.018 美元／分钟，另加文本 token 费用 |
benchmark 数据来自 Artificial Analysis，访问日期为 2026 年 10 月 14 日。SpaceXAI 博客列出的 Arena Elo 是固定快照值：GPT-Live-1 为 1048，Gemini 为 990。
该 API 兼容 OpenAI Realtime API，因此迁移主要就是更换 URL 和 key。
传输方式：WebSocket、WebRTC 演示应用，以及用于电话和联络中心通话的 SIP。
音频：支持 8 至 48 kHz 的 PCM、G.711 μ-law 和 A-law，以及 Opus。
声音：内置 28 种声音，还可以用最长 120 秒的参考音频克隆自定义声音。
语言：列出了 20 个语言区域，支持自动语言检测。
扩展能力：通过 force_message 输出预设台词、使用发音替换映射，以及在 30 分钟内恢复会话。
合规：SOC 2 Type II；签署 BAA 后符合 HIPAA 适用条件；以及 GDPR。SpaceXAI 表示，音频不会被存储，也不会用于训练。
生产团队应固定使用 grok-voice-3.0，而不是别名。Grok Voice 2.0 现已弃用。
Grok Voice 3.0 以 86.9 分位居 AA Speech-to-Speech Index 第 1。
它的响应时间为 0.81 秒，比 GPT-Live-1（Astra, medium）的延迟低 40%。
τ-Voice 成绩跃升至 71.6%，但 GPT-Live-1 仍以 74.5% 领先。
价格维持在每分钟 0.08 美元，grok-voice-latest 已自动升级。
它仅通过 API 提供服务：不开放权重，也未披露模型规模。
欢迎查看官方公告、Speech to Speech 文档，以及 Artificial Analysis 排行榜。本项目的全部功劳归于其研究人员。也欢迎在 Twitter 上关注我们，别忘了加入我们拥有超过 15 万成员的 ML SubReddit，并订阅我们的 Newsletter。等等！你用 Telegram 吗？现在也可以在 Telegram 上加入我们了。
Michal Sutter 是一名数据科学专业人士，拥有帕多瓦大学数据科学理学硕士学位。他在统计分析、机器学习和数据工程方面基础扎实，擅长将复杂数据集转化为可付诸行动的洞察。