Grok Voice 3.0发布:对话更自然 企业客服评测第一 已经在特斯拉上使用

原文链接: https://x.ai/news/grok-voice-3 来源: xAI 发现于: 小互 · AI 解读站 · 2026/10/15 说明: 本文由 AIHot 自动聚合(原文即中文,未翻译)。正文取自小互 AI 解读


已核对xAI10-15 · 约 8 分钟

xAI 发布了新一代语音模型 Grok Voice 3.0,称它是“世界上最聪明的语音到语音模型”。它主打客服电话这类实时通话场景:在第三方评测机构 Artificial Analysis 的语音到语音综合榜上排第一,不到 1 秒就能开口,价格和上一代一样。已经在特斯拉车内和 Starlink 客服里大规模使用,并已通过 API 向开发者开放。

主要特点:

  • 综合榜第一:Artificial Analysis 语音到语音综合指数 86.9 分,高于 GPT-Live-1(83.2)和 Gemini 3.8 Live(82.6)。
  • 不到 1 秒开口:来电者说完后约 0.81 秒发出第一个声音;在客服电话测试里,准确率和 GPT-Live-1 接近,开口快约 40%。
  • 难缠电话更能办成事:带口音、有背景噪音、中途被打断的模拟客服电话,办成率从上一代的 56.5% 提到 71.6%。
  • 对话更自然:处理停顿、轮流说话、被打断的 Full Duplex Bench 得分 97%。
  • 企业客服评测第一:ServiceNow 的企业语音 Agent 基准 EVA-Bench 上准确率 74%,排第一。
  • 已大规模在用:特斯拉车内每天数百万次对话;Starlink 客服每天接 2 万通电话,约 70% 无需人工。
  • 价格不变:Voice Agent API 每分钟 0.08 美元,和 Grok Voice 2.0 同价;用 grok-voice-latest 的应用已自动升级。

它是哪类模型

语音 AI 有两种常见做法。一种像三站流水线:先把你的话转成文字(语音识别),交给大模型想出文字回复,再把文字念出来(语音合成)。每一站都要等上一站交货,等待时间会叠加;你说话时的语气、犹豫、半句停顿,在转成文字时也丢了。

Grok Voice 3.0 属于另一种,语音到语音(speech-to-speech)模型:输入是声音,输出直接是声音,中间不先落成一份文字稿。这类模型能更早开口,也能全双工对话(像打电话,双方可以同时说话,你插话时它能听到并停下)。这次拿来对比的 GPT-Live-1、Gemini 3.8 Live 也都属于这一类,所以比的是同类模型之间谁更准、更快、更便宜。

xAI 没有公开 Grok Voice 3.0 的模型结构和训练方法,能判断它水平的主要是评测和部署数据。

比上一代强在哪

和 Grok Voice 2.0 对比,变化集中在“难缠电话”和“人更愿意跟它聊”上:

指标 Grok Voice 2.0 Grok Voice 3.0 变化
τ-Voice 客服电话办成率 56.5% 71.6% +15.1 个百分点
人类偏好 Elo 1011 1070 +59
综合指数 81.3 86.9 +5.6
Full Duplex Bench 95.1% 97.0% +1.9 个百分点
任务成功率 94.6% 94.8% 基本持平
首个音频延迟 约 0.70 秒 约 0.81 秒 慢约 0.1 秒

常规通话里,2.0 本来就能把多数事办成,任务成功率几乎没变。3.0 的进步在口音、噪音、打断这些麻烦情况下:多花约 0.1 秒开口,换来办成率涨 15 个百分点。

性能:准确率和速度

τ-Voice 让语音 Agent 接模拟客服电话,来电者带着各种口音、背景有噪音、还会中途打断,看最后能不能把事办成。下图纵轴是办成率,横轴是“首个音频延迟”(来电者说完后,模型多久发出第一个声音)。原图横轴是反着画的,越往右越快,越靠右上越好。

τ-Voice:办成率 vs 开口速度

选一个模型,和 Grok Voice 3.0 放在一起比

说完之后,多久听到第一个声音

Grok 3.00.81 秒 GPT-Live-11.34 秒 0 秒1 秒2 秒

GPT-Live-1 办成率 74.5%,比 Grok Voice 3.0 高 2.9 个百分点;但开口要约 1.34 秒,慢约 0.53 秒。

成功率为原图标注;延迟原图未标数字,按点位换算,误差约 ±0.02 秒。灰点为原图未具名的其他模型。数据:Artificial Analysis。

具体读数(成功率是原图标注;延迟原图没写数字,按图上位置换算,误差约 0.02 秒):

  • Grok Voice 3.0:成功率 71.6%,约 0.81 秒开口。
  • GPT-Live-1(Astra, Medium):成功率 74.5%,比 Grok 高 2.9 个百分点,是图中唯一更准的模型;但它约 1.34 秒才开口,慢了约半秒。xAI 说 Grok“延迟低 40%”,换算下来是低约 39.5%。
  • Gemini 3.8 Live(扩展思考,高档):68.6%,约 1.35 秒。
  • 图里另有 12 个没标名字的灰点,全都比 Grok Voice 3.0 更慢或更不准。

放进电话里看:客户说“我的网断了”,一个 AI 0.8 秒后接话,另一个要等 1.3 秒多,后者那段空白更容易让人以为对面没听见。反过来,GPT-Live-1 多出的 2.9 个百分点,意味着每 100 通这样的电话里大约能多办成 3 通。选哪个,取决于业务更怕慢还是更怕错。

Artificial Analysis 的综合对比里,Grok Voice 3.0 每一项都排第一(GPT-Live-1 为 Astra, Medium 档,Gemini 3.8 Live 为扩展思考高档):

指标 Grok 3.0 GPT-Live-1 Gemini 3.8
综合指数 86.9 83.2 82.6
Big Bench Audio 98.5% 90.1% 97.7%
人类偏好 Elo 1070 1048 990
任务成功率 94.8% 87.4% 89.1%
Full Duplex Bench 97.0% 94.9% 91.9%
  • 综合指数:Artificial Analysis 的语音到语音总分,把语音推理、τ-Voice、盲测通话里的偏好和办成率合在一起。
  • Big Bench Audio:用语音提出的推理题,测“听完能不能想对”。
  • 人类偏好 Elo(Speech Agent Arena):两个模型匿名和人通话,由人来选更喜欢哪一个,按胜负算分。
  • 任务成功率:同样的盲测通话里,事情最后办成的比例。
  • Full Duplex Bench:停顿、轮流说话、被打断时处理得是否自然。

这张表的对手和指标是 xAI 选的,τ-Voice 单独放在上面的散点图里,那一项 GPT-Live-1 更高。

企业场景还有一项外部评测:ServiceNow 的 EVA-Bench(ServiceNow 开源的企业语音 Agent 基准,覆盖 200 多个真实企业服务场景,同时给准确率和客户体验打分)。Grok Voice 3.0 准确率 74%,排第一;准确率和客户体验一起算,也是表现最好的模型。ServiceNow 负责 Agent 评测与负责任 AI 的产品管理高级总监 Nitin Aggarwal 评价,它在 EVA-Bench 上“划出了新的帕累托前沿”(在准确率和体验两个维度上,没有别的模型能同时都比它好)。

已经用在哪

特斯拉车内:每天处理数百万次对话。车主可以通过 Connectors 做简单的事,比如查日历、回邮件;也可以交给 Grok Bot 做更大的事,比如点一杯咖啡、订晚餐,全程不用动手。Grok Bot 的语音模式也由 Grok Voice 3.0 驱动。

Starlink 客服:每天用 Grok Voice 接 2 万通多语言电话。约 70% 不需要人工介入就解决了;销售电话里,每 4 通就有 1 通在挂断前下单。一个基于 Grok Voice 3.0 的 Agent 能走完整套售后:核验客户身份、排查硬件故障、发补偿额度、安排寄出替换设备。

这些数字是 xAI 自报的,没有说明统计周期和“解决”的判定标准;Starlink 部分整体写的是“Grok Voice”,只有单个 Agent 那句明确是 3.0。

怎么用

  • 普通用户:在特斯拉车内用语音助手,或使用 Grok Bot 的语音模式。
  • 开发者:通过 xAI 的 Voice Agent API 接入,可在 xAI 控制台创建语音 Agent 试用,接入说明见 xAI 语音文档。
  • 已在用的应用:调用 grok-voice-latest 这个模型名的 Agent 已经自动切到 3.0,不用改代码。

价格

Voice Agent API 每分钟 0.08 美元(每小时 4.80 美元),和 Grok Voice 2.0 同价。

Artificial Analysis 还比了另一种成本:跑 Big Bench Audio 时每道题平均花多少钱。Grok Voice 3.0 是 0.025 美元,GPT-Live-1(Astra, Medium)0.030 美元,GPT-Realtime-2.1(High)0.055 美元。在这套题上,Grok 比 GPT-Live-1 便宜约 17%,不到 GPT-Realtime-2.1 的一半。这个数字用来横向比较谁更省,不能直接换算成“一通客服电话多少钱”——真实电话的时长和轮数都跟测试题不一样。

GPT-Live-1 的 API 按“前端语音层”和后端模型分开计费,和 Grok 的按分钟一口价不是同一种算法,比价前要先对齐口径:

对照阅读OpenAI 开放 GPT‑Live‑1 API:可以将GPT的语音对话能力接入到任意应用中 每分钟 0.05 美元Grok 这次的主要对手:它怎么处理打断和噪音、怎么把任务交给后端,以及分层计费怎么算。→

来源Introducing Grok Voice 3.0xAI·2026-10-14·查看主材料延伸Artificial Analysis Speech-to-Speech·EVA-Bench xAI GROK VOICE 3.0 · 解读

Grok Voice 3.0 发布:对话更自然、企业客服评测第一、已在特斯拉使用

xAI 新一代语音到语音模型:综合榜第一,约 0.81 秒开口,难缠客服电话办成率比上一代高 15 个百分点,API 价格不变。 核心逻辑:语音到语音模型演进 · τ-Voice 难缠电话权衡 · 帕累托前沿分析 · 落地验证与成本对比

xAI 发布的 Grok Voice 3.0,主打客服电话这类充满口音、背景杂音与随机插话的复杂实战场景。在第三方评测机构 Artificial Analysis 语音榜单登顶的同时,它选择在每分钟 0.08 美元价格不变的前提下,主攻“不到 1 秒开口”的实时全双工交互。

要理解它的突破,首先要看懂语音 AI 的两代技术范式分歧:

传统级联流水线(三站式) 语音识别 ASR → 大语言模型 LLM → 语音合成 TTS

每一站都要等上一站交货,等待时间会叠加;你说话时的语气、犹豫、半句停顿,在转成文字时也丢了。

Grok Voice 3.0(端到端语音到语音) 原生音频输入 ⟷ 原生音频输出(全双工直出)

输入是声音,输出直接是声音,中间不先落成一份文字稿。这类模型能更早开口,也能全双工对话,插话时能实时感知并自然刹车。

核心机制 · 实时权衡 快约 0.5 秒 vs 准 2.9 个百分点:电话场景下的取舍

τ-Voice 让语音 Agent 接模拟客服电话,来电者带着各种口音、背景有噪音、还会中途打断,看最后能不能把事办成。在该场景下,Grok Voice 3.0 与主要对手划出了截然不同的取舍曲线:

前代基准 · Grok Voice 2.0 约 0.70 秒 首个音频延迟

难缠电话办成率 56.5% 常规通话能办成事,但在噪音与打断等麻烦情况下容易失败。

本次主角 · Grok Voice 3.0 约 0.81 秒 首个音频延迟(快约 40%)

难缠电话办成率 71.6%(比 2.0 高 15.1 个百分点) 多花约 0.1 秒开口,换来办成率涨 15 个百分点,开口时间仍在 1 秒以内。

主要对手 · GPT-Live-1 约 1.34 秒 首个音频延迟(慢约半秒)

难缠电话办成率 74.5%(比 Grok 3.0 高 2.9 个百分点) 图中唯一更准的模型,但 1.3 秒多延迟更容易让人以为对面没听见。

**决策权衡关键:**选哪个,取决于业务更怕慢还是更怕错。GPT-Live-1 多出的 2.9 个百分点,意味着每 100 通电话里多办成约 3 通;而 Grok Voice 3.0 开口快约 40%,来电者等待的空白更短。

在 Artificial Analysis 的综合对比里,Grok Voice 3.0 每一项都排第一;而在 ServiceNow 面向 200 多个真实企业服务场景的 EVA-Bench 上,准确率达到 74%,被评价为“划出了新的帕累托前沿”:

评估基准 / 维度 Grok Voice 3.0 GPT-Live-1 Gemini 3.8 Live 维度核心价值
综合指数 86.9 83.2 82.6 综合推理、偏好与办成率总分
Big Bench Audio 98.5% 90.1% 97.7% 语音推理能力,“听完能不能想对”
Full Duplex Bench 97.0% 94.9% 91.9% 停顿、轮流说话与被打断的自然度
人类偏好 Elo 1070 1048 990 真人匿名通话盲测竞技场偏好得分
任务成功率 94.8% 87.4% 89.1% 盲测通话里事情最后办成的比例

Grok Voice 已在特斯拉车内和 Starlink 客服大规模使用(以下为 xAI 自报数据):

数百万次 特斯拉车内每天处理数百万次对话,可查日历、回邮件,或让 Grok Bot 点咖啡、订晚餐

2 万通 Starlink 客服每天接 2 万通电话,约 70% 无需人工介入即可直接解决

25% Starlink 销售电话中,每 4 通就有 1 通在挂断前下单

Starlink 客服单 Agent 闭环售后流

核验客户身份 → 排查硬件故障 → 发放补偿额度 → 安排寄出替换设备

Voice Agent API 维持 每分钟 0.08 美元(每小时 4.80 美元),和 Grok Voice 2.0 同价。使用 grok-voice-latest 的现有应用已自动升级,无需改动代码。

推理成本横向对比(Big Bench Audio 每道题平均花费):

$0.025 Grok Voice 3.0 比 GPT-Live-1 便宜约 17%

$0.030 GPT-Live-1 (Medium) 前端语音层与后端拆分计费

$0.055 GPT-Realtime-2.1 花费达到 Grok 的 2.2 倍

**开发者接入考量:**GPT-Live-1 的 API 按“前端语音层”和后端模型分开计费,而 Grok 采取按分钟一口价,两者计费方式不同,比价前要先对齐口径。开发者可在 xAI 控制台快速创建 Agent 测试接入。

↑ 正文结束 ✓ 本篇全文免费开放

会员可复制、下载全文 Markdown,并解锁更多深度内容与播客。 订年卡 $59/年看权益对比 →

阅读原文 ↗

📮 新解读第一时间进邮箱

读完觉得有用?留个邮箱,每篇新解读发布就送达,随时退订。

相关解读

AI 实操 Grok Bot 内部实践指南:五支 Grok Bot 团队,拼出了一套 Agent 操作系统 08-31 · 18 分钟产品发布 xAI 发布 Grok 4.6:性能追平 GPT-5.6 Sol,附提示词和使用指南 08-13 · 10 分钟产品发布 xAI 发布 Grok Bot:一批有自己电脑的 AI 同事,用你的账号替你干活 08-12 · 12 分钟