xAI发布Grok Voice 3.0全双工语音模型，已接手特斯拉与星链客服

10月13日，xAI正式发布语音到语音（speech-to-speech）模型Grok Voice 3.0，并称其为“全球最智能的语音模型”。该模型面向实时对话与语音智能体场景，可在不先将语音转写为文本的情况下直接听音、思考并开口回应，从而更自然地处理停顿、插话与抢话。

在Artificial Analysis的独立评测中，Grok Voice 3.0以86.9分登顶语音到语音指数（Speech-to-Speech Index），高于GPT-Live-1的83.2与Gemini 3.8 Live的82.6；在全双工对话基准（Full Duplex Bench）上取得97.0%的成绩，语音推理准确率达98.5%。其首音频响应时间约0.81秒，较GPT-Live-1快约40%。

在客服场景中，模型表现同样亮眼：于ServiceNow的企业语音智能体基准EVA-Bench上取得74%的准确率，为当前最高。xAI披露，Grok Voice 3.0每天在特斯拉汽车中处理数百万次语音对话，支持驾驶员查询日历、回复邮件及调用助手订餐预订；在Starlink客服中心，它每天接听约2万通电话，其中约70%无需人工介入，约四分之一的销售来电在挂断前即达成购买。

对开发者而言，Grok Voice 3.0已通过xAI的Voice Agent API开放，价格维持每分钟0.08美元（每小时4.80美元），与此前2.0版本持平；使用grok-voice-latest别名的既有智能体已自动切换至新版本，无需改动代码。在Artificial Analysis的Big Bench Audio任务中，其单任务平均成本约0.025美元，低于GPT-Live-1的0.030与GPT-Realtime-2.1的0.055。

语音AI的竞争正从“快”与“聪明”二选一，转向二者兼得且价格可控。GPT-Live-1.1、Gemini 3.8 Live等同期模型也在加速迭代，而Grok Voice凭借在特斯拉与SpaceX体系内的真实流量，率先完成了从 benchmark 到生产环境的闭环。对普通用户而言，下一次拨打客服或对着车机说话时，对面的“人”很可能已是它。