马斯克xAI发布Grok Voice 3.0 语音模型响应不到1秒

当地时间 10 月 14 日，马斯克旗下人工智能公司 xAI 正式推出 Grok Voice 3.0 语音转语音模型，并通过语音智能体 API 对外开放，定价为每分钟 0.08 美元，与上一代产品保持一致。该模型专注于语音到语音的实时交互场景，承担着特斯拉车机与 SpaceX 星链平台每日数百万次的对话交互任务。

在性能指标上，独立评测机构 Artificial Analysis 的语音到语音综合指数（Speech-to-Speech Index）给出 86.9 分，Grok Voice 3.0 首次参评即位列榜首，较上一代 2.0 的 81.3 分提升 5.6 分；衡量对话轮替、插话与停顿处理的全双工基准取得 97% 的高分，Speech Agent Arena 任务成功率 94.8% 排名第一，音频推理 Big Bench Audio 达 98.5%。在关键的用户体验指标上，其首次音频响应时间约 0.81 秒，保持在 1 秒以内，但在用户偏好 Elo 评分（1070）上排名第三，略低于部分 Gemini 实时模型。

该模型已落地多类真实业务场景。在特斯拉车载环境中，驾驶员可借助语音模型查询日程、回复邮件，也能完成咖啡下单、晚餐预订等复杂指令，实现免手动交互，并为 Grok Bot 的语音模式提供底层支撑。在 SpaceX 星链客服中心，该模型支撑多语种客户服务，每日承接约 2 万通来电，约 70% 的诉求无需人工坐席介入即可解决，约四分之一的销售通话能在通话过程中促成订单；单个智能体即可独立完成身份核验、硬件故障排查、退款发放与设备补发等系列业务。

从行业视角看，Grok Voice 3.0 的发布延续了 2026 年语音智能体赛道的升温态势：OpenAI、谷歌、Anthropic 等均在实时语音交互上密集迭代，竞争焦点从单纯的“能对话”转向低延迟、高任务完成率与可控成本的平衡。对 xAI 而言，将自研语音模型深度嵌入特斯拉与星链等马斯克生态，既是差异化的落地路径，也为其在与企业级语音智能体（如 ServiceNow EVA 基准中取得 74% 最高精度）的竞争中积累了真实场景数据。