10月14日至15日，马斯克旗下的人工智能公司SpaceXSI（前身为xAI）正式发布Grok Voice 3.0，这是其语音智能体API背后的语音转语音（speech-to-speech）模型最新版本。据官方介绍，该模型首次音频响应延迟低于1秒，运行成本低于其它同级别前沿模型，并已通过API以每分钟0.08美元（每小时4.80美元）的价格对外开放，与上一代入门价保持一致。
事件背景
过去一年，语音交互成为大模型厂商争夺企业客服与车载场景的关键战场。OpenAI的GPT-Live-1（基于GPT-6 Astra推理）、Google的Gemini 3.8 Live均在语音转语音方向密集迭代。Grok Voice此前的2.0版本已支撑特斯拉与SpaceX平台每日数百万次对话，3.0则在准确率、延迟与成本三方面同步拉齐。
核心内容与数据
独立评测机构Artificial Analysis的测试显示，Grok Voice 3.0在“语音转语音指数”中得分86.9，位列榜首；对比来看，GPT-Live-1（Astra, Medium）为83.2，Gemini 3.8 Live为82.6，上一代Grok Voice 2.0为81.3。在衡量插话、停顿与轮替自然度的Full Duplex Bench中，新模型拿到97.0%的高分。
在针对浓重口音、背景噪声与中断场景的τ-Voice客服通话测试中，Grok Voice 3.0取得71.6%，与GPT-Live-1的74.5%接近，但xAI强调其首次音频延迟降低了约40%。在ServiceNow的开源企业语音智能体基准EVA-Bench（覆盖200多个真实企业场景）中，该模型以74%的准确率居首，并在准确率与客户体验联合评分上表现最佳。
影响与解读
真正的看点在于规模化落地而非实验室分数。xAI披露，Grok Voice每天在特斯拉车内处理数百万次对话，驾驶员可借助其查看日程、回复邮件、预订晚餐；在Starlink客服中心，该模型以多语种承接约2万通来电，约70%的客户诉求无需人工坐席介入即可处理，约四分之一销售通话在通话中直接促成订单。
相关动态与展望
xAI同时宣布，使用grok-voice-latest别名的智能体已自动切换到3.0，无需开发者改代码；2.0被标记为弃用。对依赖语音智能体的企业而言，官方建议将模型固定为具体版本ID而非别名，并在上线前重新测试。随着语音模型在准确率、延迟与成本上同时收敛，企业级语音智能体有望从“演示”走向“生产”。
信息来源：xAI官方发布说明；环球网报道；网易/ZAKER科技。
评论(0)