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
xAI 新一代语音到语音模型：第三方综合榜第一，不到 1 秒开口，难缠客服电话的办成率比上一代高 15 个百分点，API 价格不变。
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
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：
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 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：
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。
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。
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：
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）：
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）：
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。
Introducing Grok Voice 3.0
The world’s most intelligent voice model.
Today, we’re announcing Grok Voice 3.0, the world’s most intelligent speech-to-speech model. It sets a new record for resolving customer support calls, has class-leading latency at under one second, and costs less than other frontier models. Grok Voice powers millions of conversations a day across Tesla and SpaceX, and is available today in the API at the same price as its predecessor.
The Most Accurate Voice Model
In Artificial Analysis’s independent testing, Grok Voice 3.0 ranks #1 on the Speech-to-Speech Index, with a score of 86.9. The Index combines speech reasoning, τ-Voice, and preference and task success from blind head-to-head calls. Grok Voice 3.0 also scores 97% on Full Duplex Bench, a measure of how naturally it handles pauses, turn-taking, and interruptions.
τ-Voice measures how well agents handle support calls with diverse accents, background noise, and interruptions. Grok Voice 3.0 scores 71.6%, comparable with GPT-Live-1 (Astra), but at 40% lower latency, setting a new frontier in agent intelligence versus responsiveness.
It's also cheaper to run than comparable models. Artificial Analysis measures what each model costs to complete a task in its Big Bench Audio run, and Grok Voice 3.0 comes in under both GPT-Live-1 (Astra, Medium) and GPT-Realtime-2.1.
Lower cost per task than comparable modelsAverage cost per task on Artificial Analysis's Big Bench Audio run, USD. Lower is better.
On EVA-Bench, ServiceNow’s benchmark for enterprise voice agents, Grok Voice 3.0 achieves the highest accuracy score at 74% and is the best-performing model when jointly scored across accuracy and customer experience.
Nitin Aggarwal, Senior Director of Product Management, Agentic Evals and RAI, ServiceNow
Used by Millions of Customers at Tesla & SpaceX
Grok Voice 3.0 handles millions of conversations a day in Tesla vehicles. Drivers can use Connectors for simple requests like checking their calendar or answering an email, and Grok Bot for bigger tasks like ordering a coffee or booking dinner—all completely hands-free (see it on X). Grok Voice 3.0 also powers Grok Bot’s voice mode.
Starlink call centers use Grok Voice to answer 20,000 customer calls every day across multiple languages. Roughly 70% are resolved with no human in the loop, and one in four sales calls ends in a purchase before the caller hangs up. A single agent built on Grok Voice 3.0 verifies customers, troubleshoots hardware, issues credits, and ships replacement equipment.
Pricing and Availability
Grok Voice 3.0 is available today in the Voice Agent API at $0.08 / min ($4.80 / hr), the same price as Grok Voice 2.0. Agents using grok-voice-latest have already been switched over automatically, with no changes needed.