xAI 发布 Grok Voice 3.0：语音到语音模型延迟不到 1 秒，API 价格不变
xAI 于美西时间 10 月 14 日（北京时间 15 日凌晨）发布 Grok Voice 3.0：主打语音到语音直接对话，响应延迟不到 1 秒，在第三方 Speech-to-Speech 综合榜单上以 86.9 分排名第一；已上线 Voice Agent API，价格与上一代相同，为每分钟 0.08 美元，使用 grok-voice-latest 的应用已自动切换。
xAI 于美西时间 10 月 14 日（北京时间 15 日凌晨）发布 Grok Voice 3.0，定位为「语音到语音」（speech-to-speech）模型：不先转文字再合成，而是直接听、直接答，主打实时对话、客服与语音助手场景。
按官方介绍，要点包括：
- 综合榜单第一：在 Artificial Analysis 的 Speech-to-Speech 综合指数上得分 86.9，高于上一代 Grok Voice 2.0 的 81.3；语音推理（Big Bench Audio）98.5%，任务完成率 94.8%；
- 对话更自然：在衡量停顿、轮流说话与被打断处理的 Full Duplex Bench 上得分 97%；
- 延迟更低：响应延迟 不到 1 秒；在模拟客服来电的 τ-Voice 测试中得分 71.6%，与同类头部模型相当，但延迟低约 40%；
- 真实场景验证：官方称该模型每天在特斯拉车机中处理数百万次对话；Starlink 客服每天约 2 万通来电由其接听，约 70% 无需人工即可解决；
- 价格不变：已上线 Voice Agent API，每分钟 0.08 美元（约每小时 4.8 美元），与 Grok Voice 2.0 同价；调用
grok-voice-latest的应用已自动切换到新版本，无需改代码。
对创作者意味着什么： 语音模型的竞争点正从「声音像不像真人」转向「能不能边听边答、被打断也不乱」。对做知识付费、直播、课程或小店的创作者，这类模型更适合做 7×24 的语音答疑、课程陪练或售后接待，而不是只拿来配音。落地建议：先把常见问题整理成清晰的知识库，再接语音智能体，避免模型临场发挥答错；按分钟计费的模式便于先小流量试跑，统计「无需人工即可解决」的比例后再决定是否扩大；涉及价格、退款等敏感问题，保留转人工的出口。
信息来源：xAI（本文为编辑整理改写）
