概览
xAI（现署名 SpaceXSI）的语音对语音模型，用于实时语音智能体：Artificial Analysis Speech-to-Speech 指数 86.9 排名第一，Full Duplex Bench 97%，时延低于 1 秒；API $0.08/分钟（$4.80/小时），与 2.0 同价。 Grok Voice 3.0 是 xAI（2026 年 10 月起官方署名 SpaceXSI）于 2026 年 10 月 14 日发布的语音对语音模型，面向客服、销售等实时语音智能体场景。官方称其在 Artificial Analysis 的 Speech-to-Speech 指数上以 86.9 分排名第一，Full Duplex Bench 处理停顿、抢话和打断的得分为 97%，时延低于 1 秒；在 ServiceNow 的企业语音智能体基准 EVA-Bench 上准确率 74%。模型通过 Voice Agent API（Speech to Speech）提供，模型 ID 为 grok-voice-3.0，使用 grok-voice-latest 别名的应用已自动升级，接口不变；Grok Voice 2.0 已弃用。Tesla 车载语音、Starlink 客服和 Grok Bot 语音模式都在使用它。价格为 $0.08/分钟（$4.80/小时），与上一代相同。官方未公布参数量、上下文和支持语言列表。来源：https://x.ai/news/grok-voice-3 、https://docs.x.ai/developers/models/grok-voice-3.0 、https://docs.x.ai/developers/release-notes （2026-10-21 核对）。
- 模态
- 音频
能力
- 模型 ID：grok-voice-3.0；别名 grok-voice-latest 已自动指向 3.0，API 不变；grok-voice-2.0 已标记弃用
- 输入 / 输出：文本、音频 → 文本、音频（Speech to Speech / Voice Agent API）
- 区域：us-east-1、us-saltlake-2
- 官方引用的第三方测评（Artificial Analysis，2026-10-13）：Speech-to-Speech 指数 86.9（Grok Voice 2.0 为 81.3、GPT-Live-1 83.2、Gemini 3.8 Live 82.6）；Big Bench Audio 98.5%；Full Duplex Bench 97.0%；任务成功率 94.8%；τ-Voice 71.6%（与 GPT-Live-1 相当，首个音频时延低约 40%）
- 企业基准：ServiceNow EVA-Bench 准确率 74%，官方称准确率与体验综合第一
- 成本：Artificial Analysis 的 Big Bench Audio 单任务成本约 $0.025，低于 GPT-Live-1 与 GPT-Realtime-2.1（官方图表）
- 实际部署：Tesla 车载每天数百万次对话；Starlink 呼叫中心每天约 2 万通电话，约 70% 无需人工；Grok Bot 语音模式也由它驱动
- 价格：$0.08/分钟（$4.80/小时），与 Grok Voice 2.0 相同
