xAI 发布 Grok Voice 3.0 语音模型

先了解这件事

xAI（发布账号为 SpaceX Super Intelligence）发布语音到语音模型 Grok Voice 3.0，即日起在 API 和 Voice Agent Builder 中可用，定价每分钟 0.08 美元，与 Grok Voice 2.0 相同；使用 grok-voice-latest 版本的智能体已自动升级。发布方称其响应时间不到一秒、成本低于其他前沿模型，并称其为全球最智能的语音到语音模型、擅长处理客户来电，这些说法来自发布方宣传。

第三方评测机构 Artificial Analysis 公布的结果显示，Grok Voice 3.0 在其 Speech to Speech Index 上以 86.9 分首秀登顶，领先 GPT-Live-1（Astra, medium）的 83.2 分和 Gemini 3.8 Live Extended Thinking（High）的 82.6 分，较 Grok Voice 2.0 提升 5.6 分。Musk 引用该结果称 Grok Voice 3.0 已是全球领先的对话语音模型，并称其在 Big Bench Audio 上平均首音频延迟 0.81 秒、任务成功率 94.8% 居首。

据 Rohan Paul 转述，该模型最大提升在 τ-Voice 任务成功率，从 Grok Voice 2.0 的 56.5% 升至 71.6%，响应比 GPT-Live-1 快 40%，Big Bench Audio 上每任务成本 0.025 美元，低于 GPT-Live-1 的 0.030 美元和 GPT-Realtime-2.1 (High) 的 0.055 美元；他还称其已用于 Tesla，每天处理数百万段对话。Testing Catalog 则称其在多项基准和该指数上达到 SOTA，并提到对比图中 Grok Voice 3.0 的 Agent 成功率为 71.6%，高于 GPT-Live-1 的 68.6% 和 Grok Voice 2.0 的 56.5%。