Grok Voice 3.0 以 86.9 分登顶语音到语音指数——并让出延迟纪录

所有人都会引用的数字是 86.9。这正是 Grok Voice 3.0在 2026 年 10 月 13 日榜单重新运行后，于 Artificial Analysis Speech to Speech Index 上取得的分数，比它所取代的模型 Grok Voice 2.0高出 5.5 分，后者为 81.3。它也高于 Astra 中等配置下的 GPT-Live-1（83.2 分）和 Gemini 3.8 Live Extended Thinking（82.6 分），这使它成为首个独占榜首、而非只是共享榜首之名的 xAI 语音模型。SpaceXAI 于 10 月 14 日宣布了它，当天 API 发布说明也发生了变更，且每分钟价格与它所取代的模型相同。

没有人会引用的那个数字，因为 xAI 没有把它放进标题里，是 0.70。这是 Grok Voice 2.0 的首次音频时间（以秒计），比 Grok Voice 3.0 的 0.81 更快。这家花了一年时间推销亚秒级轮次切换的公司，如今推出的旗舰产品，却比自家即将退场的型号还要晚 0.11 秒才开始说话。它仍然比 Artificial Analysis 测得的 1.34 秒的 GPT-Live-1 配置起步快大约 40%，所以那套营销说辞按字面读还站得住。只是跟上一代一比，就站不住了。

实际交付了什么，以及代价是什么

Grok Voice 3.0 是一个语音到语音模型，通过与其前代相同的实时 WebSocket 端点提供服务，具有相同的会话参数和相同的事件名称。没有新的 SDK，也没有迁移文档，因为没有什么需要迁移的。模型字符串变了，其背后的行为也变了。

• 价格 — 每音频分钟 $0.08，或每小时 $4.80，另加每文本输入 $0.004。与 Grok Voice 2.0 相同。这是一次价格不变的能力更新，而非重新定价。

• 别名行为 — grok-voice-latest 现在解析为 grok-voice-3.0。任何针对该别名进行部署的人都会被自动迁移到新模型，无需更改代码，也无需固定版本。

• 弃用 — grok-voice-2.0 已被标记为弃用。xAI 文档给出的升级路径是将 model 字段设置为 grok-voice-3.0，或者保留该别名不变。

• 端点和身份验证 —— 保持不变。相同的实时 URL，相同的 bearer 令牌握手流程，同样用于客户端连接的短时临时令牌。

• 语音 — 内置语音集和自定义语音端点保持不变；自定义语音通过最长 120 秒的参考片段进行训练，生成的 voice_id 可在实时 API 和流式文本转语音中使用。

最后那份清单，正是别名变更比听起来更重要的原因。Grok Voice 2.0 直到 2026 年 8 月 5 日才成为别名目标——大约在此次发布前十周。一个在 8 月基于 grok-voice-latest 构建的团队，如今在一个季度内已经经历了两次静默的模型切换；对于聊天机器人实验来说，这是一种不错的特性，而对于一个回归测试套件是针对特定语音的时序编写的电话系统来说，就不那么妙了。

索引，按组件逐一

综合指数掩盖了其中的争议，因此值得将 Grok Voice 3.0 拆开来细看。下文中的每一个数字都来自 Artificial Analysis 自己的测试，日期为 2026 年 10 月 13 日。

• 语音推理，Big Bench Audio — 98.5%，较 Grok Voice 2.0 的 97.2% 有所提升。

• 对话动态，Full Duplex Bench — 97.0%，较此前的 95.1% 有所提升。

• 语音代理竞技场偏好 — Elo 1070，较 1011 有所上升，且位居榜首。

• 任务成功率——94.8%，高于94.6%。这是五项中变动最小的，也正因如此值得注意：在原始任务完成率上，这两个模型在测量误差范围内是同一个模型。

• 智能体性能，τ-Voice — 71.6%，较此前的 56.5% 有所提升。这是本次发布中幅度最大的一项变化，在这一衡量智能体能否真正完成多轮任务、而非仅仅是说起来像那么回事的组件上，跃升了 15 个百分点。

• 首次音频时间——0.81 秒，而 Grok Voice 2.0 为 0.70 秒。

把这些放在一起看，比单看综合评分更能说明问题。5.6 点的指数提升并非均匀分布：几乎全部来自智能体性能和竞技场偏好，推理与双工处理只是略有上升，而原始任务成功率则持平。Grok Voice 3.0 是更好的智能体，而不是更好的对话者。如果你的语音产品是负责预约和查询订单状态的客服热线，那这正是你想要的增量。如果它是陪伴或角色扮演前端，指数提升基本无关紧要，而且你还为此付出了延迟代价。

唯一一项领先者并非领先者的测试

τ-Voice 是 xAI 应该谈论的组件，也是它仍然落后的那个。达到 71.6% 的 Grok Voice 3.0 相比其前代的 56.5% 有了巨大提升——但仍落后于配置 Astra 并以中等推理运行的 GPT-Live-1，Artificial Analysis 给出的成绩是 74.5%。Gemini 3.8 Live 在同一测试中为 68.6%。

所以这次发布之后，这个品类的格局是：xAI 握有综合榜和竞技场；OpenAI 握有智能体任务完成测试；Google 两者皆无，却比两者都便宜。这三句话互不矛盾，而任何只报道第一句的文章，报道的是排名，而不是结果。

供应商声称没有板卡能够覆盖

这些性能声明还附带第二层数字，是Artificial Analysis并未测量、也无法测量的，因为它们描述的是某家公司自家产品内部的真实流量。这些是xAI的数据，由xAI自己报告，既没有可获得的独立验证，也不太可能有：

• Tesla — 据称，Grok Voice 每天为车内数百万次对话提供支持，通过连接器处理日历和电子邮件操作，并通过 Grok Bot 的语音模式完成订餐。

• Starlink 支持——每天用多种语言处理 20,000 通客户来电，其中约 70% 无需人工即可解决，约四分之一的销售通话最终达成购买。据描述，同一个智能体可在同一流程中处理身份验证、硬件故障排查、账户抵扣和更换发货。

• ServiceNow EVA-Bench——准确率为四舍五入后的 74%，据报告是该基准测试中的最高值，并且在准确率与客户体验综合评分时表现最佳。EVA-Bench 涵盖 15 种工具、50 个场景的客户服务，59 种工具、80 个场景的 IT 服务管理，以及 47 种工具、83 个场景的人力资源。

把前两项当作对意图的描述，而非证据。它们是一家语音模型有效性的最强有力证明——一家公司把自己营收相关的通话交给它处理，说明它是真金白银地押注其中——但同时对读者而言又是最弱的可能证据，因为这一切都无法从外部审计，也无法将模型本身与围绕它搭建的提示词、检索和升级策略区分开来。尤其是70%的挽留率这个数字，是套着模型层面外衣的系统层面数字。

一个没有变动的价格能告诉你什么

将费率维持在每分钟 0.08 美元，是此次发布中最具战略意味的一点。显而易见的解读是竞争压力：谷歌这一年都在将 Gemini Live 定位为该品类中的低价选项，而 xAI 语音产品线的上一代在 Think Fast 线从每小时 3.00 美元涨到 4.80 美元时，已经承受了 60% 的涨价。再次上调旗舰费率已不是可选项。

二阶效应体现在任何做成本建模的人身上。Artificial Analysis 的按任务测量显示，Grok Voice 3.0 完成一项 Big Bench Audio 任务需花费 $0.025，而 GPT-Live-1 Astra medium 为 $0.030，GPT-Realtime-2.1 High 为 $0.055。每任务成本更低且每任务准确率更高，这一组合终结了采购争论，而这也是该类别中首次有单一模型同时占据两端。

路由层在这幅图景中介入的范围比看起来要窄，而且值得说得精确些。OrcaRouter 并不提供 Grok Voice 3.0 实时端点——那来自 xAI 自家的 API，Gemini Live 和 GPT-Live-1 的对应端点也是如此。我们实际运行的是文本这一侧：200 多个语言模型，一个密钥即可调用，按提供商标价计费、零加价，而转写文本的清理、通话结束后的摘要、把转写内容归类为处置代码，以及语音模型委托出去的工具调用逻辑，通常都落在这里。这些是普通的按请求计费模型，正是路由器该处理的负载，而且由于标价原样传递，其中任何一个模型降价，我们这边当天就会生效，而不是等到你下次续约时才更新。

还有什么尚未被测量

三件事，而它们才是决定你现在该移动还是该固定的关键。

{{1}}首先是长会话稳定性{{/1}}。上述每一个数字都来自短时、有评分的交互。没有任何已发表的研究涵盖20分钟通话对错误率的影响，而双工模型真正有趣的失效模式——累积漂移，或在插话下退化的轮次转换策略——只有在数分钟而非数轮之后才会显现。

第二点是有噪信道的主张。xAI 的上一代产品是以电话条件下的词错误率作为营销卖点的，而这是整场发布中最可证伪的一项说法。任何拥有通话录音语料库、又能腾出一个下午的人都能验证它。

第三点是，0.81 秒这个数字在负载下是否依然成立。首次音频时间是在系统空闲时测得的。生产环境并不是空闲的系统。

在这些落地之前，对 Grok Voice 3.0 的诚实总结是这样的：它是公开榜单上最好的语音模型，领先幅度真实存在，但集中在单一维度上；它的成本与被它取代的模型相同；它比那个模型开始说话更慢；而且它在没有询问的情况下，把每一个现有的 grok-voice-latest 部署都迁移到了自己身上。前三点是测试它的理由。第四点则是：在你这么做之前，先在配置里固定版本的理由。

语音模型的发布，也正是回头核查此前出过哪些问题的时机：围绕这一类模型的已记录 AI 事件与智能体故障，均汇集于OrcaRouter AI 事故档案库，其中每一条记录都附有各自的来源、严重程度、置信度评级和争议标记。