Grok Voice 3.0 与 GPT-Live-1：xAI 赢了指数，却输掉了真正重要的测试

两个旗舰模型，在 Artificial Analysis 的语音到语音指数上仅相差 3.7 分，而它们却双双败在了那个决定语音智能体是否值得部署的单项组件上。Grok Voice 3.0在 SpaceXAI 于 2026 年 10 月 14 日公布的该指数上拿到 86.9 分，而 GPT-Live-1的 Astra 中等配置版本得分为 83.2——当会话把推理委托给后端时，O​penAI 自家文档所指向的 WebRTC 集成正是这个版本。在 τ-Voice 上——这项客服基准考察的是智能体能否真正完成多步骤任务——Grok Voice 3.0 的成绩为 71.6%，GPT-Live-1 Astra 中等配置则为 74.5%。该类别中综合得分最高的模型，并未拿下那个与真正把活干完相关的组件，而 O​penAI 也没有就此发布任何头条消息。

第二件值得注意的事是价格走向。GPT-Live-1 对语音按每分钟 0.05 美元计费，按秒收取，即每小时 3.00 美元。Grok Voice 3.0 按每分钟 0.08 美元计费，即每小时 4.80 美元。较新的模型每分钟音频费用高出 60%，而且它正是其供应商在前代产品生命周期的最后一个季度里选择消化涨价、而非宣布降价的模型。

没人会放进对比图表里的架构分歧

这两种都不是会思考的语音模型。它们都是负责委派任务的语音层，而这两种委派设计根本不是同一类东西——这正是为什么集成成本的差异远远大于每分钟价格的差异。

GPT-Live-1 将工作跨异步边界交给会话配置中指定的后端。O​penAI 公开的 WebRTC 示例通过 Responses API 把该后端接到 GPT-5.6 Terra。语音层在后端思考时让对话继续，并在答案到达时把它重新并入。其结果是，推理的那一半是一次普通的按 token 计费的文本调用，你可以独立地选择、定价和替换。语音的那一半则完全不可移植：只有一个模型 ID，gpt-live-1，一个位于 v1/live/sessions 的端点，用的是 WebRTC 而不是大多数 Realtime 集成所基于的 WebSocket 传输，也没有任何一条能走通 Chat Completions、Responses、Batch 或微调端点的路径。速率限制以并发会话为单位——Tier 1 为 25，依次升至 50、200、300 和 500——这告诉你，O​penAI 认为规模的单位是电话线，而不是请求。

Grok Voice 3.0 的适用范围更窄，采用成本也更低。它在与 Grok Voice 2.0 相同的实时 WebSocket 端点上运行，会话参数相同、事件名称相同、bearer token 握手也相同，工具使用则通过会话更新中的 tools 数组进行，一如从前。无需进行传输迁移。此外，也没有 GPT-Live-1 所发布的那种有文档记载的后端委托模式，这意味着你所需的推理必须能以语音模型同步调用的工具形式访问，而不是作为它监督的后台任务。

这一差异比指数更能左右部署决策。已经使用 xAI 实时 API 的团队，只需更改一个模型字符串就能迁移到 Grok Voice 3.0——或者什么都不用做，因为 grok-voice-latest 现在会解析到它，并且现有的别名部署已被自动迁移。而使用 OpenAI 较旧 Realtime 模型的团队若要迁移到 GPT-Live-1，则要面对一次传输层重写加上一次委派重写。

逐行

下文中的每一项数据均为 Artificial Analysis 自行测量的结果，日期为 2026 年 10 月 13 日，除非该行另有说明。

• 语音到语音指数 —— Grok Voice 3.0 86.9 对比 GPT-Live-1（Astra，medium）83.2。还有一个更低的 GPT-Live-1 配置，其 Sol 低努力变体测得 80.1，而指数差距完全取决于你指的是哪一个。

• 智能体性能，τ-Voice——GPT-Live-1 Astra medium 74.5% 对比 Grok Voice 3.0 71.6%。OpenAI 在这一项上领先，并在那个决定来电者问题能否得到解决的组件上也领先。

• 语音推理，Big Bench Audio —— Grok Voice 3.0 达到 98.5%，而 GPT-Live-1 Astra medium 处于同一区间。两者都已足够接近上限，以至于这一维度不再能区分任何模型。

• 竞技场偏好——Grok Voice 3.0 以 1070 的 Elo 位居排行榜首位。GPT-Live-1 在任何配置下都无法占据竞技场榜首。

• 首次音频时间 — Grok Voice 3.0 为 0.81 秒，而 GPT-Live-1 Astra medium 为 1.34 秒。开始说话的速度大约快 40%，这也是两家厂商各自提出的最具体的性能声明。

• 每个已完成任务的成本，Big Bench Audio — Grok Voice 3.0 为 $0.025，而 GPT-Live-1 Astra medium 为 $0.030。在单任务上既便宜又准确，正是终结采购争论的那种组合。

• 音频每分钟价格 — GPT-Live-1 为 $0.05，按秒计费，不足整分钟的部分不向上取整，并有 15 秒的会话初始化费用，该费用会抵扣后续时长，而不是额外叠加；Grok Voice 3.0 为每分钟 $0.08，另加每文本输入 $0.004。

• 多模态输入——GPT-Live-1 接受音频和文本，其文档明确将图像和视频列为不支持；Grok Voice 3.0 同样不具备视觉接地能力。这两者都看不见，且两家厂商均未公布改变这一状况的时间表。

• 语音——GPT-Live-1 提供 12 种；Grok Voice 3.0 保留 xAI 的内置语音集，以及可用最长 120 秒的参考音频片段训练语音的自定义语音端点。

账单，对应你能想象的工作负载

每天一万分钟的对话，三十天就是每月300,000分钟。

• GPT-Live-1 — 每分钟语音 $0.05，因此仅语音层每月就需 $15,000。

• Grok Voice 3.0 — 每分钟 $0.08，即每月 $24,000，另加每条文本输入 $0.004。

这两个数字都只是语音那一半。GPT-Live-1 的后端推理、工具调用以及任何网络搜索，都按后端模型自身的费率另行计费；而一个指向前沿推理模型、且每轮都会触发搜索的会话，其委派成本可能超过音频成本。Grok Voice 3.0 的同步工具调用由任何响应它们的后端执行，同样适用这一规则。在两种情况下，“语音模型价格”都只是整通呼叫费用的一小部分，而这部分的大小取决于你的呼叫者思考得有多费力。

那才是路由器真正有用的层，值得把边界说清楚。OrcaRouter 并不提供这两个实时端点中的任何一个——gpt-live-1 位于 OpenAI 的 Live Sessions API 之后，Grok Voice 3.0 则位于 xAI 自己的 API 之后，而没有任何东西能介入属于单一供应商的双工音频会话。我们实际运行的是委派那一半。GPT-5.6 Terra，即 OpenAI 自己发布的示例中的那个确切后端，通过 OrcaRouter 提供服务，价格为 OpenAI 的标价：每百万输入 token 2.00 美元、每百万输出 token 12.00 美元，同时开放 Chat 和 Responses 端点，并且 200 多个其他模型可通过一个密钥使用，按供应商标价、零加价，以及供应商性能下降时的自动故障转移。由于没有任何加价，供应商对推理层级的降价当天就会在我们这边生效——在一个某款旗舰模型在三个月内将每分钟费率提高了 60%、而另一款保持不变的品类里，这一点很重要。

每个供应商所说但没有任何董事会涉及的内容

两家供应商都公布关于自身生产流量的数字。这些数字均无法独立核实，而诚实地解读它们，应当将其视为信心的证据，而非能力的证明。

OpenAI的这些数据，随API发布一同公布，却无人复现：全双工交互得分为80.1%，而GPT-Realtime-2.1为45.4%；轮次切换延迟从1.4秒缩短至0.8秒；工具调用准确率从60%提升至87%。Yelp被援引为电话预订处理有所改善的例证，语言学习平台Speak则报告称，与之前基于轮次的系统相比，打断次数减少了近80%——这由一家与结果存在利益关联的公司自行报告，却仍是此次发布中最具体的部署数据。

SpaceXAI 的数字随其发布一同公布，也同样未经复现：Grok Voice 3.0 为 Tesla 车辆和 SpaceX 中每天数百万次对话提供支持，Starlink 呼叫中心每天以多种语言处理 20,000 通客户来电，其中约 70% 无需人工即可解决，约四分之一销售电话最终成交，而在 ServiceNow 的 EVA-Bench 上四舍五入后为 74%。要把遏制率看作一个披着模型层面外衣的系统层面数字——它既反映模型，也同样反映提示设计、检索和升级策略，任何外部方都无法将二者分开。

到底该选哪一个？

当延迟是约束条件、且技术栈已经基于 xAI 时，选择 Grok Voice 3.0。0.81 秒的首音频时间是前沿语音模型中已公布的最快数据，WebSocket 路径意味着无需重写传输层，而迁移成本不过是一个模型字符串。如果你的来电者评判的是体验而非结果，也请选择它——它在偏好上稳居竞技场，在质量上占据综合评分，而一个享受对话的来电者，即便任务愈演愈烈，挂断时也会更愉快。

当任务本身就是产品时，选择 GPT-Live-1。它以 74.5% 对 71.6% 领先 τ-Voice，其委托模式有文档记录，其推理后端是可移植、按 token 计量的调用，而非不透明的工具，并且按已完成任务计算，尽管存在指数差距，它在成本上仍具竞争力。如果你是从零开始构建，并且没有需要保留的 WebSocket 集成，也选择它，因为传输方案只在你已经拥有一个时才会对你不利。

最该拒绝的答案，就是盯着综合得分来挑。3.7 分的指数差距和 2.9 分的 τ-Voice 差距指向相反的方向，而成本差异指向第三个方向——在还没算上文本输入之前，GPT-Live-1 每分钟音频就便宜 37.5%。任何在这两者之间依据 86.9 对 83.2 做选择的人，都是在依据一个与他们的电话线路能否正常工作最不相关的数字做选择。

什么能一锤定音：OpenAI 对占据榜首的 Astra 配置作出正式全面可用（GA）承诺，并公布其延迟数据，因为目前 0.81 对 1.34 的对比，依据的是 xAI 的数字，而拿来对比的是一个 OpenAI 自家文档只当作示例的配置；或者任何一方调整价格。价目表是这场对决中此前唯一变动过的部分，而它是在向上走。

像这样的比较，也正是故障模式暴露之处：OrcaRouter AI Incident Archive 收录了这类模型背后有记录的 AI 事件和智能体故障，其中每个条目都带有各自的来源、严重程度、置信度等级和争议标记。