Grok Voice 3.0 以 86.9 分登上語音轉語音指數榜首——並讓出延遲紀錄

大家都會引用的數字是 86.9。這正是Grok Voice 3.0在 2026 年 10 月 13 日該榜單重新跑分後，於 Artificial Analysis 語音對語音指數（Speech to Speech Index）上落腳的位置，以五點半之差領先它所取代的模型Grok Voice 2.0，後者的成績為 81.3。它也領先 Astra 中型配置的 GPT-Live-1（83.2）與 Gemini 3.8 Live Extended Thinking（82.6），這讓它成為第一款獨佔榜首、而非與他人共享榜首之位的 xAI 語音模型。SpaceXAI 於 10 月 14 日發布，同日 API 發布說明也隨之更新，且每分鐘價格與它所淘汰的模型相同。

沒有人會引用的那個數字是 0.70，因為 xAI 沒有把它放進標題。那是 Grok Voice 2.0 的首次音訊時間（以秒計），比 Grok Voice 3.0 的 0.81 還快。這家花了一年推銷次秒級接話的公司，如今推出的旗艦機型，竟比自家即將退場的模型還晚 0.11 秒才開口。它仍比 Artificial Analysis 測得、配置為 1.34 秒的 GPT-Live-1 快了大約 40% 起步，因此行銷說法照字面讀仍站得住腳。只是拿來跟前一版相比，就行不通了。

實際推出了什麼，以及其代價為何

Grok Voice 3.0 是一個語音轉語音模型，透過與其前代相同的即時 WebSocket 端點提供服務，並使用相同的工作階段參數與相同的事件名稱。沒有新的 SDK，也沒有遷移文件，因為沒有東西需要遷移。模型字串已變更，其背後的行為也隨之改變。

• 價格 — 每分鐘音訊 $0.08，或每小時 $4.80，另加每筆文字輸入 $0.004。與 Grok Voice 2.0 相同。這是價格維持不變下的功能升級，而非重新定價。

• 別名行為 — grok-voice-latest 現在會解析為 grok-voice-3.0。任何依該別名部署的人，都會自動被移到新模型上，無需變更程式碼，也無需鎖定版本。

• 棄用 — grok-voice-2.0 已被標記為棄用。xAI 記載的升級路徑是將 model 欄位設為 grok-voice-3.0，或保留該別名不變。

• 端點與驗證 — 不變。相同的即時 URL、相同的持有人權杖握手、相同的短效臨時權杖，用於用戶端連線。

• 語音 — 內建語音集與自訂語音端點維持不變；自訂語音會以最長 120 秒的參考音訊片段進行訓練，而產生的 voice_id 可通用於即時 API 與串流文字轉語音。

那份最後的清單，正是別名變更比聽起來更重要的原因。Grok Voice 2.0 直到 2026 年 8 月 5 日才成為別名目標——大約是這次發布前的十週。一個在八月時以 grok-voice-latest 為基礎開發的團隊，如今已在單一季度內歷經兩次無聲的模型替換；這對聊天機器人實驗來說是項不錯的特性，但對一套回歸測試套件是依據某個特定語音的時間特性所撰寫的電話系統而言，就沒那麼理想了。

索引，逐個組件

綜合指數會掩蓋論證，因此值得把 Grok Voice 3.0 拆解開來。以下每個數字都來自 Artificial Analysis 自家的測試，日期為 2026 年 10 月 13 日。

• 語音推理，Big Bench Audio — 98.5%，較 Grok Voice 2.0 的 97.2% 提升。

• 對話動態，Full Duplex Bench — 97.0%，較 95.1% 上升。

• Speech Agent Arena 偏好 — Elo 1070，較 1011 上升，且為排行榜上最高。

• 任務成功 — 94.8%，較 94.6% 提升。這是五項中最小的變動，值得如此指出：就原始任務完成率而言，這兩個模型在量測範圍內是同一個模型。

• 代理式效能，τ-Voice — 71.6%，較 56.5% 上升。這是本次發布中最大的單一變動：在唯一一項衡量代理能否真正完成多輪工作、而非只是聽起來很稱職的元件上，躍升了 15 個百分點。

• 首次音訊時間 — 0.81 秒，相較於 Grok Voice 2.0 的 0.70 秒。

一併解讀這些數據，能比只看綜合分數說出更有用的故事。5.6 點的指數增幅並非平均分布：幾乎全部來自代理式表現與競技場偏好，推理與雙工處理僅微幅上升，而原始任務成功率則持平。Grok Voice 3.0 是更好的代理，而不是更好的對話者。如果你的語音產品是負責預約和查詢訂單狀態的客服專線，那正是你想要的差異。如果它是陪伴型或角色扮演前端，那麼這項指數增幅大致上無關緊要，而且你還為此付出了延遲代價。

唯一一項領導者並非領導者的測試

τ-Voice 是 xAI 應該談論的元件，也是它仍然落後的元件。在 71.6% 的成績下，Grok Voice 3.0 較其前代的 56.5% 大幅提升——但仍落後於配置 Astra 並以中等推理運行的 GPT-Live-1，Artificial Analysis 將其評為 74.5%。Gemini 3.8 Live 在同一測試中為 68.6%。

所以這次發布之後，這個類別的格局是：xAI 握有綜合指標與競技場；O​penAI 握有代理式任務完成測試；Google 兩者皆無，而且比兩者都便宜。這三項陳述彼此並不矛盾，而任何只報導第一項的文章，報導的是排名，而不是結果。

廠商聲稱沒有任何電路板覆蓋

這些效能宣稱還附帶第二層數字，而 Artificial Analysis 並未衡量、也無法衡量，因為它們描述的是一家公司自家產品內部的正式環境流量。這些是 xAI 的數據，由 xAI 自行提報，沒有獨立驗證可用，而且也不太可能有：

• Tesla — 據稱 Grok Voice 每天在車輛中支援數百萬次對話，透過連接器處理行事曆與電子郵件操作，並透過 Grok Bot 的語音模式進行餐點訂購。

• Starlink 支援 — 每日跨多種語言處理 20,000 通客戶來電，其中約 70% 無需真人即可解決，且約每四通銷售來電就有一通以購買作結。同一個代理服務被描述為能在單一流程中處理身分驗證、硬體疑難排解、帳戶折抵與更換品出貨。

• ServiceNow EVA-Bench — 四捨五入後達 74% 的準確率，據報告為該基準測試中最高，且在準確率與客戶體驗合併評分時表現最佳。EVA-Bench 涵蓋客戶服務的 15 項工具與 50 個情境、資訊科技服務管理的 59 項工具與 80 個情境，以及人力資源的 47 項工具與 83 個情境。

把前兩項當成對意圖的描述，而非證據。它們是語音模型確實有效的最高可能證明——一家公司把自家營收通話導由它處理，就是自己也押在裡面——同時卻是對讀者而言最薄弱的可能證據，因為這些內容無一能從外部稽核，也無一能將模型與環繞它的提示、檢索與升級政策區分開來。尤其那個 70% 的遏止率，是一個系統層級的數字，卻披著模型層級的外衣。

一個沒有變動的價格告訴你什麼

將費率維持在每分鐘 $0.08，是這次發布中最具策略意義的一點。最明顯的解讀是競爭壓力：Google 這一年來一直把 Gemini Live 定位為這個類別中的便宜選項，而 xAI 語音產品線的前一代，在 Think Fast 系列從每小時 $3.00 調升至 $4.80 時，就已經承受了 60% 的漲價。再次調高旗艦費率已經沒有空間。

二階效應影響的是任何為成本建模的人。Artificial Analysis 的每項任務測量顯示，Grok Voice 3.0 完成一項 Big Bench Audio 任務的成本為 $0.025，相較之下，GPT-Live-1 Astra medium 為 $0.030，GPT-Realtime-2.1 High 則為 $0.055。每項任務更便宜且每項任務更準確，這種組合能終結採購爭論，而這是此類別中首次有單一模型同時兼顧這兩端。

路由層在這幅圖景中切入的位置，比看起來更狹窄，而值得精確說明。OrcaRouter 並不提供 Grok Voice 3.0 即時端點——那來自 xAI 自家的 API，Gemini Live 與 GPT-Live-1 的對應服務也是如此。我們實際運行的是文字端：用單一金鑰即可取用 200 多個語言模型，價格為供應商定價、零加成，而轉錄清理、通話後摘要、把逐字稿分類成處置代碼，以及語音模型委派出去的工具呼叫邏輯，往往都落在這裡。那些都是普通的按請求計量模型，正是路由器存在的目的所在的工作負載，而且因為定價原封不動地傳遞，其中任何一個模型的供應商降價，在我們這邊當天就會生效，而不是等到你下次續約時才反映。

什麼仍未被衡量

三件事，而它們正是決定你現在該走一步，還是該牽制的關鍵。

第一點是長會話穩定性。上述每一個數字都來自簡短、有評分的互動。已發表的資料中，沒有任何內容涵蓋一通 20 分鐘的通話會對錯誤率造成什麼影響，而雙工模型真正有意思的失效模式——逐步累積的漂移，或在插話之下逐漸劣化的輪流發言策略——只有在歷時數分鐘後才會顯現，而不是在幾輪對話中。

第二個是雜訊通道的說法。xAI 的前一代產品是以電話情境下的詞錯誤率作為行銷訴求，而那是整場發表中最容易被否證的主張。任何人只要有通話錄音語料庫，再加上一個下午，就能查證。

第三點是 0.81 秒這個數字在負載下是否仍成立。首次音訊時間是在安靜的系統上測得的。生產環境不是安靜的系統。

在這些問題解決之前，對 Grok Voice 3.0 最誠實的總結是這樣：它是公開排行榜上最好的語音模型，領先幅度確實存在，但集中在單一維度上；它的成本與它所取代的模型相同；它開始說話的速度比那個模型慢；而且它在未經詢問的情況下，就把所有既有的 grok-voice-latest 部署轉移到自己身上。前三點是值得一試的理由。第四點則是你在測試之前，應該先在設定裡鎖定版本號的理由。

語音模型發布之際，也是檢查過去出過什麼問題的時機：此類模型相關的 AI 事故與代理失效，都收錄在 OrcaRouter AI Incident Archive，其中每條條目都附有自己的來源、嚴重程度、信心等級與爭議標記。