Grok Voice 3.0 對上 GPT-Live-1：xAI 贏了指標，卻輸了真正重要的測試

兩款旗艦模型，在 Artificial Analysis 的 Speech to Speech Index 上相差 3.7 分，卻雙雙在決定語音代理是否值得部署的那項關鍵元件上敗下陣來。Grok Voice 3.0 在 SpaceXAI 於 2026 年 10 月 14 日公布的指數上讀值為 86.9，而 GPT-Live-1 在其 Astra 中型配置下為 83.2，這正是當工作階段將推理委派給後端時，OpenAI 自家文件指定用於 WebRTC 整合的版本。在 τ-Voice——這項評估代理是否真的完成多步驟工作的客服基準——上，Grok Voice 3.0 達到 71.6%，而 GPT-Live-1 Astra 中型配置達到 74.5%。該類別中綜合分數最佳的模型，並不具備與實際完成工作相關的那項元件，而 OpenAI 也未為此發布任何頭條消息。

第二件值得注意的事是價格走向。GPT-Live-1 對語音每分鐘收費 $0.05，按秒計費，也就是每小時 $3.00。Grok Voice 3.0 每分鐘收費 $0.08，也就是每小時 $4.80。這款較新的模型每分鐘音訊成本高出 60%，而它正是其供應商在前代產品生命的最後一季，選擇吸收漲價而非宣布降價的那款模型。

沒有人會放上比較圖的架構分野

這兩者都不是會思考的語音模型。兩者都是負責委派的語音層，而這兩種委派設計根本是截然不同的物種——這正是為什麼整合成本的差異，遠遠大於每分鐘價格的差異。

GPT-Live-1 會跨越非同步邊界，把工作交給工作階段設定中指定的後端。OpenAI 發布的 WebRTC 範例會透過 Responses API，將該後端接到 GPT-5.6 Terra。語音層會在后端思考時讓對話持續進行，並在答案送達時把它併回。結果是，推理的那一半是一般以 token 計費的文字呼叫，你可以自行選擇、定價與替換。語音的那一半則完全不可攜：只有一個模型 ID，gpt-live-1；一個端點，v1/live/sessions；使用 WebRTC，而非大多數 Realtime 整合所建構於其上的 WebSocket 傳輸；而且無法透過 Chat Completions、Responses、Batch 或微調端點使用。速率限制以同時工作階段數為單位——Tier 1 為 25，並依序提高到 50、200、300 與 500——這告訴你 OpenAI 認為規模的單位是電話線，而不是請求。

Grok Voice 3.0 的適用範圍較窄，採用成本也較低。它與 Grok Voice 2.0 執行在同一個即時 WebSocket 端點上，使用相同的 session 參數、相同的事件名稱與相同的 bearer token 握手流程，而工具使用則一如以往透過 session update 中的 tools 陣列來進行。不需要進行傳輸層移轉。此外，也沒有像 GPT-Live-1 所發布的那種有文件記載的後端委派模式，這意味著你所需的推理必須能以語音模型同步呼叫的工具形式觸達，而不是作為由它監督的背景作業。

這項差異比指數更能決定部署與否。已經採用 xAI 即時 API 的團隊，只要更改模型字串就能移到 Grok Voice 3.0——或者什麼都不用做，因為 grok-voice-latest 現在會解析到它，而現有的別名部署也已自動移轉。使用 O​penAI 較舊 Realtime 模型的團隊若要移到 GPT-Live-1，則得面對傳輸層重寫加上委派重寫。

逐行

除非該行另有說明，否則以下每個數字均為 Artificial Analysis 於 2026 年 10 月 13 日自行測量的結果。

• 語音轉語音指數 — Grok Voice 3.0 86.9 對上 GPT-Live-1（Astra，中階）83.2。另有一個較低的 GPT-Live-1 組態，在其 Sol 低努力變體中測得 80.1，而這項指數差距完全取決於你指的是哪一個。

• 代理效能，τ-Voice — GPT-Live-1 Astra medium 74.5% 對 Grok Voice 3.0 71.6%。O​penAI 在這項領先，而且領先的正是那個能預測來電者問題是否獲得解決的環節。

• 語音推理、Big Bench Audio — Grok Voice 3.0 達 98.5%，GPT-Live-1 Astra medium 則落在同一區間。兩者都已經逼近天花板，這個維度早已無法區分任何人了。

• 競技場偏好 — Grok Voice 3.0 以 1070 的 Elo 位居排行榜最高。GPT-Live-1 在任何配置下都無法在競技場中取得領先地位。

• 首次音訊時間——Grok Voice 3.0 為 0.81 秒，而 GPT-Live-1 Astra medium 為 1.34 秒。開始說話的速度大約快 40%，也是兩家廠商所提出最具體的效能宣稱。

• 每項已完成任務的成本，Big Bench Audio — Grok Voice 3.0 為 $0.025，對比 GPT-Live-1 Astra medium 的 $0.030。每項任務既便宜又準確，正是終結採購爭論的組合。

• 每分鐘音訊價格 — GPT-Live-1 $0.05，按秒計費，不足一分鐘不進位，另收 15 秒的 session 初始化費用，該費用會折抵後續時長，而非額外加收；Grok Voice 3.0 每分鐘 $0.08，另加每筆文字輸入 $0.004。

• 多模態輸入 — GPT-Live-1 接受音訊與文字，而其文件明確列出不支援影像與視訊；Grok Voice 3.0 同樣沒有視覺依據。這兩者都無法看見，且兩家供應商都尚未公布改變此情況的日期。

• 語音 — GPT-Live-1 提供 12 種；Grok Voice 3.0 保留 xAI 的內建語音集，以及能從最長 120 秒的參考片段訓練語音的自訂語音端點。

費用，對應你能想像的工作量

每天一萬分鐘的交談，持續三十天，一個月就是三十萬分鐘。

• GPT-Live-1 — 語音每分鐘 $0.05，因此光是語音層每月就要 $15,000。

• Grok Voice 3.0 — 每分鐘 $0.08，因此每月 $24,000，外加每則文字輸入 $0.004。

這兩個數字都只是語音那一半。GPT-Live-1 的後端推理、工具呼叫，以及任何網路搜尋，都依後端模型自身的費率另行計費；而一場指向每回合都進行搜尋的前沿推理模型的會話，其委派成本可能高於音訊成本。Grok Voice 3.0 的同步工具呼叫，同樣依循這項規則，由實際回應它們的後端執行計費。在兩種情況下，「語音模型價格」都只是通話費用的一小部分，而這個比例取決於你的通話者思考得多費力。

那正是路由器真正派得上用場的一層，而把界線劃得精確是值得的。OrcaRouter 兩個即時端點都不提供——gpt-live-1 位於 OpenAI 的 Live Sessions API 之後，Grok Voice 3.0 則在 xAI 自家的 API 之後，而沒有任何人能介入屬於單一廠商的雙工音訊工作階段。我們實際負責的是委派的那一半。GPT-5.6 Terra，也就是 OpenAI 自家公開範例中所用的那個確切後端，透過 OrcaRouter 以 OpenAI 的定價提供：每百萬輸入詞元 $2.00、每百萬輸出詞元 $12.00，並同時開放 chat 與 Responses 端點，另外還有200 多個其他模型共用一把金鑰，一律採供應商定價、零加成，並在供應商效能下降時自動容錯移轉。因為完全沒有加成，推理層級的廠商降價在我們這邊當天就會生效——這在一個同類別中，一個旗艦模型三個月內每分鐘費率調漲 60%、另一個卻維持不變的情況下，格外重要。

各家廠商所說、但沒有任何董事會涵蓋的內容

兩家廠商都公布自家生產流量的數字。兩者皆無法獨立驗證，而誠實的解讀方式是將其視為信心的證據，而非能力的證明。

OpenAI 的數據隨 API 發布一併公布，卻無人重現：全雙工互動性達 80.1%，相較 GPT-Realtime-2.1 的 45.4%；輪替延遲從 1.4 秒縮短至 0.8 秒；工具呼叫準確率從 60% 提升至 87%。Yelp 被引述為改善了電話訂位處理，而語言學習平台 Speak 則通報，相較其先前的輪替式系統，打斷次數減少近 80%——這是由對結果有利害關係的公司自行通報，卻仍是該次發布中最具體的部署數據。

SpaceXAI 隨發布一併公布、同樣未獲重現的數據：Grok Voice 3.0 每天在 Tesla 車輛與 SpaceX 中驅動數百萬次對話，Starlink 客服中心每天以多種語言處理 20,000 通客戶來電，其中約 70% 無需真人即可解決，約每四通銷售來電就有一通成交，並在 ServiceNow 的 EVA-Bench 上取得取整後 74% 的成績。要把自動解決率視為一個披著模型層級外衣的系統層級數字——它反映提示設計、檢索與升級政策，程度不亞於模型本身，而沒有任何外部第三方能將兩者分開。

到底該選哪一個？

當延遲是限制條件，而你的技術堆疊已經在 xAI 上時，就選 Grok Voice 3.0。0.81 秒的首次音訊輸出時間，是先進語音模型中已公佈的最快數字；WebSocket 路徑意味著不必重寫傳輸層，而移轉成本只是改一個模型字串。如果你的來電者評判的是體驗而非結果，也該選它——它在偏好度上穩居競技場榜首，在品質上拿下綜合評分第一，而享受對話的來電者，即使任務升級，掛斷電話時也更快樂。

當任務本身就是產品時，選擇 GPT-Live-1。它在 τ-Voice 上以 74.5% 對 71.6% 領先，其委派模式有文件記錄，其推理後端是可攜、按 token 計量的呼叫，而非不透明的工具，且就每項完成的任務而言，儘管指數上有差距，它在成本上仍具競爭力。如果你是從零開始建置，且沒有需要保留的 WebSocket 整合，也選擇它，因為傳輸方面的考量只有在你已经擁有整合時才會對你不利。

唯一該拒絕的答案，就是拿綜合分數來說事。3.7 分的指數差距與 2.9 分的 τ-Voice 差距指向相反方向，而成本差異又指向第三個方向——在把文字輸入算進去之前，GPT-Live-1 每分鐘音訊就便宜 37.5%。任何人用 86.9 對上 83.2 在這兩者之間做選擇，都是在根據最無法反映自家電話線能否正常運作的那個數字來選。

能讓這件事塵埃落定的會是：OpenAI 對目前盤據排行榜首位的 Astra 配置作出正式全面可用承諾並公布延遲數字，因為 0.81 對 1.34 的比較目前是靠 xAI 的數字，去對上一個 OpenAI 自家文件只當作範例的配置；或者任何一方調整價格。價目表是這場對決中唯一曾變動過的部分，而它是往上調的。

像這樣的比較，也正是失效模式會浮現的地方：這一類模型背後有紀錄的 AI 事故與代理失效，都彙集在OrcaRouter AI 事故檔案庫，其中每一筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。