SpaceXSI 发布 Grok Voice 3.0：语音到语音模型登顶 Artificial Analysis S2S 指数 86.9，价格维持 $0.08/分钟

核心背景与行业痛点

语音 Agent 的难点从来不只是「听得懂」：客服场景要同时处理口音、背景噪声、打断与插话，还要在一秒内回应，否则用户就会挂断。过去开发者往往要在「更聪明但更慢」的级联方案（ASR → LLM → TTS）与「更快但更笨」的端到端模型之间取舍。SpaceXSI（SpaceX Super Intelligence，官网 x.ai）于 2026-10-15 01:04（新加坡时间）发布 Grok Voice 3.0，主打把智能与延迟同时推到前沿。

架构亮点与底层机制

Grok Voice 3.0 是端到端的语音到语音（speech-to-speech）模型，通过 Voice Agent API 的 WebSocket 端点 wss://api.x.ai/v1/realtime 提供服务，支持服务端 VAD 轮次检测、工具调用（如 web_search）以及可选的 reasoning.effort。官方称它与 Grok 语音模式、Tesla 车载助手、Starlink 客服是同一个模型。官方未公开参数规模与训练细节。

权威 Benchmark 与实测跑分对比

据官方博客引用的 Artificial Analysis 10 月 13 日测试：

τ-Voice 71.6% 与 GPT-Live-1 持平但延迟低约 40%；ServiceNow EVA-Bench 准确率 74% 居首。以上为厂商引用的第三方数据，尚无更多独立复现。

开发者实战落地与开箱指南

• 已在用 grok-voice-latest 的应用已自动升级，接口与事件不变，价格仍为 $0.08/分钟。
• 生产环境建议显式 pin grok-voice-3.0；grok-voice-2.0 已弃用，需尽快迁移。
• 浏览器/移动端请用 Ephemeral Token 连接，避免暴露 API Key。
• 参考 Speech to Speech 文档 与 Release Notes。