SpaceX Super Intelligence发布Grok Voice 3.0，一款直接接收和生成语音、面向电话客服及车载助手的实时模型。它在Artificial Analysis语音综合指数中获得86.9分，高于OpenAI的GPT‑Live‑1和Google Gemini 3.8 Live；首段语音平均等待约0.81秒，API价格维持每分钟0.08美元。模型支持20多种语言、实时打断、工具调用及SIP电话系统，并已用于Tesla车载助手和Starlink客服。官方称Starlink每天由其处理约2万通电话，其中约70%无需人工接管。不过，“世界最智能语音模型”仍是厂商宣传：在最贴近客服任务的τ‑Voice单项中，Grok为71.6%，低于GPT‑Live‑1的74.5%；它的0.81秒响应也慢于上一代Grok Voice 2.0的0.70秒。SpaceXAI尚未公开模型架构、参数、训练数据、详细安全评估及真实客服统计的独立审计结果。
文章作者、来源：SpaceX Super Intelligence
它不是“识别语音—生成文字—合成声音”的简单串联
传统语音Agent往往由三套模型组成：语音识别系统先把来电转换成文字，语言模型决定回答和执行动作，语音合成模型再把文字念出来。
这种流水线便于分别替换组件，却会累积延迟和错误。语音识别一旦听错姓名、地址或订单编号，后面的语言模型通常只能基于错误文本继续推理；每轮对话还需要在多个模型之间传输数据，容易出现停顿、抢话以及无法自然处理中途打断等问题。
Grok Voice 3.0采用原生语音到语音接口，持续接收音频，同时完成语义理解、推理、工具选择和语音输出。用户说到一半时可以打断，模型也会利用停顿、语调和对话节奏判断何时应该回应。
它仍然可以输出实时转写，开发者也可以指定专业词汇和发音替换。例如，系统能够让语音正确念出品牌名或医学缩写，同时保持屏幕上的文字不变。
SpaceXAI没有披露模型究竟由多少内部模块组成，也没有说明声学编码器、推理模型和语音生成器是否端到端联合训练。因此，“原生语音到语音”描述的是产品接口和推理体验，不足以证明底层完全不存在文本或其他中间表示。
86.9分是三类能力的综合结果
Artificial Analysis给予Grok Voice 3.0的Speech-to-Speech Index综合分为86.9，高于GPT‑Live‑1 Astra Medium的83.2、Gemini 3.8 Live Extended Thinking的82.6和Grok Voice 2.0的81.3。
这个指数并不是单纯评判声音像不像真人，而是等权综合三类测试：
Big Bench Audio考察模型能否直接从音频中完成逻辑、计数、导航及真假关系推理；Full Duplex Bench测试停顿、轮流说话、用户插话和简短回应；τ‑Voice则让Agent在航空、零售和电信客服场景中调用工具、修改订单并完成用户要求。
Grok Voice 3.0在音频推理中得到98.5%，任务成功率为94.8%，Full Duplex Bench为97.0%，盲测语音竞技场Elo为1070。由此计算出的综合分目前位列榜首。
但综合榜第一不代表每个组成部分都第一。最接近实际客服Agent的τ‑Voice测试中，Grok得到71.6%，低于GPT‑Live‑1的74.5%。它的主要优势在于，以接近最高的任务能力维持较低延迟，而不是在所有客服问题上拥有最高完成率。
“延迟降低40%”选择的是竞争对手，而不是上一代Grok
Grok Voice 3.0的平均首段语音时间约为0.81秒，GPT‑Live‑1约为1.34秒，因此SpaceXAI称其延迟低约40%。
这个比较本身成立，但容易产生“新版本比上一代也快40%”的误解。Grok Voice 2.0的首段语音时间约为0.70秒，实际上比3.0快0.11秒。
换句话说，这一代用少量速度交换了更强能力：综合指数从81.3提高到86.9，τ‑Voice从56.5%提高到71.6%，但开始说话的时间略有增加。
首段语音时间也不等于完整端到端通话延迟。真实体验还会受到用户网络、电话运营商、SIP网关、语音编码、工具响应及应用播放缓冲影响。在需要查询订单或调用CRM的场景中，后端系统花费的时间可能远高于模型生成第一段声音的0.81秒。
Starlink每天处理2万通电话，七成无需转人工
相比单纯的演示，Grok Voice 3.0最有价值的资料来自SpaceXAI自己的实际部署。
官方称，Starlink客服每天利用Grok Voice处理约2万通多语言电话，其中约70%能够在没有人工客服介入的情况下解决。Agent可以验证用户身份、排查硬件问题、发放账户额度，并安排寄送替换设备。在销售来电中，约四分之一的通话会在挂断前完成购买。
Tesla车内每天也有数百万次Grok Voice对话。驾驶者可以通过语音查询日历、回复邮件，也可以让Grok Bot执行订咖啡或预约餐厅等需要调用外部服务的任务。
这些数字展示了语音Agent从“会聊天”转向“完成业务”的方向，但仍全部来自SpaceXAI，没有公开通话抽样方法、问题难度、误操作率、平均转人工时间或用户满意度。
“70%无需人工”也不等于70%的问题都被正确解决。部分用户可能主动挂断、放弃操作，或者没有再次联系；如果没有独立核对最终业务结果，仅统计是否转接人工，可能高估自动化效果。
能接电话，也能在通话中操作软件
Grok Voice 3.0不是只能回答固定知识库问题。开发者可以让它调用网页搜索、X搜索、文件检索、远程MCP服务以及自定义函数，从而在对话中查询库存、修改预约或更新客户记录。
接口支持SIP、WebSocket和LiveKit，能够直接连接公共电话网、企业呼叫中心及PBX系统。它还兼容OpenAI Realtime API的大部分调用方式，已有应用主要需要更换服务地址、API密钥和模型名称，但部分事件名称和功能并不完全相同，不能保证无修改迁移。
官方文档列出20多种重点支持语言，包括中文、英语、日语、韩语、越南语、印尼语、印地语、孟加拉语，以及多个阿拉伯语、西班牙语和葡萄牙语地区变体。模型会自动识别输入语言并使用同一种语言回应，也可以在单次对话中切换语言。
不过，发布文章没有提供各语言独立成绩。英语客服测试领先，不能推导出中文姓名、方言、口音、数字串和嘈杂电话线路下也有相同性能。近期多语言语音研究普遍发现，模型在不同语言间的任务成功率、抢话频率和工具调用准确率差异明显，因此企业部署前仍需使用自己的通话数据测试。
EVA评测更接近真实客服，但依然是自动化模拟
ServiceNow的EVA-Bench覆盖213个企业场景，涉及三个业务领域，并同时评价任务准确率和对话体验。测试会加入背景噪声、口音、连接质量下降及多种干扰，Grok Voice 3.0在其中取得74%的最高准确率。
EVA比只测试单句语音识别更接近真实客服电话，但它仍采用机器人与机器人对话，并由自动化评判器评分，没有让大量真实消费者逐通电话体验和评价。其优点是开源了代码、场景和评判提示词，外界能够重新运行；局限是模拟来电者和自动裁判本身也可能带入模型偏差。
每小时4.80美元不是一通电话的完整成本
Grok Voice 3.0的API价格为每分钟0.08美元，即持续使用一小时4.80美元，与上一代相同。grok-voice-latest已经自动切换到3.0；固定调用grok-voice-2.0的开发者则需要手动修改模型名，因为旧版本已被标记为弃用。
这个价格主要覆盖语音模型。调用网页、X、文件库或代码执行等服务器端工具还会另外收费，企业也可能承担电话号码、运营商、SIP平台、客户数据系统和录音存储等费用。因此，不能把每小时4.80美元直接理解成呼叫中心每席位的全部运营成本。
SpaceXAI称它在Artificial Analysis的音频推理任务中，单题平均费用低于GPT‑Live‑1和GPT‑Realtime‑2.1。但“比其他前沿模型便宜”并非覆盖所有产品和配置的结论：一些速度更快、推理较弱或采用识别—文本模型—语音合成流水线的方案仍可能更便宜。
真正的竞争点，是语音Agent能否获得执行权限
Grok Voice 3.0最重要的变化，不是声音更像真人，而是语音模型正在成为可以直接操作业务系统的Agent入口。
当系统能够在通话中核验身份、发放额度、修改订单和寄送设备时，语音识别错误不再只意味着回答尴尬，还可能直接造成财务损失或隐私泄露。企业需要为不同动作设置明确权限，对退款、账户修改和数据披露保留二次验证，并保存独立于模型的操作日志。
SpaceXAI此次没有同步发布单独的Grok Voice 3.0模型卡，也没有披露训练数据、参数规模、语音保存方式、冒充与诈骗测试、提示注入评测或不同语言下的安全结果。这些缺失信息不会否定其基准和部署成果，却意味着医疗、金融及客服企业不能只凭综合榜第一就完成采购判断。
截至2026年10月15日检索时，第三方镜像记录官方X主帖约有65.9万次浏览、6841次点赞、484次转发和357条回复，数字仍在变化；TechTwitter也将其列入过去24小时互动最高的技术帖前列。X没有提供可完整核查的全平台历史排行榜，第三方抓取时间和统计口径也可能不同，因此无法证明该帖按所有单项指标绝对第一。本次选择主要依据其即时传播规模、独立基准资料、真实业务部署数据，以及实时语音Agent从“对话”进入“执行”阶段的产业意义。