xAI 发布 Grok Voice 3.0，语音对语音延迟不到一秒
10 月 18 日，xAI 发布语音对语音（speech-to-speech）模型 Grok Voice 3.0。据 AI Daily 10 月 18 日汇总，它在 Artificial Analysis 的 Speech-to-Speech Index 上以 86.9 分排第一，官方称响应延迟低于一秒，单次任务成本低于同档对手；模型通过 Voice Agent API 提供，价格维持此前的每分钟 0.08 美元。
语音对语音，不是流水线
过去的语音助手多是“识别→大模型→合成”三段拼起来，每一段都加延迟、都丢信息。语音对语音是端到端：声音进、声音出，中间不强制转成文字再转回去。好处是语气、停顿、打断能被保留，对话更自然，延迟也更低。
xAI 称 Grok Voice 3.0 已经在特斯拉车机里每天处理数百万次对话，也支撑星链的呼叫中心。也就是说，它不是一个实验室 demo，而是已经在生产流量里跑的模型。
榜单数字要怎么读
Artificial Analysis 的 Speech-to-Speech Index 86.9 分，是第三方横向评测的结果，比厂商自说自话更有参考价值。但榜单测的是“对话质量与延迟”的综合，不测“它会不会说错事”“能不能连工具”。所以分数高，不等于能在你的业务里直接上岗。
另一个值得记的细节：xAI 说，使用 grok-voice-latest 的智能体，会自动切到最新模型。对把语音接进工作流的人，这意味着版本不可控——如果需要稳定行为，应该把模型版本固定下来，而不是交给“latest”。
它现在能用在哪
- 车机与客服：已经在特斯拉和星链里跑，属于高频、低复杂度的对话场景。
- Voice Agent API：开发者可以把它接进自己的语音产品，按分钟计费。
- 实时对话应用：低于一秒的延迟，适合需要“抢话”“打断”的交互。
三个要小心的点
第一，延迟低不代表答案准，语音场景的错误更不容易被用户察觉。第二，“latest”会自动升级，生产环境建议锁版本。第三，每分钟 0.08 美元是 API 价，真实成本还取决于通话时长与并发，高峰期未必稳定。
一句话：语音对语音的竞争，正在从“能不能对话”变成“像不像真人、快不快、贵不贵”。Grok Voice 3.0 在这三条上暂时领先，但是否适合你的场景，仍要自己测。
