xAI 于 10 月 14 日通过其托管的 Voice Agent API 发布 Grok Voice 3.0。对于正在为客服挑选语音智能体的团队，Artificial Analysis 目前的语音到语音排行榜显示，其模拟客服任务成绩比 Grok Voice 2.0 高出 15.1 个百分点，另一项任务成功指标变化很小，而首次音频响应更慢。

xAI 表示，别名 grok-voice-latest 现在会自动指向 3.0。目前的 API 指南还提供带版本号的 grok-voice-3.0 名称，供需要固定版本的团队使用。据 xAI 表示，WebSocket 端点、会话参数及事件与 2.0 相同。使用此别名的应用程序无需迁移，但可变别名背后换了新模型，仍有理由重新运行应用程序自身的通话测试。

重大变化

  • 改变了什么： Grok Voice 3.0 已取代 2.0，成为 API 别名 grok-voice-latest 背后的模型。Artificial Analysis 目前公布的模拟客服基准测试成绩为 71.6%，高于 2.0 的 56.5%。
  • 为何重要： 该指标测试智能体能否在按脚本设计的航空、零售和电信问题中，达到正确的数据库状态。相比一般音频推理评分，它更贴近客服工作流程，但仍属于模拟测试。
  • 值得关注： 同一评测机构测得 3.0 首次音频响应为 0.81 秒，2.0 为 0.70 秒。团队在切换固定版本的部署前，应检查自身的响应时间、任务完成情况及可计费会话时长。

客服评分与响应延迟

Artificial Analysis 的方法说明将 τ-Voice 测试描述为：模拟客户致电一个配有政策文档和领域专用工具的智能体。航空、零售和电信任务都有明确的最终数据库状态，评分取三次测试的平均值。目前排行榜给 Grok Voice 3.0 的分数为 71.6%，Grok Voice 2.0 为 56.5%，即在这些测试条件下上升 15.1 个百分点。评测使用模拟客户、生成语音、转录及模型评分者。它并未衡量已部署服务能为多少真实来电者解决问题。

另一项 Speech Agent Arena 任务成功率，仅从 2.0 的 94.6% 上升至 3.0 的 94.8%。该指标统计符合条件、且以正确的最终工具调用完成任务的对话；它使用的测试与 τ-Voice 不同。Artificial Analysis 综合指数从 81.3 升至 86.9。目前版本对音频推理、τ-Voice、来电者盲测偏好和 Arena 任务成功率赋予相同权重。任何单个数字都不足以证明所有客服任务都有进步。

在速度方面，Artificial Analysis 公布其 Big Bench Audio 问题的平均首次音频响应时间。Grok Voice 3.0 为 0.81 秒，2.0 为 0.70 秒。因此在该测试中，新模型开始说话的时间慢了 0.11 秒，尽管 xAI 在发布公告中称其延迟“低于一秒”。这项测量截至首次输出音频为止，并非完整通话延迟或问题解决时间。

公布的语音价格涵盖什么

xAI 公布两个版本的语音到语音音频价格均为每分钟 0.08 美元，或每小时 4.80 美元。其模型定价页面另外对每个可计费的 conversation.item.create 文本事件收取 0.004 美元。使用默认的 server_vad 轮次检测时，音频计量按会话时长计算；使用按住说话模式时，则按发送和接收的音频计算。因此，按公布的时长费率，一个持续开启十分钟的会话，音频费用为 0.80 美元，尚未计入另行收费的文本事件。这项计算依据 xAI 的价目表，并非 BIG CHANGE 的账单或实测通话。

开发者需要使用 xAI API 密钥建立服务器端 WebSocket 连接，或为客户端应用程序使用短期令牌。API 指南记载了 wss://api.x.ai/v1/realtime、查询参数 model、用于设置指令、声音和轮次检测的 session.update 事件，以及作为响应的流式音频事件。xAI 公布每个团队最多同时开启十个会话，单个会话最长 120 分钟。客服团队仍需自行提供政策、工具、客户数据边界及升级处理流程；已公布的基准测试配置无法证明该团队的具体实现会有何表现。

xAI 还表示，Starlink 每天以 Grok Voice 处理 20,000 通来电，约 70% 无需人工即可解决。这些是公司自行公布的运营数据；Artificial Analysis 的合成测试并未验证这些说法。BIG CHANGE 查阅了发布信息、API 和基准测试文档。我们并未使用该 API、致电客服智能体，或复现评测。

资料来源与延伸阅读