AI-translated from English; not yet reviewed by a fluent editor. # Grok Voice 3.0 客服测试进步，但首次音频响应变慢 > 托管的 Voice Agent API 现已采用 Grok Voice 3.0。独立模拟客服评分上升，但首次音频响应时间增加，公布的语音价格另收文本费用。 By BIG CHANGE Editorial Published: 2026-10-15T16:54:16.962Z Updated: 2026-10-15T16:54:16.962Z Canonical: https://bigchange.ai/blog/grok-voice-3-api-benchmark-support-calls ![Conceptual charcoal illustration of an unbranded call headset and tabletop speakerphone in a sound-treated room.](https://bigchange.ai/api/media/file/grok-voice-support-call-concept-v1.png) AI-generated conceptual illustration by BIG CHANGE; no actual xAI hardware, API interface, customer call or measured outcome is depicted. 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](https://artificialanalysis.ai/speech-to-speech)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](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech)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](https://artificialanalysis.ai/methodology/speech-to-speech-benchmarking)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](https://x.ai/news/grok-voice-3)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](https://docs.x.ai/developers/models/speech-to-speech)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](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech)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](https://x.ai/news/grok-voice-3)；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 - [xAI：Grok Voice 3.0 登场](https://x.ai/news/grok-voice-3)，2026 年 10 月 14 日。公布可用性、别名变更及公司自行报告的部署情况。 - [Artificial Analysis：语音到语音排行榜](https://artificialanalysis.ai/speech-to-speech)，查阅于 2026 年 10 月 15 日。包含目前 3.0 和 2.0 的指数、τ-Voice、Arena 任务成功率与首次音频响应时间；评测更新时，表格可能变动。 - [Artificial Analysis：基准测试方法](https://artificialanalysis.ai/methodology/speech-to-speech-benchmarking)，查阅于 2026 年 10 月 15 日。定义指数、模拟客服测试、Arena 任务成功指标及速度测试。 - [xAI：语音到语音 API 指南](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech)，最后更新于 2026 年 10 月 13 日。记载模型名称、迁移、WebSocket 接口、身份验证和会话设置。 - [xAI：语音到语音定价与限制](https://docs.x.ai/developers/models/speech-to-speech)，最后更新于 2026 年 9 月 22 日，10 月 15 日查阅。列出音频与文本输入费率、计量模式、并发数和会话限制。 ## Sources - [Grok Voice 3.0 登场](https://x.ai/news/grok-voice-3) — 托管 API 的原始发布信息、别名切换，以及明确归属于公司的部署说法。 - [语音到语音 AI 模型与供应商排行榜](https://artificialanalysis.ai/speech-to-speech) — 实时的 3.0 和 2.0 指数、tau-Voice、Arena 任务成功率及首次音频响应时间数据行；数值可能更新。 - [语音到语音基准测试方法](https://artificialanalysis.ai/methodology/speech-to-speech-benchmarking) — 定义第 2.0 版指数、模拟客服基准、Arena 任务成功率及 TTFA。 - [语音到语音 API 指南](https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech) — 别名、固定版本、WebSocket 接口、身份验证、会话参数及迁移。 - [语音到语音定价与速率限制](https://docs.x.ai/developers/models/speech-to-speech) — 目前 3.0 的音频与文本事件费率、计量模式和会话限制。