xAI 发布 Grok Voice 3.0，以 86.9 分登顶 Artificial Analysis 语音对语音指数

MarkTechPost· Michal Sutter·2026-10-15 13:18· 2 小时前AI 评分68

认识 Grok Voice 3.0：SpaceXAI 语音智能体模型在 Artificial Analysis 排名第一

AI 导读

SpaceXAI 发布语音对语音模型 Grok Voice 3.0，以 86.9 分排名 Artificial Analysis Speech-to-Speech Index 第一。

正文

SpaceXAI 刚刚发布了 Grok Voice 3.0。Grok Voice 3.0 是 SpaceXAI 的语音对语音模型，能够聆听、推理、调用工具并说话。它目前以 86.9 分在 Artificial Analysis Speech-to-Speech Index 上排名第一。对开发者而言，端点、事件以及每分钟 $0.08 的价格与 Grok Voice 2.0 相比均未改变。

TL;DR

运行于：仅限 SpaceXAI 托管的 Voice Agent API。没有开放权重，没有本地或量化版本。
性能：在 Artificial Analysis 当前排名的所有模型中 Index 得分最高。
最佳：在 AA Speech-to-Speech Index 上以 86.9 分排名第一。
最差：在 τ-Voice 上为 71.6%，落后于 GPT-Live-1（Astra，medium）的 74.5%。
Bottom line:
- 最佳：以 0.81 秒首音频时间取得最高综合得分。
- 最差：在智能体任务解决或原始语音推理方面并非领先者。

什么是 Grok Voice 3.0？

Grok Voice 3.0 是 SpaceXAI 的旗舰实时语音模型，以 grok-voice-3.0 的形式暴露在 /v1/realtime WebSocket 端点上。grok-voice-latest 别名已指向它，因此现有智能体自动完成了切换。

SpaceXAI 尚未公布参数数量或架构细节。推理默认开启（reasoning.effort: "high"），可设为 "none" 以加快轮次。服务端语音活动检测负责处理打断。工具在会话内运行：集合搜索、网页搜索、X 搜索、远程 MCP 服务器和自定义函数。

Grok Voice 3.0 在基准测试中表现如何？

AA Speech-to-Speech Index 是 4 个组成部分的等权平均值。这 4 项分别是 Big Bench Audio 推理、τ-Voice 智能体表现、Speech Agent Arena 偏好和任务成功率。

Grok Voice 3.0 得分为 86.9。GPT-Live-1（Astra，medium）得分为 83.2，Gemini 3.8 Live Extended Thinking 为 82.6。Grok Voice 2.0 得分为 81.3。

各组成部分结果强劲，但并非全部第一：

Big Bench Audio：98.5%，排名第 4。StepAudio 3 Realtime 以 99.7% 领先。
Full Duplex Bench：97.0%，排名第 4。StepAudio 3 Realtime 以 98.9% 领先。
任务成功率：94.8%，高于 Grok Voice 2.0 的 94.6%。
Speech Agent Arena Elo：1070，在此处比较的 4 个模型中最高。
τ-Voice：71.6%，高于此前的 56.5%，但低于 GPT-Live-1（Astra，medium）的 74.5%。

ServiceNow 的 EVA-Bench 从准确性和体验两方面对企业语音智能体进行评分。SpaceXAI 报告的最高准确性得分为 74%。

Grok Voice 3.0 又快又便宜吗？

Artificial Analysis 测得首音频时间为 0.81 秒。GPT-Live-1（Astra，medium）测得 1.34 秒，因此 SpaceXAI 的“延迟降低 40%”说法属实。不过 Grok Voice 2.0 更快，为 0.70 秒。

在成本方面，SpaceXAI 引用了 Artificial Analysis 的每项 Big Bench Audio 任务成本。Grok Voice 3.0 每项任务成本为 $0.025，而 GPT-Live-1（Astra，medium）为 $0.030，GPT-Realtime-2.1（High）为 $0.055。在 AA 的每小时输入音频成本上，Gemini 3.8 Live Extended Thinking 更便宜：$3.50 对 $4.80。

标价不能直接比较。GPT-Live-1 每分钟收费 $0.05，但后端模型和工具使用单独计费。Gemini 3.8 Live 按分钟收取音频费用，外加文本 token 费用。

Grok Voice 3.0 与 GPT-Live-1 和 Gemini 3.8 Live 相比如何？

功能	Grok Voice 3.0	Grok Voice 2.0	GPT-Live-1（Astra，medium）	Gemini 3.8 Live Extended Thinking
开发者	SpaceXAI	SpaceXAI	OpenAI	Google
参数量	未披露	未披露	未披露	未披露
上下文长度	未披露	未披露	未披露	未披露
权重	闭源，仅 API	闭源，已弃用	闭源，仅 API	闭源，仅 API
输入 / 输出	音频、文本 / 音频、文本	音频、文本 / 音频、文本	音频、文本 / 音频、文本	文本、图像、视频、音频 / 音频、文本
AA Speech-to-Speech Index	86.9	81.3	83.2	82.6
Big Bench Audio	98.5%	97.2%	90.1%	97.7%
τ-Voice	71.6%	56.5%	74.5%	68.6%
Full Duplex Bench	97.0%	95.1%	94.9%	91.9%
任务成功率	94.8%	94.6%	87.4%	89.1%
Arena Elo（AA live）	1070	1011	1056	993
首音频延迟	0.81 s	0.70 s	1.34 s	1.35 s
AA 每小时输入音频成本	$4.80	$4.80	$5.83	$3.50
标价	$0.08/min	$0.08/min	$0.05/min 加后端使用费	音频输入 $0.005/min，音频输出 $0.018/min，另加文本 token 费用

基准数据：Artificial Analysis，访问于 2026 年 10 月 14 日。SpaceXAI 的博客列出的冻结 Arena Elo 值为 1048（GPT-Live-1）和 990（Gemini）。

开发者如何部署 Grok Voice 3.0？

该 API 兼容 OpenAI Realtime API，因此迁移主要意味着更换新的 URL 和密钥。

传输方式：WebSocket、WebRTC 演示应用，以及用于电话和联络中心呼叫的 SIP。
音频：8 至 48 kHz 的 PCM、G.711 μ-law 和 A-law，以及 Opus。
语音：28 种内置语音，外加可从最长 120 s 的参考片段克隆的自定义语音。
语言：列出 20 个区域设置，支持自动语言检测。
扩展：用于脚本台词的 force_message、发音 replace 映射，以及 30 分钟会话恢复。
合规：SOC 2 Type II、符合 HIPAA 资格（需签署 BAA），以及 GDPR。SpaceXAI 表示音频不会被存储或用于训练。

生产团队应固定 grok-voice-3.0 而非别名。Grok Voice 2.0 现已弃用。

关键要点

Grok Voice 3.0 以 86.9 在 AA Speech-to-Speech Index 上排名第 1。
它能在 0.81 s 内作答，延迟比 GPT-Live-1（Astra，medium）低 40%。
τ-Voice 跃升至 71.6%，但 GPT-Live-1 仍以 74.5% 领先。
价格保持在每分钟 $0.08，且 grok-voice-latest 自动升级。
它仅提供 API：没有权重，未披露规模。

查看 官方公告、Speech to Speech 文档 和 Artificial Analysis 排行榜。所有功劳归于该项目的研究者。另外，欢迎在 Twitter 上关注我们，别忘了加入我们的 150k+ML SubReddit 并订阅 我们的 Newsletter。等等！你在 Telegram 上吗？现在你也可以在 Telegram 上加入我们了。

文章 Meet Grok Voice 3.0: SpaceXAI Voice Agent Model Ranks #1 on Artificial Analysis 首次发表于 MarkTechPost。

来源：MarkTechPost · marktechpost.com