Grok Voice 3.0 详解：xAI 新语音模型的能力、价格与试用方法 | Voiceshard

快速结论： Grok Voice 3.0 是 xAI 于 2026 年 10 月 14 日发布的语音转语音（speech-to-speech）模型。一个模型就能完成听、思考、调用工具、开口回答，延迟不到一秒。它在 Artificial Analysis 语音转语音指数上排名第一（86.9），在 xAI 的 Voice Agent API 中价格为 $0.08/分钟，与 Grok Voice 2.0 相同。它面向实时对话场景，比如客服电话和车载助手，不是旁白或配音工具。

Voiceshard 与 xAI 无关联。Voiceshard 不提供 Grok Voice 3.0 实时对话，但在 Grok text to speech 工具里提供 xAI 另外推出的 Grok TTS 文字转语音声音。以下信息来自 xAI 官方公告与开发者文档，核对于 2026 年 10 月 16 日。

Grok Voice 3.0 speech model（语音模型）是什么？

Grok Voice 3.0 speech model 是一个语音转语音模型：声音进、声音出，中间不需要「语音转文字 → 大模型 → 文字转语音」三段拼接。在同一个会话里，它可以听、想、调用工具（网页搜索、X 搜索、文件检索、MCP 服务和你自己的函数），再直接用语音回答。

xAI 称该模型已经在生产环境运行：

特斯拉车机： 每天处理数百万次对话，从查日程到免手动点咖啡。
Starlink 客服： 每天约 2 万通多语言电话，约 70% 无需人工即可解决，四分之一的销售电话在挂断前成交。
Grok Bot 的语音模式也由 Grok Voice 3.0 驱动。

以上部署数据为 xAI 自述，未经第三方审计。

开发者使用的模型 ID 是 grok-voice-3.0。别名 grok-voice-latest 已指向它，现有语音 agent 已自动升级，Grok Voice 2.0 已弃用。3.0 沿用 2.0 的接口、会话参数和事件，支持 20 多种语言。

Grok Voice 3.0 对比 2.0、GPT-Live-1 和 Gemini Live

以下基准来自 Artificial Analysis（2026 年 10 月 13 日），由 xAI 公布，数值越高越好。

基准	Grok Voice 3.0	Grok Voice 2.0	GPT-Live-1（Astra, Medium）	Gemini 3.8 Live（Ext. Thinking, High）
AA 语音转语音指数	86.9	81.3	83.2	82.6
Big Bench Audio（语音推理）	98.5%	97.2%	90.1%	97.7%
Speech Agent Arena Elo（人类偏好）	1070	1011	1048	990
任务成功率	94.8%	94.6%	87.4%	89.1%
Full Duplex Bench（插话与轮次）	97.0%	95.1%	94.9%	91.9%

公告里还有两项数据：

τ-Voice（带口音、噪声和打断的客服通话）：71.6%，与 GPT-Live-1（Astra）相当。据 xAI 称，延迟约低 40%。
EVA-Bench（ServiceNow 的企业语音 agent 基准）：准确率最高，为 74%。

这些基准衡量的是 agent 完成任务的能力（比如解决一通电话），不能说明它做旁白或角色配音好不好听。

Grok Voice 3.0 价格：$0.08/分钟实际花多少钱

项目	价格
语音转语音（Grok Voice 3.0）	$0.08/分钟（$4.80/小时）
会话内文字输入	$0.004/条

按标价粗算：

一通 5 分钟的电话：$0.40
1,000 通、每通 3 分钟：$240
一个 agent 每天说 8 小时、连续 30 天：约 $1,152

Artificial Analysis 还在 Big Bench Audio 测试中统计了每完成一个任务的成本：Grok Voice 3.0 约 $0.025，低于 GPT-Live-1（Astra, Medium）和 GPT-Realtime-2.1。这是基准数字，不是账单：实际花费取决于通话时长，以及 agent 调用工具和文字输入的频率。

怎么试用 Grok Voice 3.0

Grok Bot 的语音模式。 xAI 称 Grok Bot 的语音模式运行在 Grok Voice 3.0 上。能否使用取决于你用的 xAI 产品和套餐。
xAI 开发者控制台。 官方公告的「Try It Free」按钮链接到控制台的 Voice Agents 页面，不写代码也能先和 agent 对话。
API 接入。 开发者可以用同一个模型搭建自己的语音 agent，见下文 Grok Voice Agent API。

Grok Voice Agent API：用 Grok Voice 3.0 搭建语音 agent

Grok voice agent 能做什么

Grok voice agent 是通过 xAI 的 Voice Agent API 进行实时语音对话的应用，模型就是 Grok Voice 3.0。在同一个会话里，它可以听、思考、调用工具（网页搜索、X 搜索、文件检索、MCP 服务和你自己的函数），并在一秒内开口回答，支持 20 多种语言。会话期间按 $0.08/分钟计费，文字输入另按 $0.004/条计费。它是语音转语音，不需要事先写好的脚本，这也是它不适合做旁白的原因。

怎么接入 Grok Voice API

agent 通过 WebSocket 连接 wss://api.x.ai/v1/realtime，参数 model=grok-voice-3.0，也可以用已指向 3.0 的别名 grok-voice-latest。基于 Grok Voice 2.0 的 agent 沿用同样的接口、会话参数和事件。浏览器端不要暴露 API key：由你的服务器向 /v1/realtime/client_secrets 申请短时有效的 client secret，浏览器再把它作为 WebSocket 子协议传入。具体步骤和示例代码见 xAI 的 Voice API 文档。

Grok Voice 3.0 和文字转语音：你需要哪个？

两者解决的是不同的问题：

语音转语音（Grok Voice 3.0）： 实时双向对话，通话期间按分钟计费。
文字转语音： 写好脚本，生成一段成品音频，用于视频、广告、游戏或社媒。xAI 在同一个 Voice API 里另外提供这项服务，有独立接口，价格为 $15/百万字符。

如果你来这里是想让一个声音读出你的脚本，你需要的是文字转语音，而不是对话 agent。你可以在浏览器里试用 Voiceshard 的免费文字转语音，选用现成的 AI 声音；也可以用 AI 声音克隆，从自己的录音生成私有声音。如果想不写代码直接用这些 Grok TTS 声音，Voiceshard 的工具里已经提供：见 Grok text to speech。

常见问题

Grok Voice 3.0 免费吗？

API 收费，$0.08/分钟。xAI 公告提供了在控制台免费试用语音 agent 的入口，Grok Bot 的语音模式也运行在该模型上。消费级应用包含哪些功能取决于套餐，请以应用内说明为准。

Grok Voice 3.0 多少钱、有多快？

在 xAI 的 Voice Agent API 中价格为 $0.08/分钟（$4.80/小时），与 Grok Voice 2.0 相同，文字输入另计 $0.004/条。xAI 称其响应延迟不到一秒。

Grok Voice 3.0 是文字转语音模型吗？

不是。它是用于实时对话的语音转语音模型。xAI 在同一个 Voice API 中另外提供文字转语音接口。

Grok Voice 3.0 能克隆声音吗？

xAI 的 Voice API 支持用最长 120 秒的参考音频创建自定义声音，可同时用于语音转语音和文字转语音。根据 xAI 文档，自定义声音目前仅在美国（伊利诺伊州除外）提供；通过 API 创建仅限企业版团队，其他团队需在控制台创建。

Grok Voice 3.0 支持哪些语言？

xAI 列出 20 多种语言，包括英语、西班牙语、法语、德语、印地语、日语、韩语、简体中文、阿拉伯语和葡萄牙语。

grok-voice-latest 是什么？

它是 xAI Voice Agent API 中指向最新 Grok Voice 模型的别名，现在指向 grok-voice-3.0。用这个别名的 agent 已自动切换到 3.0，无需改代码；Grok Voice 2.0 已弃用。

Voiceshard 使用 Grok Voice 吗？

不使用。Voiceshard 不提供 Grok Voice 3.0 实时对话，与 xAI 也无关联；但在 Grok text to speech 工具里提供 xAI 另外推出的 Grok TTS 文字转语音声音。

资料来源

Introducing Grok Voice 3.0——xAI，2026 年 10 月 14 日
Voice API 文档与价格——xAI 开发者文档，核对于 2026 年 10 月 16 日
语音转语音排行榜——Artificial Analysis