xAI 釋出 Grok Voice 2.0：邊說邊推理，首音延遲降至 0.7 秒

如果你給客服打過電話，大概經歷過這種折磨：電話那頭的 AI 反應慢半拍，背景噪音一大就裝聾，或者說起話來像個沒有感情的復讀機。

xAI 剛釋出的 Grok Voice 2.0，瞄準的就是這些現實裡的尷尬場景。這不是簡單的文本轉語音拼接，而是一個端到端的原生語音模型。

邊說話邊思考，響應壓到 0.7 秒

根據第三方評測機構 Artificial Analysis 的資料，Grok Voice 2.0 在端到端語音質量綜合指數上拿到了 82.9%，超過了 GPT-Realtime-2.1 的 79.1% 和 Gemini 3.1 Flash 的 69.5%。

最直觀的變化在速度。新模型生成首個音訊的時間只有 0.70 秒，相比上一代 Grok Voice 1.0 的 1.25 秒快了將近一倍，而 Gemini 3.1 Flash 在這項測試中需要 2.98 秒。

xAI 給這個模型加了一項絕活：邊開口說話邊在後臺推理。很多模型做複雜邏輯判斷必須先想後說，導致卡頓；Grok Voice 2.0 則是並行處理，在說出第一句話的時候，背後的工具呼叫往往就已經執行完了。

轉錄識別能力也有明顯提升。官方在 24 種語言測試中發現，它的短語轉錄準確度比專用的 Deepgram Nova 3 和 ElevenLabs Scribe v2 好上 1.5 到 2.0 倍。如果遇上電話壓縮或者嘈雜背景，差距甚至拉大到了 10 倍左右。

說話更像真人，已經偷偷上線打工

為了讓聊天不那麼機械，xAI 用大量強化學習調整了它的說話習慣。它現在的表現是句子更短、一次只問一個問題，儘量不扯廢話。

其實在正式釋出前，這套模型就已經在馬斯克自家的業務裡跑起來了。在 Starlink 的客服熱線測試中，換上 Grok Voice 2.0 後，銷售轉化率和服務閉環率都有明顯上漲。

價格方面，Grok Voice 2.0 定在每分鐘音訊 0.08 美元。8 月 5 日開始，預設的 grok-voice-latest 介面就會直接切到新模型，開發者不用改現有的 prompt。

為什麼重要

我們認為，端到端語音互動正在從「好玩的玩具」變成「能算清賬的生意」。之前很多開發者做語音助手，要串聯轉錄、大模型推理、語音合成三套管道，延遲動輒兩三秒，電話那頭的人早就結束通話了。

Grok Voice 2.0 把首字音訊延遲壓到 0.7 秒，同時把雜音識別提高 10 倍，這直接擊中了電話客服和線下硬體最大的痛點。Starlink 電話線上的真實測試資料，也給企業級部署提供了一個很有分量的參考。

不過 0.08 美元一分鐘的價格雖然透明，但折算下來一小時大約要 4.8 美元，對於需要長時間高頻通話的業務，成本依然不低。但看起來，在真實對話質量和執行效率這條線上，xAI 已經把壓力給到了 OpenAI 和 Google。