xAI 推出 Grok 語音 Agent API：響應不到 1 秒，每分鐘 0.05 美元

如果你最近坐進過更新了系統的特斯拉，可能會發現車裡的語音助手突然變聰明了，不僅反應快，說話還帶著自然的語氣。

現在，xAI 把這套底層的語音能力打包拆了出來。12 月 17 日，xAI 正式上線 Grok Voice Agent API，把原本跑在移動端和數百萬輛特斯拉車機上的語音技術，開放給所有開發者呼叫。

這套介面支援幾十種語言互譯和對話，具備呼叫外部工具以及全網即時搜尋的能力，直接瞄準了正在火熱競爭的端到端即時語音市場。

從底層全自研，還要比對手快 5 倍

和很多拿開源模組拼裝的語音方案不同，xAI 表示他們從頭自研了整套語音技術棧。

這裡麵包括底層的語音活動檢測、分詞器以及專屬音訊模型。官方給出的資料相當激進：在主流音訊推理評測 Big Bench Audio 上，Grok Voice Agent API 拿下了第一名，這項成績也得到了第三方評測機構 Artificial Analysis 的獨立驗證。

在核心的響應延遲上，它的平均首字音訊輸出時間不到 1 秒，官方稱比最接近的競品快了接近 5 倍。

在盲測對比中，面對當前語音領域的標杆 OpenAI Realtime API，Grok 在發音準確度、口音以及抑揚頓挫的韻律感上，都被人類評審給出了更高的評價。

功能細節上也挺接地氣。它不僅能在對話中自動識別對方的語言並無縫切話，還支援 Ara、Eve 和 Leo 等多種音色。開發者甚至可以在提示詞里加入嘆氣、耳語或笑聲等動作標記，讓 AI 的語氣更生動。

為了方便接入，xAI 這次做得很實在：介面直接相容 OpenAI Realtime API 的規範，支援官方 LiveKit 外掛，並且在計費上採用了統一標準，音訊時長每分鐘一口價 0.05 美元。

為什麼重要

語音互動正在從過去「聽寫轉文字再回答」的拼裝模式，全面轉向端到端的即時對話。xAI 這次推出的介面，最直接的價值在於大幅拉低了高質量語音 Agent 的落地門檻。

對開發者和產品團隊來說，每分鐘 0.05 美元的透明定價，加上直接相容 OpenAI 現成規範，意味著現有的語音應用幾乎不用重構就能遷移過來試試，遷移成本極低。

我們認為，xAI 這一步走得相當聰明。他們沒有憑空畫大餅，而是直接拿數百萬輛特斯拉車機和日常移動端的真實高頻場景當試驗場，驗證了網路波動和嘈雜環境下的可用性之後，再開放成 API。

即時搜尋也是它的核心殺手鐧。相比許多隻能基於固定知識庫回答的競品，Grok 可以直接聯動 X 平臺和全網的即時資訊，這讓它在做路線規劃、突發資訊問答這類需要新鮮資料的任務時佔據了先天優勢。

不過挑戰也依然擺在眼前。語音模型真正落地到客服、醫療或跨國會議等高壁壘領域時，對專業術語的準確率、極端嘈雜環境下的抗噪能力要求極高，單純靠基準跑分和低延遲，並不能完全打消企業級客戶在穩定性上的顧慮。