xAI 发布 Grok Voice Think Fast 2.0 语音模型，定价 $0.08/分钟
Introducing Grok Voice Think Fast 2.0 Introducing our most capable speech-to-speech voice model. Jul 29, 2026
- 1xAI 发布语音到语音模型 Grok Voice Think Fast 2.0，8 月 5 日起 grok-voice-latest 默认切换新版，现有提示词无需改动
- 2Artificial Analysis 语音综合指数 82.9%，高于 GPT-Realtime-2.1 的 79.1% 与 Gemini 3.1 Flash 的 69.5%，首音频延迟 0.70 秒
- 3官方称 24 种语言转写评测中准确率较 Deepgram Nova 3 与 ElevenLabs Scribe v2 提升 1.5–2.0×，嘈杂环境差距约 10×
- 4定价 $0.08/分钟音频，Starlink 电话线路 A/B 测试显示销售转化率与客服问题自助解决率显著提升（官方口径）
语音模型竞争从对话质量转向智能体落地，xAI 以自家电话业务数据和固定分钟计价，把卖点对准销售与客服通话场景。
- 影响：语音客服与电话销售场景可按 $0.08/分钟直接折算单通成本，试点预算更好算；grok-voice-latest 8 月 5 日自动切换，沿用别名的现有集成会被动升级；转写提升与 Starlink 转化数据均为官方口径，选型对比时需留出独立复测空间。
- 参考：可考虑选一通典型客服或外呼电话，按 $0.08/分钟先算出单通成本再定试点；8 月 5 日前盘点使用 grok-voice-latest 的集成，决定跟随升级或固定版本号；官方转写倍数可用自家真实通话录音抽样复测。
- 依据：综合指数 82.9% 与 0.70 秒首音频延迟出自 Artificial Analysis 第三方基准；转写倍数与 Starlink 转化数据为官方口径，暂无独立验证。
今天，我们宣布推出 Grok Voice Think Fast 2.0，这是我们的下一代语音模型，具备更强大的智能、更高的转录准确率和更出色的对话能力。
智能
Grok Voice Think Fast 2.0 是我们迄今最智能的语音模型，它在前代的基础上，在语音推理、对话能力和工具调用可靠性方面取得了显著提升。
| 基准测试 | Grok Voice Think Fast 2.0（本次发布） | Grok Voice Think Fast 1.0 | GPT-Realtime-2.1 (High) | Gemini 3.1 Flash (High) |
|---|---|---|---|---|
综合 AA 语音到语音质量指数 | 82.9% | 75.7% | 79.1% | 69.5% |
语音推理 Big Bench Audio | 97.2% | 97.1% | 96.0% | 96.6% |
对话动态 Full Duplex Bench | 95.1% | 77.8% | 95.7% | 74.3% |
智能体性能 τ-voice Bench | 56.5% | 52.1% | 45.7% | 37.7% |
速度 首音频时间 | 0.70s | 1.25s | — | 2.98s |
转录准确率
在准确率方面，Grok Voice Think Fast 2.0 甚至超越了专门的最先进转录模型。在我们针对 24 种不同语言的数千条短语进行的评估中，相对于 Deepgram Nova 3 和 ElevenLabs Scribe v2，我们实现了 1.5–2.0 倍的提升，相对于 Grok Voice Think Fast 1.0 实现了 1.4 倍的提升。
在嘈杂环境下，Grok Voice Think Fast 2.0 与专用语音转文本模型的差距扩大到约 10 倍。我们一直专注于让 Grok Voice Think Fast 2.0 在充满大量背景噪音和电话压缩的现实场景中表现格外出色。
转录准确率
词错误率（%）。越低越好。
Grok Voice Think Fast 2.0
Grok Voice Think Fast 1.0
Deepgram Nova 3
ElevenLabs Scribe v2
推理效率
Grok Voice Think Fast 模型有一个独特之处：它们在说话的同时对查询进行推理。在说话的同时进行推理，使该模型比其他语音到语音模型聪明得多，且不影响延迟。
与前代相比，Grok Voice Think Fast 2.0 经过训练，推理 token 的使用非常高效。在生产环境中，这意味着工具调用更敏捷，通常在智能体说完第一句话之前就执行完毕。
推理效率
每次响应的相对推理 token 数（P50）。越低越好。
Grok Voice Think Fast 2.0
0.4×
Grok Voice Think Fast 1.0
1.0×
对话能力
我们把 Grok Voice Think Fast 2.0 训练成了更出色的对话者。通过大量强化学习，将模型推向真实人类对话中出现的模式，我们发现总体而言，模型会用更短的句子说话，一次只问一个问题，并避免空话废话。从用户的角度来看，与智能体的对话简单而流畅，尽管模型往往在幕后引导对话完成复杂的工作流程，并提前思考好几步。
迁移与定价
预计 Grok Voice Think Fast 2.0 无需对现有提示词进行任何修改，即可在几乎所有用例中带来性能提升。在 Starlink（+1 888 GO STARLINK）上对该模型进行 A/B 测试时，我们看到销售转化率和客服自助解决率显著提升。
2026 年 8 月 5 日，grok-voice-latest 将从 grok-voice-think-fast-1.0 迁移至 grok-voice-think-fast-2.0。升级无需任何操作。如需继续使用 Grok Voice Think Fast 1.0，请在此之前固定为 grok-voice-think-fast-1.0。
我们相信定价应该是可预测且透明的。Grok Voice Think Fast 2.0 的价格为 $0.08 / 分钟音频。
开始使用 Grok Voice 构建
来源：xAI：News · x.ai