xAI 发布 Voice Agent Builder 公测版，官方称两分钟无代码搭建 Grok Voice 语音智能体

今天，我们宣布推出 beta 测试版的 Voice Agent Builder：一个无需编写代码的平台，用于在 Grok Voice 上配置生产级语音代理。

它面向那些想要大规模生产级语音代理、但又不想从零搭建周边技术栈的运营人员和开发者。开箱即用，你可以在一处获得电话、知识检索、工具、护栏（guardrails）、MCP 和可观测性功能。你也可以保留已有的资源：通过 SIP 导入现有电话号码，将工具连接到你的 API 和 MCP 服务器，或通过 WebSocket 接入你自己的客户端。

大多数语音技术栈把三个 API 拼接在一起——语音转文本、语言模型和文本转语音——而且通常每个阶段由不同的提供商托管。每一次跳转都会增加成本、延迟和新的故障模式。Voice Agent Builder 是为 Grok Voice 构建的语音到语音路径上的统一接口，与模型紧密耦合，而不是由三个部分拼装而成。

用我们能找到的最艰难的通话训练而成

真实通话中会出现低质量的电话音频、背景噪音、浓重的口音、打断，以及说到一半就改变主意的来电者。通话背后的工作流程模糊不清，跨越数十种工具，并可能以 25 种以上语言中的任意一种进行。

我们用这些通话训练了 Grok Voice。τ-voice Bench 在相同条件下评测代理。

τ-voice Bench 排行榜

Grok Voice Think Fast 1.0

67.3%

Gemini 3.1 Flash Live

43.8%

GPT Realtime 1.5

35.3%

两分钟创建一个代理

设置很简单：用通俗的语言写下通话应如何进行的描述，然后附上你的文档、工具和护栏。大约两分钟，你就能从零开始得到一个可正常工作的代理。

教它了解你的业务

代理从一个描述通话应如何进行的提示（prompt）开始。模型实时进行推理，因此能够遵循长指令并处理模糊的请求。

它所知道的内容来自知识库。你上传常见格式的文档（纯文本、Markdown、Word、PowerPoint、Excel、HTML、JSON 等），代理会在通话过程中从中检索。文档被组织成集合（collections），你可以将其附加到一个或多个代理上，并在代理之间共享，这样政策、产品规格和操作手册就能保存在一处，而不必粘贴到每个提示中。

采取行动

了解业务只是客服或销售通话的一半。代理还需要行动。它们会查询信息、修改记录、转接，或在对话结束后完成收尾。

工具和连接器正是实现这一点的方式。在预订热线中，代理可能会在 Google Calendar 或 Outlook Calendar 中安排预约，然后通过你的电子邮件服务商发送确认。在客服场景中，API 请求可以在你自己的系统中查询订单状态或办理退款。当答案不仅存在于你的文档中时，网页搜索或 X 搜索可以获取最新的公开信息。工单可以在 Linear 或 Notion 中管理，文件来自 Google Drive 或 OneDrive。

如果来电者需要人工服务，代理可以将通话转接给你的团队。任务完成后，它可以干净地结束通话。在整个对话过程中，它会发送实时通知，让你的团队可以看到代理做了什么，并在需要时介入。

给它一个声音和一个号码

Agents 可以使用任何内置语音，也可以使用用约两分钟音频克隆的品牌语音。每个账户均包含一个免费电话号码，从首次测试通话到生产流量都随时可用；直连 SIP 可接入任何主流电话服务商的现有号码。您也可以在浏览器中测试更改，无需电话。

查看通话

每通电话都会被录音并转录。您可以回放音频、阅读文字记录，并查看 agent 使用了哪些工具。护栏（Guardrails）会为 agent 设定不应越界的限制，例如复述卡号或讨论脚本之外的话题。

费用如何

我们相信定价应当简单透明。Agent 按我们的 API 费率计费（目前为 每分钟音频 $0.08），语音已包含在内，不收取单独的平台费。免费预配号码上的电话功能另收 $0.01 / 分钟。

其他语音技术栈通常对每个独立组件（识别、推理、合成和平台）分别计费，每个组件都有自己的计量方式和定价。我们希望只提供少数几项计量，您只需乘以通话量即可完成计算。

试用一下

评判语音 agent，用耳朵听比用基准测试更直观。构建一个，把您最棘手的工作流交给它，然后打给它试试。