Voice 3.0 延遲不到 1 秒
SpaceXSI（官網 x.ai，也就是 Grok 背後的公司）在 2026 年 10 月 14 日（官方公告日期）發布 Grok Voice 3.0，官方稱它是「世界上最聰明的語音對語音（speech-to-speech）模型」。所謂語音對語音，是模型直接聽懂對方說的話並用語音回答，而不是先轉文字、再交給語言模型、最後再轉回語音。
官方列出的三個重點是：處理客服來電的成績創新高、回應延遲不到一秒、成本比其他前沿模型低。Grok Voice 3.0 即日起在 API 上提供，價格和上一代 Grok Voice 2.0 相同。
排名第一每分鐘 0.08 美元
1. 第三方測試排名第一
根據 Artificial Analysis 的獨立測試，Grok Voice 3.0 在其語音對語音指數（Speech-to-Speech Index）以 86.9 分排名第一。這個指數綜合了語音推理、τ-Voice，以及盲測對話中的偏好與任務成功率。官方也表示，它在 Full Duplex Bench（衡量模型怎樣處理停頓、輪流說話和被打斷）拿到 97%。
官方比較表中的幾項數字：
- 整體指數：Grok Voice 3.0 為 86.9，Grok Voice 2.0 為 81.3，GPT-Live-1（Astra, Medium）為 83.2，Gemini 3.8 Live（Ext. Thinking, High）為 82.6。
- 任務完成率：Grok Voice 3.0 為 94.8%，GPT-Live-1 為 87.4%，Gemini 3.8 Live 為 89.1%。
- 人類偏好（Speech Agent Arena Elo）：Grok Voice 3.0 為 1070，GPT-Live-1 為 1048。
2. 客服情境：準確度接近對手，但更快
τ-Voice 測試的是代理在不同口音、背景噪音和被打斷的情況下處理客服來電的能力。Grok Voice 3.0 得分 71.6%，官方說與 GPT-Live-1（Astra）相當（後者為 74.5%），但延遲低 40%；上一代 Grok Voice 2.0 則是 56.5%。換句話說，在這一項 GPT-Live-1 的分數仍稍高，Grok Voice 3.0 的優勢在於速度。
在 ServiceNow 的企業語音代理基準 EVA-Bench 上，官方表示 Grok Voice 3.0 的準確度最高（74%），而且同時計算準確度與客戶體驗時表現最好。
3. 每個任務成本更低
Artificial Analysis 也計算了每個模型在 Big Bench Audio 測試中完成一個任務的平均成本：Grok Voice 3.0 約 0.025 美元，GPT-Live-1（Astra, Medium）約 0.030 美元，GPT-Realtime-2.1（High）約 0.055 美元。
4. 已在 Tesla 和 Starlink 大量使用
官方表示 Grok Voice 3.0 每天在 Tesla 車上處理數以百萬計的對話，駕駛可以用語音查看行事曆、回覆電子郵件；它也是 Grok Bot 語音模式背後的模型。
客服方面，官方說 Starlink 客服中心每天用 Grok Voice 以多種語言接聽約 2 萬通來電，其中約 70% 在沒有真人介入的情況下解決；銷售來電中，每 4 通就有 1 通在掛線前完成購買。單一個以 Grok Voice 3.0 建立的代理就能核實客戶身分、排除硬體問題、發放帳戶抵用額，以及安排寄送替換設備。
API 現已開放使用
- 現在就能用：Grok Voice 3.0 已在 Voice Agent API 上線，模型名稱是
grok-voice-3.0。原本使用grok-voice-latest的代理已自動切換，不需要改任何設定；API 介面也沒有改變。 - 價格：每分鐘音訊 0.08 美元（每小時 4.80 美元），和 Grok Voice 2.0 相同；官方價格表另列文字輸入費用（$0.004 / text input）。
- 舊版淘汰：
grok-voice-2.0已列為淘汰（deprecated），如果你在程式中固定寫了 2.0，官方建議改成grok-voice-3.0或grok-voice-latest。 - 電話整合：官方文件說明可以透過 SIP、WebSocket 或 LiveKit 接上電話系統，原生支援電話常用的 G.711 編碼。另外，Voice Agent Builder 公告表示可以透過 SIP 接上現有電話號碼；官方範例也包括用 Twilio 建立可撥打的電話代理。
背景接聽偶爾檢查
對一人公司和香港中小企來說，最實際的意義是：「有人接電話」這件事，開始可以交給一個在背景工作的 AI 代理，而你只需要偶爾回頭看紀錄。以下是我們根據官方功能整理的嘗試方向，效果會因你的設定和資料而不同，建議先小規模測試。
1. 不想寫程式：先用 Voice Agent Builder 試
SpaceXSI 在 2026 年 7 月推出的 Voice Agent Builder（推出時為 beta）是免寫程式的語音代理平台：用一般文字描述來電應該怎樣處理，再附上文件、工具和限制規則即可，官方說大約兩分鐘就能建立一個可運作的代理。
依官方介紹，它可以：
- 讀你的資料：上傳價目表、常見問題、服務條款（支援純文字、Markdown、Word、PowerPoint、Excel、HTML、JSON 等格式），讓代理在通話中查找。
- 幫你做事：例如在 Google Calendar 或 Outlook Calendar 預約時段，再透過你的電郵服務寄出確認；也可以在 Notion 或 Linear 建立工作項目。
- 需要真人時轉接：客人要求找人時，可以把電話轉給你或同事。
- 計費：按 API 費率（官方寫的是「目前每分鐘 0.08 美元」）計算，聲音包含在內、沒有另外的平台費；官方說每個帳號附一個免費電話號碼，使用這個號碼的電話費另計每分鐘 0.01 美元。官方頁面沒有說明是否提供香港號碼，香港商家可能需要用 SIP 接上自己的號碼，正式使用前請先確認。
2. 適合「背景跑、偶爾看」的工作方式
如果你很容易被電話和訊息打斷，語音代理的價值不在於「跟 AI 聊天」，而在於把接聽這件事從你的注意力中拿走：
- 讓代理先處理最常見、最固定的來電，例如營業時間、地址、價錢、預約。
- 每通電話都有錄音和逐字稿，也能看到代理用了哪些工具；你可以每天固定一個時段集中查看，而不是每次響鈴都停下手上的工作。
- 用限制規則（guardrails）設定代理不該做的事，例如不要讀出信用卡號碼、不要談到超出範圍的話題。
- 遇到退款、投訴、報價這類需要判斷的情況，一律設定為轉接真人或記錄後回電。
3. 先算一下成本
用官方價格粗略估算：如果每天有 20 通、每通約 3 分鐘的來電，就是每天 60 分鐘，模型費用約 4.80 美元。實際費用會依通話長度、是否使用官方號碼（另加每分鐘 0.01 美元）和其他工具用量而不同，正式上線前請以你的帳單為準。
粵語未列需實測
- 粵語未在官方列表中：官方文件列出 20 多種支援語言，中文只列出「Chinese (Simplified)」（
zh），沒有單獨列出粵語或繁體中文。文件表示模型也能用列表以外的語言對話，但準確度不一。香港商家如果客人主要說粵語，請先用真實的通話情境測試。 - 基準分數不等於你的實際效果：在 τ-Voice 客服測試中，GPT-Live-1 的分數仍略高於 Grok Voice 3.0；排名第一的是綜合指數，請用自己的常見來電腳本實測。
- 客戶資料與私隱：使用 Voice Agent Builder 時，每通電話都會錄音和轉成文字，使用前請確認符合你的私隱政策，並在通話開頭告知客人正在與 AI 對話及通話可能被錄音。
- 自己寫程式需要一定技術基礎：直接使用 API、SIP 或 WebSocket 整合需要開發能力；沒有技術背景的話，從 Voice Agent Builder 開始會比較容易。