xAI 发布 Grok Voice Agent API，向所有开发者开放语音智能体能力

今天，我们很高兴推出 Grok Voice Agent API，赋能开发者构建能够说数十种语言、调用工具并搜索实时数据的语音代理。

Grok Voice Agent API 构建在与我们移动应用和 Tesla 车辆中为数百万用户提供支持的 Grok Voice 相同的技术栈之上，我们很高兴通过 xAI API 将这项经过验证的技术开放给所有人。

智能且快速

Grok Voice Agents 是市场上最快、最智能的语音代理。

我们完全自主研发了整个语音技术栈，从零开始训练了我们自己的语音活动检测（VAD）、分词器和音频模型。这种对技术栈每个组件的精细控制使我们能够快速迭代，提升 Grok 的智能水平和速度。

Grok Voice Agent API 在 Big Bench Audio 上排名第一，这是衡量语音代理解决复杂问题能力的领先音频推理基准。Grok 的平均首次音频响应时间不到 1 秒，比最接近的竞争对手快近 5 倍。

定价

Grok Voice Agent API 在成本效益方面引领行业。开发者按音频时长每分钟 0.05 美元的简单统一费率计费。

* OpenAI 按输入和输出 token 收费。每分钟 0.10 美元是一个非常保守的混合估算。在生产环境中，价格通常超过每分钟 0.10 美元。

多语言流畅度

Grok Voice Agents 能够以母语级别的熟练程度说数十种语言，准确捕捉方言和发音中的细微差别。Grok Voice Agents 经过训练，能够自动用用户所说的语言进行回应，并可以在对话中途无缝切换语言。开发者还可以通过系统提示词指示 Grok 始终以特定语言回应。

在与 OpenAI Realtime API 的盲测一对一人工评估中，Grok 在发音、口音和韵律等维度上始终被评为更受青睐的模型。

多语言表现

与 OpenAI Realtime API 相比的胜率（盲测人工评估）

Grok

OpenAI Realtime API

Tesla 中的 Grok Voice

Tesla 是 Grok Voice Agent API 的重要设计合作伙伴，该 API 现已在数百万辆车辆中为 Grok 提供支持。

Grok 感觉像是你 Tesla 的自然延伸，这得益于专用工具让它能够访问车辆状态、查找方向和操控导航。Grok 将这些工具配合使用，提供无缝的路线规划体验。例如，让 Grok 规划一次公路旅行，它会搜索 X 获取推荐、计算最优路线并添加停靠点，在几秒内生成完整行程。

Grok Voice Agents 可以执行任务并实时查找信息。通过我们的 API，开发者可以轻松集成自己的自定义工具，或利用 xAI 在 X 和网络上强大的实时搜索能力。

json

自然、富有表现力的声音

我们很高兴为 Grok Voice Agent API 提供多种富有表现力的声音，包括 Ara、Eve 和 Leo。我们的声音在日常对话中听起来很自然，并且擅长发音医疗、金融和法律等领域的专业术语。

客户支持

金融

医疗

法律

为了增强真实感，开发者甚至可以提示模型使用听觉线索，如 [whisper]、[sigh] 和 [laugh]。

开始构建

Grok Voice Agent API 与 OpenAI Realtime API 规范兼容，也可通过官方 xAI LiveKit 插件使用。

我们还构建了一个语音试玩场，你可以直接在浏览器中测试各种语音。

我们很高兴能继续快速迭代。在接下来的几周内，我们还将发布：

• 独立的文本转语音和语音转文本端点
• 在发音和延迟方面性能更强大的音频模型

我们迫不及待想听到你的作品！

试用我们的语音试玩场

通过 xAI 云控制台与 Grok Voice Agent 对话