今天，我们激动地推出 Grok 语音智能体 API（Grok Voice Agent API），让开发者能够构建支持数十种语言、调用工具以及搜索实时数据的语音智能体。

Grok 语音智能体 API 基于与驱动我们移动应用及特斯拉车辆中数百万用户使用的 Grok Voice 相同的技术栈构建，我们很高兴能通过 xAI API 将这一成熟技术开放给所有人。

**智能且迅速**

Grok 语音智能体是市场上最快、最智能的语音智能体。

我们完全自研了整个语音技术栈，从零开始训练了自主的语音活动检测（VAD）、分词器（tokenizer）以及音频模型。对技术栈中每一个组件的精细控制使我们能够快速迭代并持续提升 Grok 的智能水平与响应速度。

Grok 语音智能体 API 在 Big Bench Audio（主流音频推理基准测试，用于衡量语音智能体解决复杂问题的能力）中排名第一。首音频平均响应时间低于 1 秒，Grok 比最接近的竞品快近 5 倍。

**Big Bench Audio：智能度 vs 延迟**

音频推理基准测试（由 Artificial Analysis 独立验证）

得分（%）

95%

首音频时间（秒）

5 秒

**定价**

Grok 语音智能体 API 在成本效率方面引领行业。开发者按连接时长付费，统一费率为每分钟 0.05 美元。

**每分钟成本** OpenAI 按输入和输出 token 计费。0.10 美元/分钟是一个非常保守的混合估算。在生产环境中，定价通常超过 0.10 美元/分钟。

**多语言能力**

Grok 语音智能体能够以接近母语的水平使用数十种语言，准确捕捉方言和发音中的细微差别。Grok 语音智能体经过训练，可自动以用户所说的语言进行回应，并能在对话中无缝切换语言。开发者还可以通过系统提示词指示 Grok 始终以特定语言回复。

在与 OpenAI Realtime API 的盲测人工对比评估中，Grok 在发音、口音和韵律等维度上始终被评价为更优模型。

**多语言表现**

与 OpenAI Realtime API 的胜率对比（盲测人工评估）

Grok

OpenAI Realtime API

**特斯拉中的 Grok Voice**

特斯拉是 Grok 语音智能体 API 的关键设计合作伙伴，该 API 现已为数百万辆汽车中的 Grok 提供支持。

Grok 感觉就像是 Tesla 的自然延伸，这得益于特殊的工具，使其能够获取车辆状态、查找路线并控制导航。Grok 协同使用这些工具，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 平台获取推荐，计算最优路线并添加停靠点，在几秒钟内生成完整的行程单。

Grok 语音智能体可以实时执行任务和查找信息。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 强大的实时搜索能力，覆盖 X 平台和整个网络。

json 自然、富有表现力的语音

我们很高兴为 Grok 语音智能体 API 提供多种富有表现力的语音，包括 Ara、Eve 和 Leo。我们的语音在日常对话中听起来自然，并且在医疗、金融和法律等领域的专业术语发音上也表现出色。

客户支持

金融

医疗

法律

为了增强真实感，开发者甚至可以让模型使用听觉提示，例如 `[whisper]`、`[sigh]` 和 `[laugh]`。 开始构建

Grok 语音智能体 API 兼容 OpenAI Realtime API 规范，也可通过官方 xAI LiveKit 插件使用。

我们还构建了一个语音游乐场，您可以直接从浏览器测试各种语音。

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的音频模型

我们迫不及待地想听听你们的作品！ 试试我们的语音游乐场

通过 xAI Cloud Console 与 Grok 语音智能体对话

打开游乐场