Grok Voice 3.0 是什么？更新内容、API 价格和调用方法

Grok Voice 3.0 是 xAI 在 2026 年 10 月 14 日发布的语音对语音模型。你说一句，它听、它想、它用自己的声音回答，全程一条 WebSocket 连着，音频直接进、直接出。

做语音 agent 的人关心三件事：听得准不准，一分钟多少钱，代码要改多少。Grok Voice 3.0 的答案是：语音对语音榜第一（xAI 公布 86.9 分），每分钟 0.08 美元，调 grok-voice-latest 的代码不用改。

先说结论

• 同价，更强的模型。 Grok Voice 3.0 直接替换 Grok Voice 2.0，价格还是每分钟 0.08 美元。接口和会话事件也一样。
• xAI 对比的每一项分数都更高。 语音对语音榜 86.9 对 81.3，停顿和打断的处理 97.0% 对 95.1%。
• 用 WebSocket 接入。 地址是 wss://api.x.ai/v1/realtime。格式跟 OpenAI Realtime 一样，OpenAI 的 SDK 换个 base URL 就能用。
• 支持 20 多种语言和 28 个内置音色。 对话中还能调用联网搜索和你自己的函数。

Grok Voice 3.0 是什么？

它是语音对语音模型：音频进，音频出，中间由模型推理。xAI 的说法是“面向实时语音 agent 的语音对语音模型”。Tesla 车里每天有上百万次对话在用它，Grok Bot 的语音模式也靠它。Starlink 的客服中心每天用它接 2 万通电话。

模型 ID 是 grok-voice-3.0。别名 grok-voice-latest 从发布当天就指向它，所以用别名的会话已经自动升级。Grok Voice 2.0 现在标记为弃用。

和 Grok Voice 2.0 比改了什么？

xAI 对比的分数全部上升，价格和接口保持不变。下面这些数字来自 xAI 的发布公告。公告引用 Artificial Analysis 在 2026 年 10 月 13 日的测试。

同一张表里，GPT-Live-1（Astra）在该指数上是 83.2，Gemini 3.8 Live 是 82.6。Grok Voice 3.0 在全部五行上都领先。

Full Duplex Bench 看的是停顿、接话和打断处理得自不自然，这几项打电话的人最容易察觉。xAI 还说模型能在 1 秒内开口。

模型会先想再说。推理默认打开；如果速度比深度更重要，可以在单个会话里关掉。会话过程中还能调用工具：文件搜索、联网搜索、X 搜索、远程 MCP 服务器，以及你自己的函数。

Grok Voice API 多少钱？

按 xAI 价格页，Grok Voice 3.0 每分钟音频 0.08 美元，一小时 4.80 美元。同一页还给同一个模型标了“$0.004 / text input”，没写单位是什么。

只要一个方向的话，xAI 分开定价。文字转语音每百万字符 15 美元，语音转文字每小时 0.10 美元，流式每小时 0.20 美元。

怎么接入？

开一条 WebSocket 连到 wss://api.x.ai/v1/realtime。把模型作为查询参数传进去，配置会话，然后双向送音频。下面是 xAI 文档里的 Python 快速开始，原样照抄：

import asyncio
import json
import os
import websockets

async def voice_agent():
    async with websockets.connect(
        "wss://api.x.ai/v1/realtime?model=grok-voice-latest",
        additional_headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"}
    ) as ws:
        # 配置会话
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "voice": "eve",
                "instructions": "You are a helpful assistant.",
                "turn_detection": {"type": "server_vad"}
            }
        }))

        # 发送一条文字消息
        await ws.send(json.dumps({
            "type": "conversation.item.create",
            "item": {"type": "message", "role": "user",
                     "content": [{"type": "input_text", "text": "Hello!"}]}
        }))
        await ws.send(json.dumps({"type": "response.create"}))

        # 接收音频和文字回复
        async for msg in ws:
            event = json.loads(msg)
            print(f"Event: {event['type']}")

asyncio.run(voice_agent())

要把模型固定在 3.0，改掉查询参数就行。把 model=grok-voice-latest 换成 model=grok-voice-3.0。第一次调用能不能跑通，看下面几项：

有哪些音色和语言？

文档列出 28 个内置音色，默认是 eve，每个音色都能说所有支持的语言。语音对语音接口支持 20 多种语言。它能判断来电人说什么语言，用那种语言回答，还能在对话中途切换语言。

xAI 的 Custom Voices 接口支持用一段最长 2 分钟的参考音频克隆音色。每个团队能免费用 30 个自定义音色，目前只在美国开放，伊利诺伊州除外。

xAI 表示语音音频实时处理，不会存储，也不会拿去训练。

能用 OmniaKey 调 Grok Voice 3.0 吗？

目前不能。OmniaKey 不提供 Grok Voice，调用要用 xAI 的 API key。如果你也用 Grok 的文本和图像模型，可以考虑 OmniaKey。Grok 4.7 和 Grok Imagine 2.0 都在上面，和 Claude、GPT、Gemini 共用一个 key。Grok Imagine API 指南 讲的是图像那一侧。

常见问题

Grok Voice 3.0 免费吗？

API 是收费的：xAI 价格页写的是每分钟音频 0.08 美元。只想和 Grok 说话的话，网页、iOS 和 Android 上的 Grok 应用都有免提语音模式。

从 Grok Voice 2.0 升级要改代码吗？

不用。接口、会话设置和事件都一样，grok-voice-latest 已经指向 3.0。只有写死 grok-voice-2.0 的代码要换成新模型名。

能用 OpenAI SDK 调吗？

能。xAI 的迁移指南说，基于 OpenAI Realtime API 的应用要改三处：base URL（https://api.x.ai/v1）、API key 和模型名。

响应有多快？

xAI 说 1 秒内开口。发布公告里写，它在 τ-Voice 上的得分是 71.6%，和 GPT-Live-1（Astra）相当，延迟低 40%。

来源

• xAI 发布公告：Grok Voice 3.0（2026 年 10 月 14 日）
• xAI 文档：语音对语音 和 语音总览
• xAI 价格、速率限制 和 更新日志
• xAI Custom Voices

以上信息核对于 2026 年 10 月 19 日。