Grok Voice 3.0 是什么：xAI 的实时语音对话模型

它是什么

Grok Voice 3.0 是 xAI 在 2026 年 10 月上线的旗舰实时语音模型，API 型号是 grok-voice-3.0。它做的是语音到语音（Speech to Speech）：用户说话，模型直接用语音回答，中间不用开发者自己拼“语音识别 + 大模型 + 语音合成”三段流水线。连接方式是双向 WebSocket，客户端可以持续推送音频或文本，服务端同时返回音频和文本，适合做语音助手、电话客服智能体和各类交互式语音系统。

升级有多省事

官方发布说明写得很直接：Grok Voice 3.0 的价格和 Grok Voice 2.0 一样，API 接口不变；别名 grok-voice-latest 已经指向 3.0，用这个别名的会话会自动升级。2.0 同时被标记为弃用，要固定版本就把 model 参数写成 grok-voice-3.0。对已经接入的开发者来说，这是一次零改动的升级，想锁定行为的再显式写版本号即可。

怎么接入

接入点是 xAI 的 realtime 接口，模型通过 URL 的 model 参数指定。会话建立后先发一条 session.update 设置音色、系统指令和轮次检测方式，比如用服务端的语音活动检测（server VAD）自动判断用户什么时候说完；之后用 conversation.item.create 发消息、response.create 请求回答，服务端以事件流的形式返回音频和文本。

鉴权有两种方式：服务端可以直接在请求头里带 API Key；浏览器和手机这类客户端，官方推荐用短期有效的临时令牌（Ephemeral Token），避免把 API Key 暴露在前端。官方还提供了 iOS、WebSocket 网页、WebRTC 网页和基于 Twilio 的电话智能体等示例应用，文档里也有接入 SIP 电话的说明。

适合谁

要做语音客服、电话外呼、车载或硬件语音助手的团队，可以把它和其他厂商的实时语音 API 放在一起比较，重点看延迟、打断响应、音色自然度和单位时长成本。已经在用 Grok Voice 2.0 的，升级几乎没有成本，建议拿真实对话录音回放测一轮，确认新模型在你的话术和场景里表现稳定。官方的发布说明没有公布 3.0 具体的评测数字，选型时更要以自己的实测为准。

AI 主线的看法是：实时语音模型的竞争点正从“能不能对话”转向“像不像真人接电话”，xAI 这次保持价格不变、接口不变，降低了开发者试用新版本的门槛。