上一次你给客服打电话，对面是真人还是机器？

你可能会说："废话，我一听就知道。"

但如果我告诉你，Starlink（星链）的客服中心每天要接约 2 万通电话，其中大约 70% 全程没有真人参与，而且每 4 通销售电话，就有 1 通在对方挂电话之前成交，你还敢这么肯定吗？

这不是科幻小说。10 月份，xAI 发布了语音模型 Grok Voice 3.0，上面这些数字是官方公布的使用情况。

它到底是个什么东西？

一句话：一个能像真人一样"听和说"的 AI。

你可能用过语音助手，它们的毛病大家都懂：

• 你说完话，它愣两三秒才回应；
• 你想插一句嘴，它就"死机"了；
• 周围稍微吵一点，它就听不懂。

这些毛病有一个技术上的根源。传统做法是三步走：先把你的声音转成文字，再让 AI 读文字、想答案，最后把答案转回语音。三步串联，延迟自然高。

Grok Voice 3.0 是"语音直接到语音"（speech-to-speech）的模型，省掉了中间的转写。官方称响应延迟低于 1 秒，在对话中被打断、有停顿、轮流说话的表现也更自然。

它厉不厉害？官方晒了这些成绩

在第三方测评机构 Artificial Analysis 的语音综合榜单上，Grok Voice 3.0 得分 86.9，排第一，上一代是 81.3，OpenAI 的 GPT-Live-1 是 83.2，谷歌的 Gemini 3.8 Live 是 82.6。

其中一项叫"全双工测试"，衡量 AI 处理停顿、插话、抢话的自然程度，它拿到了 97%。

价格方面，官方说在同样的测试任务里，跑一次的成本是 0.025 美元，比 GPT-Live-1 的 0.030 美元和 GPT-Realtime-2.1 的 0.055 美元都低。

我要泼一点冷水。 这些成绩是 xAI 自己在发布页上引用的，榜单虽然由第三方机构做，但选哪些指标来展示是厂家决定的。而且并不是每项都赢：在"模拟客服通话"的 τ-Voice 测试里，Grok 得 71.6%，GPT-Live-1 是 74.5%，其实略高一点。xAI 的说法是两者相当，但 Grok 的延迟低 40%。所以更准确的结论是：它不一定在每个单项上最强，但"又快又准又便宜"的平衡做得很好。

真正让人后背发凉的，是已经在用了

榜单只是纸面成绩，部署规模才是硬指标：

• 特斯拉汽车里
  ，每天有数百万次对话由它处理。司机可以不动手，让它查日程、回邮件，甚至点咖啡、订餐厅。
• Starlink 客服
  每天约 2 万通电话，多语言覆盖。一个 AI 就能完成验证身份、排查硬件故障、发放补偿、安排寄送替换设备这一整套流程。

想想看，这些事过去都得由一个训练有素、轮班工作的人来做。

它很便宜，便宜得有点吓人

每分钟 0.08 美元，一小时 4.8 美元，折合人民币三十多块（按近期汇率粗算）。它不用吃饭、不用休息、不会情绪失控，还能同时接很多通电话。

价格和上一代一样，使用 grok-voice-latest 的开发者，已经被自动升级到新版本，不用改任何东西。

它还能"克隆声音"

文档里有一个不起眼的功能：自定义声音（Custom Voices）。

上传一段最长 120 秒的录音，系统就会生成一个专属的声音 ID，之后这个声音就能说任何话、说多种语言。

这是一把双刃剑。好的一面是，品牌可以拥有自己的专属客服声音，视障者能用亲人的声音听书。坏的一面你也能想到：如果有人拿到你一段录音呢？这类技术的滥用风险，是整个行业都绕不开的问题，也值得你留意身边那些"听起来像熟人"的来电。

官方还说，音频数据实时处理，不存储、不用于训练，并提到 SOC 2、HIPAA 可用、GDPR 等合规认证。这些同样是厂家的说法，企业用户真要上线，仍然建议自己审核。

意味着什么？

1. 客服电话会越来越"像人"。 
   你以后可能很难分辨对面是谁。如果你有疑问，直接问"你是 AI 吗？"，这个习惯值得养成。
2. 简单重复的岗位会先被冲击。 
   查订单、改地址、报修、发补偿，这类标准流程最先被替代。
3. 体验可能会变好。 
   如果 AI 不再让你等 20 分钟、不再把你转来转去，其实不少人是欢迎的。
4. 识别骗局更重要了。 
   声音可以被克隆，"电话里是熟人的声音"不再等于"真的是熟人"。涉及转账，务必换个渠道二次确认。

它是怎么实现的？

文档里列出了三类能力：

内置有近 30 种声音（如 eve、rex、luna 等），默认是 eve，支持 38 种以上语言的转写。

1. 十几行代码，搭一个实时语音 Agent

核心是通过 WebSocket 连接实时接口，下面是官方文档的 Python 示例：

...Python

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:
        # 配置声音并开启工具
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "voice": "eve",
                "instructions": "You are a helpful customer support agent.",
                "turn_detection": {"type": "server_vad"},
                "tools": [{"type": "web_search"}]
            }
        }))
        # 接收 AI 返回的音频
        async for message in ws:
            event = json.loads(message)
            if event["type"] == "response.output_audio.delta":
                # 播放音频：base64.b64decode(event["delta"])
                pass
asyncio.run(voice_agent())

几个关键点：

• instructions 就是 AI 的"人设"，改成"你是一家奶茶店的点单员"，它就能按这个角色说话。
• turn_detection: server_vad 由服务端判断"你说完了没有"，所谓"能被打断"靠的就是这个。
• tools 可以接入工具，比如联网搜索。这是它能"办事"而不只是"聊天"的原因。
• 返回的音频是分块的 base64，你要解码后喂给播放器。把麦克风的音频送上去的具体事件格式，请看官方的 Speech to Speech 文档。

做网页或手机 App 时，别把 API Key 写在前端，文档推荐用 临时令牌（Ephemeral Tokens） 来连接。官方仓库 xai-cookbook 里还有现成的 Web、Twilio 电话、WebRTC 和 iOS 示例。

2. 文字转语音：一条 curl 搞定

...Python

curl -X POST https://api.x.ai/v1/tts \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Welcome to SpaceXSI. How can I help you today?",
    "voice_id": "eve",
    "language": "en"
  }' \
  --output welcome.mp3

TTS 还支持在文本里插入语音标签（笑声、耳语、停顿），输出格式从高保真 MP3 到电话用的 μ-law 都有。

3. 声音克隆：两步走

...Python

import os
import requests
# 第一步：上传参考音频（最长 120 秒），创建自定义声音
with open("reference.wav", "rb") as f:
    create = requests.post(
        "https://api.x.ai/v1/custom-voices",
        headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
        files={"file": ("reference.wav", f, "audio/wav")},
        data={"name": "Friendly Narrator", "language": "en"},
    )
voice_id = create.json()["voice_id"]
# 第二步：用这个声音合成语音
speech = requests.post(
    "https://api.x.ai/v1/tts",
    headers={
        "Authorization": f"Bearer {os.environ['XAI_API_KEY']}",
        "Content-Type": "application/json",
    },
    json={"text": "Hello! This is my custom voice.", "voice_id": voice_id, "language": "en"},
)
with open("custom.mp3", "wb") as f:
    f.write(speech.content)

拿到的 voice_id 可以用在 TTS，也可以用在流式 TTS 的 WebSocket 和实时对话接口里。

4. 语音转文字

...Python

response = requests.post(
    "https://api.x.ai/v1/stt",
    headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
    files={"file": ("recording.mp3", open("recording.mp3", "rb"), "audio/mpeg")},
    data={"model": "grok-voice-transcribe-2.0"},
)
print(response.json()["text"])

默认模型是 grok-voice-transcribe-2.0，支持词级时间戳、多声道、说话人分离，批量和流式两种模式都有。

可以做点什么？

• 给自己的小店做一个 24 小时接电话的预约助手
• 把会议录音转成带说话人标注的纪要
• 做一个用亲人声音朗读的有声书工具（请务必取得本人同意）
• 在 Twilio 上接一个能打电话的 AI，跑通完整的"电话客服"流程

技术的好坏，从来不取决于技术本身。

同一个 AI，可以让你少等 20 分钟客服，也可能让骗子的电话更像你的家人。我们能做的，是先搞懂它能干什么，再决定怎么用它、怎么防它。

下次电话那头的声音温柔又耐心，别急着感动，先问一句："你是真人吗？"