语音AI圈子今天迎来一个搅局者。xAI正式发布Grok Voice Think Fast 2.0，新一代语音识别与生成模型全面向开发者开放，定价每分钟0.08美元。在Artificial Analysis语音基准测试中，这个新模型拿到82.9%的综合得分，不仅超过上一代，还压过了GPT-Realtime-2.1和Gemini 3.1 Flash——后两者分别是OpenAI和Google在语音赛道的拳头产品。
xAI这次主打的三个字：快、准、稳。
先说速度。Grok Voice Think Fast 2.0的首次音频播放时间压缩到了0.70秒。可能你不知道这意味着什么，很多语音助手的响应你得等一两秒，等久了就会觉得“卡”。0.7秒是什么概念，一句话刚说完，对方已经接上了。交互顺畅得像两个真人聊天。
再说准。官方测试数据显示，在多语言环境下，新模型的转录准确率比上一代提升了约1.4倍。数字不够直观的话换个说法：同样一段带着背景噪音的录音，以前可能听错三五个词，现在基本上只能错一两个。加上电话压缩、多人说话这类真实场景里的干扰，Grok Voice的抗压能力跟竞品的差距反而越拉越大。
技术底子上，xAI给这个模型加了语音并行推理机制。啥意思呢？以前的语音模型要先把你说的话转成文字，再理解、再回答，一步等一步。现在这个模型边听边算边想，大幅减少了系统干等的时间。同时它还通过强化学习优化了对话策略，回答比以前更简练，不废话，一次专注处理一个核心问题——这直接提升了在复杂任务里调用工具的效率。
有个细节值得注意。Grok Voice Think Fast 2.0已经在Starlink的电话服务里做了A/B测试，不是纸上谈兵。测试结果验证了这套语音方案的真实效果，据官方透露，销售转化率和客服响应速度都有明显提升。语音Agent从实验室走到真实业务场景，这算是关键的一步。
多说一句价格。每分钟0.08美元，折合人民币大约5毛8。考虑到它在基准测试里对GPT-Realtime-2.1和Gemini 3.1 Flash保持领先，这个定价在同级别模型里算是相当能打。
旧版标识符会在2026年8月5日自动切换到新版本，开发者现在就能通过API接入使用。
语音Agent赛道的竞争已经进入白热化阶段。xAI这次拿出的不只是模型升级，而是直接把速度、精度、成本三个指标拉到了一个新刻度。当0.7秒响应、每分钟不到一块钱的定价成为行业新门槛，OpenAI和Google的下一步动作就很有看头了。语音AI的竞争，拼的不再是谁能“听懂”，而是谁能让机器像人一样自然地接话、干活。