🎙️ 语音模型 · 智能体评测
xAI 发布 Grok Voice 2.0，登顶语音智能体评测，首响 0.7 秒为前五唯一亚秒级
7 月 30 日，马斯克旗下 xAI 推出新一代语音到语音模型 Grok Voice Think Fast 2.0。在 Artificial Analysis 的 Tau Voice 语音智能体基准测试中，该模型以 56.5% 得分排名第一，击败 OpenAI、Google、阿里千问等厂商；平均首音频响应时间仅 0.70 秒，是榜单前五名中唯一低于 1 秒的模型，每小时使用成本仅 4.80 美元，比 GPT-Realtime-2.1 便宜约 2.2 倍。
来源：公开报道•
2025-07-30•
全文约 3 分钟读完
#xAI
#Grok Voice
#语音智能体
#Tau Voice
🥇 第 1 名
Tau Voice 语音智能体评测
0.70秒
首音频响应，前五唯一亚秒级
$4.80/时
输入音频定价，比 GPT 便宜 2.2 倍
⚡ 30 秒速览
- 赢了什么：Tau Voice 语音智能体测试 56.5% 排名第一；Speech-to-Speech 综合指数 82.9% 位列第二，仅次于千问 Qwen Audio 3.0 Realtime Plus（84.1%）。
- 快了多少：首响 0.70 秒，较前代 1.25 秒缩短 44%；前五名中唯一低于 1 秒，GPT-Realtime-2.1 High 需 1.21 秒。
- 便宜多少：每小时 4.80 美元，GPT-Realtime-2.1 High 为 10.75 美元，便宜约 2.2 倍；较前代 3.00 美元有所上涨。
- 怎么做到：支持「边说边推理」，中位数推理 Token 消耗仅前代 40%，工具调用常在首句话结束前启动。
- 何时可用：8 月 5 日成为默认模型，面向开发者和企业开放。
01两份榜单，一冠一亚
Artificial Analysis 同时维护两套语音模型评测：Speech-to-Speech 综合指数衡量端到端语音能力，Tau Voice 专测语音智能体任务完成能力。Grok Voice Think Fast 2.0 在两份榜单上表现如下：
Tau Voice · 语音智能体评测
🥇 Grok Voice Think Fast 2.0xAI
56.5
该模型在此榜单击败 OpenAI、Google、阿里千问等厂商语音模型，但原始报道未逐一列出其他厂商具体分数，无法绘制完整排行。
Speech-to-Speech 综合指数
🥇 Qwen Audio 3.0 Realtime Plus阿里通义千问
84.1
🥈 Grok Voice Think Fast 2.0xAI
82.9
注：Speech-to-Speech 指数柱形自 80 分起缩放，非零起点；千问领先 1.2 个百分点。两份榜单评测口径不同，不可直接横比。
首音频响应时间 · 越短越快
Grok Voice Think Fast 2.0xAI
0.70
GPT-Realtime-2 HighOpenAI
1.14
GPT-Realtime-2.1 HighOpenAI
1.21
Grok Voice Think Fast 1.0xAI（前代）
1.25
注：柱长代表响应时间（秒），越短越快。以 1.25 秒为满刻度。Grok Voice 2.0 是前五名中唯一低于 1 秒的模型。
02开发者实测：对话几乎无停顿
📞 多轮实时电话：愤怒客户 vs 客服接线员实测
- AI 公司 Helionova AI CEO Nick White 在旗下产品 Tradecraft 上完成全栈语音实时升级，称「绝对是一次飞跃式的进步」。
- 实测中，他让 Grok Voice 扮演因维修人员爽约而愤怒投诉的客户，自己扮演客服接线员，围绕预约迟到展开多轮实时对话。
- 模型几乎无明显停顿，能根据对话内容持续推进情节，并针对客服回答实时反馈。
Nick White 评价：「绝对是一次飞跃式的进步」
🖥️ 终端工具集成：连续指令快速响应实测
- 开发者将 Think Fast 2.0 集成进终端工具 GrokTerm，测试者先让模型介绍新版本亮点，模型以极快速度回应。
- 随后连续发出「切换赛博朋克主题」「切回原主题」「切到另一屏幕」「再切回赛博朋克」等指令，模型均快速响应并完成操作，全程对答如流。
🔧 内部工程师评价团队发声
- xAI 软件工程师 Parker Conrad 发文称，语音团队为此倾注大量努力，模型的智能水平、准确性和能力「几乎让人感觉不真实」。
- 他认为 Think Fast 2.0 向「开箱即用」的目标迈进了一大步——「这本就是语音模型应有的样子」。
03三个维度的跃升与 0.7 秒背后的原理
Think Fast 2.0 的升级集中在模型能力、响应速度、推理效率三方面。与前代 1.0 对比：
Think Fast 1.0（前代）
综合得分 75.7%｜Full Duplex Bench 77.8%｜首响 1.25 秒｜推理 Token 消耗 100%
Think Fast 2.0（新一代）
综合得分 82.9%（+7.2pp）｜Full Duplex Bench 95.1%（+17.3pp）｜首响 0.70 秒（-44%）｜推理 Token 仅 40%
97.2%Big Bench Audio 语音推理
95.1%Full Duplex 双工交互
1.4×转写准确率提升（vs 前代）
10×噪声场景识别误差降低
Big Bench Audio 测语音推理，Full Duplex Bench 测多人实时交互。在覆盖 24 种语言、数千条短语的转写测试中，相比 Deepgram Nova 3 和 ElevenLabs Scribe v2 提升约 1.5–2 倍；在背景噪声大、电话压缩等真实场景下，识别误差可降低约 10 倍。
0.70 秒首响的关键，在于 Think Fast 系列支持边说边推理——不同于许多语音模型需要先完成推理再生成语音，它在说话的同时完成推理，因此能在保持低延迟的同时处理复杂任务。
接收语音→边说边推理→首句话内启动工具调用→生成回应
中位数推理 Token 消耗仅为上一代约 40%，意味着工具调用通常能够在模型第一句话结束前便开始执行。此外，研发团队利用大量强化学习数据让模型更接近真实人类交流方式：更多使用短句表达，一次只提一个问题，避免冗长重复——即使背后正在完成复杂流程规划，用户也不会明显感受到等待。
编辑视角
本文核心数据来自 xAI 官方发布与 Artificial Analysis 榜单，属厂商单方披露 + 第三方评测混合来源。Tau Voice 排名第一和 0.70 秒首响有外部机构背书，可信度较高；但「飞跃式进步」「让人感觉不真实」等评价均来自 xAI 员工或合作开发者，带有明显立场偏向。Speech-to-Speech 综合指数上千问仍领先 1.2 个百分点，xAI 在端到端语音能力上并非全面第一。
读者应带着两条背景读这条新闻：其一，Tau Voice 是新设基准，参评模型数量和评测口径尚需观察；其二，8 月 5 日默认模型升级后，实际企业场景表现才是真正的验金石。
语音模型竞争的主战场，正在从「听清 + 说清」转向「听懂 + 做完」——谁先让语音智能体在客服、销售等真实业务中跑通闭环，谁就拿到下一轮入场券。
▶怎么用
Think Fast 2.0 将于 8 月 5 日成为 xAI 默认语音模型，面向开发者与企业开放接入。每小时输入音频 4.80 美元。
x.ai → 开发者文档