xAI 发布 Grok Voice Agent API：每分钟仅 0.05 美元，音频推理基准测试排名第一
发布日期：2025年12月18日
来源：AIbase
核心摘要
xAI 正式推出 Grok Voice Agent API，为开发者提供实时语音交互能力。该 API 基于 Grok 语音技术栈构建，已在移动应用和特斯拉车辆中服务数百万用户，现全面向全球开发者开放。
关键亮点
1. 卓越的成本效益
- 定价：每分钟连接时间仅 0.05 美元。
- 优势：显著低于主流竞争对手，帮助开发者以最低成本构建高性能语音应用。
2. 顶尖的性能表现
- 基准测试：在权威音频推理基准 Big Bench Audio 中排名第一。
- 响应速度：平均首次音频响应时间 小于 1 秒，比最接近的竞争对手快近 5 倍。
核心功能概述
- 实时双向语音通信：支持流式音频输入/输出，实现低延迟、自然的对话体验。
- 多语言支持：覆盖包括中文在内的数十种语言（官方称超100种），具备母语级发音、口音和方言识别能力。
- 自动语言检测与切换：无需配置即可自动检测用户语言并无缝切换；开发者也可通过系统提示指定响应语言。
- 外部工具集成：可轻松集成自定义工具或接入 xAI 的实时搜索能力（覆盖网络和 X 平台数据）。
- 实时网络搜索与推理：在对话中即时查询信息并进行复杂推理。
- 语音情感提示控制：通过提示词调整语音的情感表达，增强交互自然度。
- 多种语音选项：提供多样化的语音选择，包括 Sal、Rex、Eve、Leo 等经典角色，以及 Mika、Valentin 等陪伴型人格。
- 兼容 OpenAI Realtime API 规范：支持现有应用无缝迁移，并兼容 xAI LiveKit 插件，便于快速集成。
未来展望
xAI 表示，该 API 将持续迭代，并在未来几周内推出独立的文本转语音（TTS） 和语音转文本（STT） 端点，以及进一步优化的音频模型，以提升发音准确性和延迟性能。
本文由 AIbase Daily 团队提供，聚焦AI领域技术趋势与产品应用。
