xAI发布Grok Voice Agent API：每分钟0.05美元，音频推理榜单夺冠

xAI宣布上线Grok Voice Agent API，向开发者开放实时语音对话能力。该API基于Grok语音技术栈，已在移动端与数百万辆Tesla车辆中稳定服务，如今面向全球开发者全面开放。

极致性价比:每分钟仅0.05美元  

Grok Voice Agent API以领先的成本效率见长，采用简单、透明的计费——每分钟连接时长仅0.05美元。价格明显低于主流竞品，帮助开发者以最低开销打造高性能语音应用。

音频推理基准排名第一  

在权威音频推理基准Big Bench Audio上，Grok Voice Agent API位列第一。平均首段语音响应不足1秒，比最接近的竞争对手快近5倍，实时响应与推理能力表现优异。

核心能力一览  

– 实时双向语音通信:支持音频流式输入/输出，双向实时通话，延迟低、对话自然。  

– 多语言支持:覆盖含中文在内的多语种（官方称超100种），具备接近母语的发音与口音、方言识别能力。  

– 自动语言识别与切换:无需额外配置，可自动检测用户语言并无缝切换；也可通过系统提示指定回复语言。  

– 外部工具调用:可挂接自定义工具，或接入xAI的实时搜索能力，覆盖全网与X平台数据。  

– 实时联网搜索与推理:对话中即可即时查找信息并完成复杂推理。  

– 情感提示控制语音:通过提示调节语音情绪和语气，让交流更自然。  

– 多种人声选择:内置多样化声音，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:可无缝迁移存量应用，并支持xAI LiveKit插件，集成更高效。

未来展望  

xAI表示，该API将持续迭代。在未来几周内将上线独立的文本到语音（TTS）与语音到文本（STT）端点，并推出更强的音频模型，进一步提升发音准确度与时延表现。