Grok Voice 3.0 登顶语音榜：你的客服能换人吗

10 月 14 日，xAI 发布了 Grok Voice 3.0。独立评测机构 Artificial Analysis 给它的语音到语音综合指数打了 86.9 分，第一次参评就排到第一，比上一代的 81.3 高了 5.6 分。这不是一次常规升级：语音模型过去两年一直在卷参数，可真实场景里的卡顿、接不上话、听不懂方言，三个老问题一个都没解决。3.0 把评测直接怼上公开榜单，让独立机构按同一套题打分，等于把考场搬到了所有人眼皮底下。但同一份评测里，用户偏好这一项它只排第三。一个指标第一、一个指标第三，这中间的缝，才是你判断要不要用的地方。

先说它强在哪。首音频延迟 0.81 秒，也就是说你话音刚落，它几乎立刻接上，比 OpenAI 和谷歌同档配置的 1.34 秒左右快了约四成。任务成功率 94.8%，音频推理 98.5%，全双工 97%，意思是它插话、停顿、被打断都接得住。星链客服已经用上它，每天约 2 万通多语种来电，70% 不用人工介入，大约每 4 通销售电话里有 1 通在通话中就成了单。

Grok Voice 是个语音到语音模型，听进去的是声音，吐出来的也是声音，中间不经过文字。适合两类场景。一类是车载，特斯拉里驾驶员能查日程、回邮件、下单咖啡；一类是客服，接住那些重复、高频、不需要复杂判断的电话。车载场景的麻烦在噪音，开窗、胎噪、副驾说话，过去的模型很容易把这三样全当成指令。3.0 的全双工做到 97%，意思是它分得清哪句是跟它说的、哪句不是。

对中小商家来说，第二类最有用。你不用再养一个夜班客服盯投诉电话，模型先听、先归类、先答标准问题，只在它拿不准时转人工。xAI 把它放上 API，定价每分钟 0.08 美元，按当前汇率约合 0.6 元，和上一代同价。

第二层：真正要算的不是谁更聪明，是单位经济

如果只盯着 86.9 分这个第一，你会觉得该换掉客服了。可这笔账要倒过来看。一个人工坐席，国内一线城市的成本每月至少大几千元，一天接几十通电话就到顶；Grok Voice 按分钟计费，长通话成本线性上涨，但不需要招聘、培训、排班，也不会离职。星链用 70% 自主解决率撑起每天 2 万通，省下的就是真金白银的人力。这套账中小商家最该算：一个夜班客服，一线城市每月人力成本至少大几千元，还只覆盖 8 小时；模型按分钟计费，一天 24 小时待命，凌晨 3 点的投诉电话也有人接。你要买的不是聪明，是不睡觉。

但 86.9 分的综合指数和 1070 的偏好 Elo 是分开的两件事。前者测的是它任务办得对不对，后者测的是人愿不愿意跟它聊。它在任务上赢，在讨人喜欢上输给了谷歌。反过来也成立：如果你的业务七成以上都是安抚和协商，那再高的综合分也帮不上忙，人该留着还是得留着。语音 AI 最先能替代的，是那些客户不在乎跟谁聊、只在乎问题解没解决的环节；一旦涉及安抚情绪、建立信任，人还不能被轻易换掉。

看清它的边界再上手

小李在义乌做小商品外贸，店铺三个时区都有客户问货期。他试过一代语音模型，最头疼的不是听不懂，是动不动卡顿、等半天才回，客户以为掉线就挂了。3.0 的 0.81 秒延迟和 94.8% 任务成功率，刚好打在他的痛点上。但他没全换，只把时差最大的那部分夜间询价交给它，白天的重点客户还是自己接。他还留了一手：所有通话记录每天抽 10 通人工复盘，专门挑 AI 答错的那几通。他说模型每月都在涨，你不盯着一周就能感觉出差距。他的标准很朴素：能自动回复的让它回，要谈价格和信任的自己来。

还有一点别忽略：它在 τ-Voice 这类仿真客服任务上拿了 71.6 分，略低于 OpenAI 同档的 74.5 分。也就是在真的替你处理退款、改地址这类带动作的任务上，它还不是全场第一。可你的客服，真的只是标准问答吗？一个指标第一，不等于每个场景都第一，真正该看的是你自己的业务里最常出现的那类任务，在榜上排第几？

Grok 已收进站内工具库，详情页能看到完整评测对比：/tool/30247

先替代那些客户不在乎跟谁聊的环节，而不是试图替代整张客服桌。

今晚可以做的：翻出你上月的通话记录，数一数重复最高、最耗人力的三类电话，哪一类只是标准问答，就先接语音模型试一个月。