xAI推出Grok Voice无代码语音智能体构建器 2分钟部署生产级AI语音服务

传统语音系统通常需要串联语音识别、语言模型和语音合成这三个独立的API，这种多环节架构不仅增加了链路延迟和调用成本，还引入了额外的故障隐患。Voice Agent Builder直接基于Grok Voice的原生语音到语音模型架构构建，通过单一接口实现了超低延迟的交互体验，并开箱即用支持电话网络、知识检索和系统防护机制。

在真实场景中，语音智能体需要应对背景噪音、口音、中途打断以及模糊指令等复杂情况。Grok Voice在大量真实通话数据上完成了训练，支持超过25种语言。在评估复杂通话能力的τ-voice Bench基准测试中，Grok Voice Think Fast 1.0获得了67.3%的准确率，远超 Gemini 3.1 Flash Live 的43.8% 和 GPT Realtime 1.5 的35.3%。

搭建过程极其简便，用户只需使用自然语言描述业务流程，并上传Word、Excel、Markdown或JSON等格式的文档构建知识库。智能体能够在通话过程中实时检索知识集合，确保政策说明和产品规格始终保持同步。此外，平台还支持跨智能体共享知识库，极大地简化了多场景下的维护成本。

除解答疑问外，智能体还支持丰富的行动能力。通过连接Google Calendar、Notion以及自定义API，智能体可以完成预约排期、查询订单和办理退款等任务，必要时还能平滑转接人工客服。用户可以使用内置声音或上传两分钟音频克隆品牌音色，并获得免费测试号码或通过SIP绑定已有电话线路。

在计费与运维方面，Voice Agent Builder摒弃了各组件分段扣费的复杂模式，统一按API音频时长计费，价格为每分钟0.05美元且包含语音合成功能。所有通话均提供录音、实时转写和工具调用日志，帮助开发者快速排查问题。防护栏设置功能则确保智能体不会透露敏感信息或偏离预设脚本。

要点

• 采用原生语音到语音架构，消除三段式API拼接带来的高延迟与多点故障问题。
• 在τ-voice Bench测试中取得67.3%的优异成绩，显著超越Gemini与GPT相关实时语音模型。
• 零代码两分钟快速配置，集成文档知识库、API工具调用、电话转接与实时观测能力。
• 定价透明简单，按音频时长统一收取每分钟0.05美元，不收取额外的平台费或声音使用费。