xAI 发布 Grok Voice Think Fast 2.0：最强语音 AI 模型，转录精度大幅跃升

xAI 于 7 月 29 日推出 Grok Voice Think Fast 2.0，这是该公司迄今发布的最强语音对语音 AI 模型。新模型的核心改进集中在四个方向：语音推理能力、转录准确性、多轮对话质量以及工具调用的稳定性。官方将于 8 月 5 日把 grok-voice-latest 接口从 1.0 版本正式升级至 2.0，开发者届时无需修改调用方式即可享受新版能力。

在第三方基准测试层面，Artificial Analysis 公布的 AA Speech-to-Speech Quality Index 显示，Grok Voice Think Fast 2.0 得分为 82.9%，较 1.0 版本的 75.7% 提升 7.2 个百分点。这一指标综合衡量语音理解与生成的整体质量，是目前语音 AI 领域较具参考价值的评估维度之一。

xAI 特别强调，新模型能够在说话的同时同步完成推理，无需牺牲额外延迟来换取推理深度。与此同时，2.0 版本减少了每次回复所需消耗的推理 Token 数量，在生产环境中，工具调用通常可在智能体说完第一句话之前完成，这对于实时语音交互场景具有重要意义。

在多语言转录能力方面，xAI 基于覆盖 24 种语言、数千条短语的内部评估数据称，Grok Voice Think Fast 2.0 的转录表现较 Deepgram Nova 3 和 ElevenLabs Scribe v2 提升 1.5 至 2 倍，较自家 1.0 版本提升约 1.4 倍。在存在明显背景噪声或电话压缩失真的场景下，其与专用语音转文字模型之间的差距甚至可扩大至约 10 倍。

定价方面，Grok Voice Think Fast 2.0 的音频处理费用为每分钟 0.08 美元，按当前汇率折合约 0.54 元人民币。这一定价面向 API 调用的开发者和企业用户，适合构建实时语音助手、智能客服、多语言转录等应用场景。随着语音 AI 竞争持续升温，xAI 此次发布进一步加剧了与 OpenAI、ElevenLabs 等玩家在语音赛道上的角力。

要点

• Grok Voice Think Fast 2.0 的 AA Speech-to-Speech Quality Index 达 82.9%，较上代提升 7.2 个百分点
• 模型支持边说话边推理，工具调用可在智能体开口前完成，显著降低实时交互延迟
• 24 种语言内部评估显示，转录精度较 Deepgram Nova 3 和 ElevenLabs Scribe v2 提升 1.5 至 2 倍
• 定价为每分钟 0.08 美元，官方将于 8 月 5 日完成 grok-voice-latest 接口的版本切换