Grok Voice 3.0 发布:详细使用指南、API 接入教程与竞品价格对比
了解 Grok Voice 3.0 的实时语音能力、体验方式与 2.0 升级变化,跟随 Python 示例保存第一段语音,学习浏览器短期令牌接入,并比较 GPT-Live、Gemini Live 的能力与计费口径。

Grok Voice 3.0 于 2026 年 10 月 14 日正式进入 Voice Agent API。对于准备做语音客服、互动助手或口播预演的开发者,这次更新最实用的消息是:模型升级了,但原有接口与基础价格保持不变。使用 grok-voice-latest 的会话已经自动切换到 3.0。官方发布公告与开发者更新记录均确认了这项变化。
本文核验日期为 2026 年 10 月 16 日,包含模型介绍、普通用户体验路径、API 接入教程、价格与竞品对比。内容依据官方资料整理;示例做了离线协议与音频文件检查,未进行付费模型的现场音质、延迟或任务完成率实测。
Grok Voice 3.0 是什么?
Grok Voice 3.0 是实时语音到语音模型(speech-to-speech):应用持续发送用户声音,模型通过流式连接返回语音,并可结合工具完成任务。它与“录音转文字”以及“把固定文案读出来”解决的是不同问题。
例如,一位顾客先询问视频生成价格,又补充“我主要做商品展示”,语音助手需要听懂补充信息、查到真实套餐,再用简短语音解释选择。这个完整流程既涉及对话,也涉及业务数据;模型本身不会自动获得你的订单、库存或知识库。
对于创作者,值得尝试的方向包括:用对话修改口播脚本、预演广告问答、做语言练习,以及为创作工具增加语音入口。如果目标只是导出一段固定解说,应单独比较 Grok Text to Speech,不必先搭一套实时助手。
3.0 有什么新变化?与 2.0 如何衔接?
| 项目 | 当前情况 | 对使用者的意义 |
|---|---|---|
| 固定模型 ID | grok-voice-3.0 |
希望控制版本时明确指定它 |
| 最新版别名 | grok-voice-latest 当前指向 3.0 |
方便升级,但别名未来仍可能变化 |
| 旧版 | grok-voice-2.0 已标记弃用 |
明确锁定旧模型的应用应安排迁移与回归检查 |
| API 与基础价格 | 官方说明与 2.0 保持一致 | 不必为了本次升级重写整套会话协议 |
这些迁移信息来自官方更新记录。接口不变,也应重新检查你自己的中断处理、术语识别和工具调用结果;它不等于每个业务场景的输出完全相同。
发布公告引用 10 月 13 日的 Artificial Analysis 数据,列出 86.9 的 Speech-to-Speech Index 成绩,并报告更强的客服任务表现与低于一秒的延迟。这些是公告及其引用评测中的结果,不代表本站网络条件下的延迟承诺,也不能据此认定它在每一种语言或每一个任务上都优于竞品。
不写代码,怎么体验 Grok Voice?
- 从官方发布页进入 API Console,或直接打开 console.x.ai。登录后查看 Voice/Speech to Speech 的试玩入口;模型名称以账户实际显示为准。
- 先查看额度、计费和麦克风权限提示,再开始一段简短对话。官方页面的试玩入口不等于所有账户都能无限免费使用。
- 如果可以选择模型,优先使用
grok-voice-3.0,方便复现这篇教程;选择grok-voice-latest则是在使用当时别名对应的版本。 - 先做三轮测试:一句普通问答、一次中途补充要求、一次包含品牌名或数字的提问。听的是能否正确处理上下文,而不只是声音是否好听。
- 想在手机上日常使用 Grok,可从 Grok 官网进入官方应用商店入口,再查看账户是否提供语音功能。消费端的语音入口、套餐与 API 是不同产品界面,不能把它们视为固定版本选择或 API 额度的保证。
可以用这段原创测试要求开始:“你是一位短视频脚本顾问。先问我商品是什么,再问面向谁销售;每次只问一个问题,最后给出不超过三句的口播草案。不要编造商品功效。”
Grok Voice 3.0 API 接入前的准备
准备一个可使用 API 的账户、服务端运行环境和 XAI_API_KEY。在控制台创建密钥并设置支出边界;不要把真实密钥写进网页、公开仓库或截图。API 使用量与消费端订阅应分别核对账单。
本教程先用 Python 3.11+ 做一次“文字提问 → 语音文件”的连通性检查,确认认证、事件流和音频输出,再接麦克风。这比一开始同时排查设备权限、录音格式和业务工具更容易定位问题。
以下命令中的值是占位符,只在你自己的可信终端设置真实密钥:
python3 -m venv .venv
source .venv/bin/activate
python -m pip install "websockets>=14,<16"
export XAI_API_KEY='YOUR_XAI_API_KEY'
Windows 可使用对应的虚拟环境激活方式和环境变量设置方式。
API 教程一:生成并保存第一段语音
将下面的原创示例保存为 grok_voice_demo.py,运行 python grok_voice_demo.py。它通过 WebSocket 连接固定版本,收到 session.updated 后才发送问题,收集 PCM 音频增量,并保存为可播放的 grok-voice-demo.wav。
import asyncio
import base64
import json
import os
import wave
import websockets
async def main():
key = os.environ["XAI_API_KEY"]
url = "wss://api.x.ai/v1/realtime?model=grok-voice-3.0"
frames = bytearray()
sent = False
completed = False
async with asyncio.timeout(45):
async with websockets.connect(
url,
additional_headers={"Authorization": f"Bearer {key}"},
open_timeout=15,
) as ws:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"voice": "eve",
"instructions": "Reply briefly in Mandarin Chinese.",
"turn_detection": {"type": None},
"audio": {"output": {
"format": {"type": "audio/pcm", "rate": 24000}
}}
}
}))
async for raw in ws:
event = json.loads(raw)
kind = event.get("type")
if kind == "error":
code = event.get("error", {}).get("code", "unknown")
raise RuntimeError(f"Voice API error: {code}")
if kind == "session.updated" and not sent:
sent = True
await ws.send(json.dumps({
"type": "conversation.item.create",
"item": {"type": "message", "role": "user",
"content": [{"type": "input_text",
"text": "请用一句中文欢迎一位视频创作者。"}]}
}))
await ws.send(json.dumps({"type": "response.create"}))
elif kind in ("response.output_audio.delta", "response.audio.delta"):
frames.extend(base64.b64decode(event["delta"], validate=True))
elif kind == "response.done":
completed = event.get("response", {}).get("status") == "completed"
break
if not completed or not frames or len(frames) % 2:
raise RuntimeError("No complete PCM16 audio response was received")
with wave.open("grok-voice-demo.wav", "wb") as output:
output.setnchannels(1)
output.setsampwidth(2)
output.setframerate(24000)
output.writeframes(frames)
print("Saved grok-voice-demo.wav")
asyncio.run(main())
协议与事件名称可对照官方 Voice API 参考。这是一次有费用的连通性示例,不包含实时麦克风、播放队列、完整重连或生产监控;本文没有用真实密钥调用它,不能把离线检查称为成功生成实测。
API 教程二:从文件示例走向实时语音对话
完成前面的检查后,再按Speech to Speech 指南接入实时声音:
- 将
turn_detection.type改为server_vad,让服务端判断说话结束。配置输入音频为 24 kHz、单声道、PCM16,与实际录音字节保持一致。 - 把麦克风声音切成小块,以 Base64 发送
input_audio_buffer.append。例如 20 毫秒的上述 PCM16 音频为 960 字节;这是一种实现选择,不是接口要求的固定包长。 - VAD 模式由服务端处理轮次,不要每发送一小块声音就手动提交一次。手动模式则在一句话结束后提交缓冲区,再请求响应。
- 收到
response.output_audio.delta后按顺序播放,不要等整句话下载完成。发生用户打断时,应用还需要停止播放、清空尚未播放的旧音频,避免“模型已经停了,扬声器还在说”。 - 浏览器的
MediaRecorder可能输出 WebM 容器,不能把这些字节直接标成 PCM。完成解码与重采样,或采用文档明确支持的对应音频格式。
官方还提供 Web Agent 等示例,可从语音文档中的 tester apps寻找当前维护的实现。部署前检查其依赖、密钥处理和音频设备逻辑,示例不是开箱即用的业务客服系统。
浏览器接入:用短期令牌,不暴露 API Key
服务端可调用下面的官方接口申请短期令牌:
curl https://api.x.ai/v1/realtime/client_secrets \
-H "Authorization: Bearer $XAI_API_KEY" \
-H "Content-Type: application/json" \
--data '{"expires_after":{"seconds":300}}'
再由已登录、受限流保护的自家服务端把令牌交给当前用户。不要把这个取令牌接口做成任何人都能无限调用的公开通道,也不要在返回值中夹带长期密钥。
浏览器原生 WebSocket 不能像服务端示例一样随意设置 Authorization 请求头。按官方短期令牌文档,可将令牌放在子协议中:
const ws = new WebSocket(
"wss://api.x.ai/v1/realtime?model=grok-voice-3.0",
[`xai-client-secret.${token}`]
);
token 必须来自你的可信后端,而不是源码中的固定字符串。浏览器还需要 HTTPS 或本地开发环境、麦克风授权,以及由用户操作启动的音频播放。
接业务工具:先查数据,再执行操作
如果要查询订单,可只开放一个经过鉴权的只读函数,再逐步加入其他能力。收到 response.function_call_arguments.done 后,校验函数名和参数、核对当前用户能否访问目标订单,执行真实查询,再用 function_call_output 返回结果,最后发送 response.create 让助手继续回答。
“模型说已退款”不等于系统实际退款。退款、改地址、取消订阅等操作应由业务后端控制权限、确认与幂等;不要直接执行模型任意生成的代码、网址或数据库语句。这是本教程的工程建议,不是额外的模型功能承诺。
Grok Voice 3.0 价格怎么算?
官方价格表列出 0.08 美元/分钟(4.80 美元/小时),另加 0.004 美元/次文本输入。不要只摘录每分钟单价而忽略额外项目。
举例:假设账单记录了 10 个计费分钟和 5 次计费文本输入,按上述单价估算为 10 × 0.08 + 5 × 0.004 = 0.82 美元。这只是指定用量的算术示例,不是“10 分钟通话包”的报价;电话线路、工具、存储及其他适用费用应另外核对。
上线时可给每个用户设置会话时长上限,并在结束后关闭连接。对照真实用量账单计算“每个完成任务的总成本”,比只看一条广告价格更有用。
与 GPT-Live、Gemini Live 对比:怎么选?
下面比较的是开发者 API,而不是 Grok、ChatGPT 或 Gemini 消费端会员月费。价格核验于 2026 年 10 月 16 日,不同计费口径不能直接相加或认定谁在所有场景里最便宜。
| 方案 | 官方定位与结构 | 当前公开计费要点 | 本文建议优先验证的场景 |
|---|---|---|---|
| Grok Voice 3.0 | 实时语音对话,可在会话中使用工具 | 0.08 美元/分钟,另加文本输入与适用的其他费用 | 已有 Grok 服务、想把对话与业务工具放在同一实时流程的团队 |
| OpenAI GPT-Live 1 | 全双工对话模型,可把推理与任务委托给后端 | 语音 0.05 美元/分钟,按秒计费;后端模型和工具另外计费 | 已有后端智能体,希望语音层与任务执行分开管理的团队 |
| Gemini 3.8 Live | Live API 的实时音频与多模态交互 | 付费档音频输入 3 美元/百万 token、音频输出 12 美元/百万 token;文本、上下文与工具按相应规则计费 | 希望结合实时图像或视频输入,且能管理 token 与会话上下文的团队 |
来源:GPT-Live 1 官方模型页、Gemini Live 概览、Google 官方价格表。OpenAI 文档明确将语音时长与后端费用分开;Google 的Live API 最佳实践也说明持续会话的上下文计费,因此不能用“输入一秒声音多少钱”代替整段任务账单。
我们的选择建议:先用同一套真实业务问题比较任务完成率、用户打断后的正确性、中文专有名词、失败后恢复和整单成本,再决定迁移。不要把不同提示词、不同推理设置或不同网络的排行榜数字当成你的业务测试结果。
建议的试用清单与常见问题
| 现象或测试 | 优先检查什么 |
|---|---|
| 认证失败或连接被拒绝 | API Key、账户额度、模型访问权限和所选模型 ID |
| 收到事件但没有声音 | 是否仅打印了事件名;有没有解码并播放音频增量 |
| 音频变快、变慢或有噪声 | PCM/Opus 格式、采样率、通道数与播放端是否一致 |
| 用户打断后仍听到旧回答 | 播放队列有没有停止并清空,是否重复请求了响应 |
| 旧版应用无法正常迁移 | 是否仍固定使用弃用 ID,是否混用了不同厂商的事件与鉴权方式 |
做一次有记录的试用:普通中文问答、带噪声的数字确认、中途改需求、中英品牌名混说、查找一个不存在的订单、在敏感操作前要求确认。每次只改一个变量,记录实际成功与失败;这是一套原创评估方法,不是本站公布的模型跑分。
视频创作者可以怎样使用?
先让语音助手陪你打磨 15 秒商品口播,再把确认过的场景、镜头和动作写成视频提示词。随后可进入本站视频创作台或商品广告工作区生成画面。独立录制或合成的音轨仍需要后续剪辑配合,不能假设任意语音文件会自动精准对口型。
InstantVid 这篇页面提供资讯与教程,不代表本站已接入 Grok Voice 3.0。当前可用的视频模型、音频能力与积分消耗以创作台显示为准。查看模型与价格。
封面为本站原创 AI 编辑示意图,展示麦克风与声波概念,不是官方界面截图或产品背书。后续模型别名、可用范围与价格变化,请以文中官方链接为准。
来源与延伸阅读
来源核对日期 2026年10月16日
- Official announcement: Introducing Grok Voice 3.0来源发布日期
- Developer release notes: Voice 3.0 and 2.0 deprecation
- Official Speech to Speech integration guide
- Ephemeral tokens and browser authentication
- Official Grok API pricing
- OpenAI GPT-Live 1 model and pricing
- Google Gemini API pricing
- Google Live API billing and implementation practices


