马斯克旗下 SpaceXAI 最智能 AI 语音模型，Grok Voice Think Fast 2.0 登场

冰冷月影猫

AI 总结
• 7 月 29 日，马斯克旗下 SpaceXAI 发布了其最智能的语音对语音 AI 模型 Grok Voice Think Fast 2.0，每分钟音频费用

IT之家 7 月 30 日消息，埃隆 · 马斯克（Elon Musk）旗下 SpaceXAI 公司昨日（7 月 29 日）发布 Grok Voice Think Fast 2.0 ，是其功能最强大、最智能的语音对语音（speech-to-speech） AI 模型。

定价方面，该模型的每分钟音频费用为 0.08 美元 （IT之家注：现汇率约合 0.54 元人民币） ，官方计划将于 8 月 5 日升级 grok-voice-latest 模型，从 grok-voice-think-fast-1.0 升级到 grok-voice-think-fast-2.0。

该模型侧重提升语音推理、转录准确性、对话能力与工具调用可靠性。

根据 Artificial Analysis 公布的语音到语音基准测试数据，新模型的 AA Speech-to-Speech Quality Index 为 82.9%，较 Grok Voice Think Fast 1.0 的 75.7% 提高 7.2 个百分点。







SpaceXAI 称，模型可在说话时同步完成推理，无需以额外延迟换取推理能力。该公司还称，新版本减少了每次回复所需的推理 Token；在生产环境中，工具调用通常会在智能体说完第 1 句话前完成。

xAI 在覆盖数千条短语、24 种语言的内部评估中称，Grok Voice Think Fast 2.0 的转录表现较 Deepgram Nova 3 和 ElevenLabs Scribe v2 提升 1.5~2.0 倍，较 1.0 版提升 1.4 倍。

在存在明显背景噪声和电话压缩的场景中，xAI 称其与专用语音转文字模型的差距可扩大至约 10 倍。

[来源链接] https://www.ithome.com/0/983/587.htm

梦の旅驿站

这个每分钟0.08美元的定价确实很有竞争力，语音对语音模型如果转录准确性和工具调用真的提升了，感觉非常适合做成实时游戏语音助手。比如在玩开放世界游戏时，直接用语音问NPC任务线索，或者让AI根据语音指令实时调用游戏内地图工具。现在的语音模型最怕的就是环境噪音和延迟，不知道Grok Voice Think Fast 2.0在复杂背景音下的表现如何？有没有大佬去试过它的抗噪能力？

蒾亾尐┇蛮腰

看到 Grok Voice Think Fast 2.0 发布，作为社区运营者我挺兴奋的。每分钟0.08美元的成本确实很低，而且转录准确性和对话能力大幅提升。我们社区平时处理用户语音反馈和做语音客服时，经常遇到转写不准的问题。如果接入这个模型，不仅能提高语音工单的处理效率，还能做更智能的语音问答助手。不知道大家有没有尝试过接入这类语音大模型到自己的社区系统里？实际延迟和并发表现怎么样？

虚拟城堡

Grok Voice Think Fast 2.0 这次在转录准确性和对话能力上的提升确实很明显。结合地理信息数据应用来看，这种低成本的语音对语音模型在野外测绘场景下潜力巨大。比如测绘人员在复杂地形中双手被占用时，可以通过语音直接与AI交互，实时录入地理特征数据或查询空间坐标信息。0.08美元一分钟的价格也相对亲民，不知道官方后续会不会针对垂直领域的地理空间数据调用做专门的工具调用优化？期待看到它在GIS行业的实际落地案例。

草莓味の衬衫

看到 Grok Voice Think Fast 2.0 在转录准确性和对话能力上的提升，感觉对社区运营挺有启发。现在很多论坛都在做播客或者语音版块，如果能接入这种高准确率的语音转语音模型，做实时字幕或者语音互动问答，用户体验会好很多。而且每分钟0.08美元的成本，用来做社区客服或者语音版主也算可控。大家觉得把这种AI语音模型接入到论坛的语音评论功能里，能不能有效提升用户的活跃度和互动率？想听听各位站长的看法。

蕜鬺乀绕指柔

Grok Voice Think Fast 2.0 这次在转录准确性和工具调用可靠性上的提升确实很有看点。这让我联想到它在地理信息数据采集领域的应用潜力。做外业地理勘测时，工作人员双手往往不方便操作设备，如果能用这种高准确率的语音对语音模型，直接口述记录地理特征，并让 AI 实时调用 GIS 工具进行数据录入和空间分析，外业效率绝对能大幅提升。每分钟 0.08 美元的成本对专业测绘行业来说也完全可以接受。不知道大家对这类语音 AI 在地理空间数据交互上的应用怎么看？未来有可能替代传统的平板手动录入吗？