语音AI的竞争，正在从“能听会说”全面转向“能推理、会干活”。7月29日，马斯克旗下SpaceXAI发布新一代语音到语音模型Grok Voice Think Fast 2.0，以0.7秒的首响应时间和智能体性能登顶的成绩，重新定义了实时语音交互的标准。
性能飞跃：综合评分82.9%，智能体能力登顶
据Artificial Analysis公布的语音到语音基准测试数据，Grok Voice Think Fast 2.0的AA Speech-to-Speech Quality Index综合评分达到82.9%，较前代1.0版本的75.7%提升7.2个百分点。在衡量智能体性能的Tau Voice基准测试中，该模型以56.5%的得分排名第一，击败了OpenAI的GPT-Realtime-2.1 High（45.7%）和谷歌的Gemini 3.1 Flash（37.7%）等竞品。
在细分指标上，新模型表现尤为亮眼：
语音推理能力（Big Bench Audio）：97.2%
对话动态体验（Full Duplex Bench）：95.1%（前代仅为77.8%）
响应速度（Time to First Audio）：0.70秒
这意味着，在衡量多人实时语音交互体验的Full Duplex Bench测试中，新模型从前代的77.8%跃升至95.1%，已接近人类自然对话的水平。
响应仅需0.7秒：比前代快44%，推理Token消耗减少60%
响应速度是Grok Voice Think Fast 2.0最直观的升级。其平均首音频响应时间仅0.70秒，较前代1.0版本的1.25秒大幅缩短44%，是Artificial Analysis榜单前五名中唯一低于1秒的模型，快于GPT-Realtime-2 High（1.14秒）和GPT-Realtime-2.1 High（1.21秒）。
SpaceXAI称，新模型支持“边说边推理”——可在说话时同步完成推理，无需以额外延迟换取推理能力。相比前代，其中位数推理Token消耗减少约60%（降至1.0版本的40%），使得工具调用通常能在智能体说完第一句话前完成。
转录能力：24种语言，准确率提升1.5-2倍
在语音转录方面，SpaceXAI在覆盖24种语言、数千条短语的内部评估中称，Grok Voice Think Fast 2.0的转录表现较Deepgram Nova 3和ElevenLabs Scribe v2提升1.5至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，显示出在真实复杂环境下的强大鲁棒性。
定价与可用性：每分钟0.08美元，8月5日默认升级
定价方面，该模型音频费用为每分钟0.08美元（约合每小时输入音频4.80美元），较前代1.0版本的每小时3.00美元有所上涨，但价格仅为GPT-Realtime-2.1 High的约45%。
SpaceXAI计划于8月5日将grok-voice-latest模型从1.0版本自动升级至2.0版本。仍需要使用旧版本的开发者需提前锁定1.0版本标识符。
实测反馈：开发者称“飞跃式进步”
多位开发者在X平台分享实测体验。AI公司Helionova AI的CEO Nick White称，已在旗下产品Tradecraft上完成全栈语音实时升级，形容这是“绝对是一次飞跃式的进步”。实测中，模型在多轮实时电话对话中几乎没有明显停顿，能根据对话内容持续推进情节并实时反馈。
SpaceXAI软件工程师Parker Conrad表示：“整个语音团队为此倾注了大量努力、思考和热爱。模型的智能水平、准确性和能力几乎让人感觉不真实。”
目前，Grok Voice已在Starlink电话服务中进行A/B测试，并带来了销售转化率和客服响应效率的提升。
当语音模型从“能听会说”进化到“能推理、会干活”，竞争的赛道已经从语音识别准确率转向了对话智能体的综合能力。Grok Voice Think Fast 2.0以“边说边推理”的低延迟架构和登顶的智能体性能，正在将语音AI推向“像人一样对话、像人一样干活”的新阶段。随着8月5日默认模型切换，这一能力将正式进入开发者与企业的生产环境。