SpaceXAI（原 xAI）发布 Grok Voice Think Fast 2.0：首音延迟砍半、推理 token 省六成

SpaceXAI（原 xAI，2026 年 7 月被 SpaceX 并购后更名）于 2026 年 7 月 29 日发布新一代语音对语音（speech-to-speech）模型 grok-voice-think-fast-2.0，并同步上线 Agent Builder，定价为每音频分钟 0.08 美元。最直接的规格变化是「开口的速度」：首音时间（time to first audio）从上一代的 1.25 秒降至 0.70 秒，几乎砍半。这 0.55 秒决定了对话听起来像「在讲话」，还是像「在等机器想」。

哪些是第三方、哪些是厂商自报

解读这次发布，必须先把数据来源分清楚，否则容易高估。

• 第三方榜单（Artificial Analysis speech-to-speech）：总分 82.9%，上一代 Think Fast 1.0 为 75.7%；agentic 分项 56.5%（上一代 52.1%）；对话分项 95.1%。
• SpaceXAI 官方自报（准确度）：转录准确度在 24 种语言、数千条短语上，较 Deepgram Nova 3 与 ElevenLabs Scribe v2 提升 1.5 至 2.0 倍，较自家上一代提升 1.4 倍；嘈杂环境下差距拉大到约 10 倍。
• SpaceXAI 官方自报（效率）：推理 token 的中位使用量降至上一代的 0.4 倍，约省六成。

换句话说，总分 82.9% 有第三方背书，「准确度高 10 倍」则是官方自定条件下得出的结果，两者不该被写成同一种可信度。

技术意义：边想边说

低延迟与高质量在语音模型上长期互斥——想得越多，开口越慢。这一代的做法是让推理与发声并行进行：模型一边说，一边继续思考后续内容，而不是想完才开口。配合推理 token 中位使用量降至 0.4 倍，实际效果不只是「听起来顺」，更关键的是工具调用（tool use）响应变快——语音助理要查订单、改预约、提交工单时，中间的空白会明显缩短。agentic 分项从 52.1% 升到 56.5%，正对应这个方向；但 56.5% 这个绝对值也诚实说明了，语音智能体自动完成多步骤任务，离「放着不管」还有距离。

版本切换：8 月 5 日自动升级

对开发者最需要注意的是排期。API 别名 grok-voice-latest 自 2026 年 8 月 5 日起自动指向本模型。

• 想用新版：什么都不必做，届时自动升级。
• 想留在旧版：必须手动固定 grok-voice-think-fast-1.0。

这种「默认升级」对多数团队是便利，但对已针对旧版调校过语气、逐字稿后处理或延迟预期的产品，可能在当天出现非预期的行为变化。

对管理者的意义

从 Grok Voice 于 2026 年 6 月首度公开上线，到 GPT-Live 世代、Anthropic 语音模式相继推出，语音界面在两个月内从展示品变成可比较规格的商品。对大量使用电话与口语的行业——客服、门店、餐饮订位、酒店前台——真正该跟踪的不再是「AI 会不会说话」，而是三个可量化的指标：

• 首音延迟
• 嘈杂环境下的转录准确度
• 工具调用的成功率

若贵公司正在评估语音客服，不妨拿自家最吵的那个现场（厨房、卖场、工地）录一段真实对话去测，而不是在安静办公室里听 demo——厂商自报的「嘈杂环境 10 倍」，值得你用自己的噪声验证一次。