SpaceXAI（原 xAI）發表 Grok Voice Think Fast 2.0：首音延遲砍半、推理 token 省六成

SpaceXAI（原 xAI，2026 年 7 月遭 SpaceX 併購後更名）於 2026 年 7 月 29 日發表新一代語音對語音（speech-to-speech）模型 grok-voice-think-fast-2.0，並同步上架 Agent Builder，定價為每音訊分鐘 0.08 美元。最直接的規格變化是「開口的速度」：首音時間（time to first audio）自前代的 1.25 秒降至 0.70 秒，幾乎砍半。這 0.55 秒決定了對話聽起來像「在講話」，還是像「在等機器想」。

哪些是第三方、哪些是自報

解讀這次發表，必須先把數據來源分清楚，否則容易高估。

• 第三方榜單（Artificial Analysis speech-to-speech）：總分 82.9%，前代 Think Fast 1.0 為 75.7%；agentic 分項 56.5%（前代 52.1%）；對話分項 95.1%。
• SpaceXAI 官方自報（準確度）：轉錄準確度在 24 種語言、數千條短語上，較 Deepgram Nova 3 與 ElevenLabs Scribe v2 提升 1.5 至 2.0 倍，較自家前代提升 1.4 倍；吵雜環境下差距拉開至約 10 倍。
• SpaceXAI 官方自報（效率）：推理 token 的中位使用量降至前代的 0.4 倍，約省六成。

換句話說，總分 82.9% 有第三方背書，「準確度高 10 倍」則是官方自訂條件下得出的結果，兩者不該被寫成同一種可信度。

技術意義：邊想邊說

低延遲與高品質在語音模型上長期互斥——想得越多，開口越慢。這一代的做法是讓推理與發話平行進行：模型一邊說，一邊繼續思考後續內容，而不是想完才開口。搭配推理 token 中位使用量降至 0.4 倍，實際效果不只是「聽起來順」，更關鍵的是工具調用（tool use）反應變快——語音助理要查訂單、改預約、送出工單時，中間的空白會明顯縮短。agentic 分項從 52.1% 升到 56.5%，正對應這個方向；但 56.5% 這個絕對值也誠實說明了，語音代理人自動完成多步驟任務，離「放著不管」還有距離。

版本切換：8 月 5 日自動升級

對開發者最需要注意的是排程。API 別名 grok-voice-latest 自 2026 年 8 月 5 日起自動改指向本模型。

• 想用新版：什麼都不必做，屆時自動升級。
• 想留在舊版：必須手動釘選 grok-voice-think-fast-1.0。

這種「預設升級」對多數團隊是便利，但對已針對舊版調校過語氣、逐字稿後處理或延遲預期的產品，可能在當天出現非預期的行為變化。

對管理者的意義

從 Grok Voice 於 2026 年 6 月首度公開上線，到 GPT-Live 世代、Anthropic 語音模式相繼推出，語音介面在兩個月內從展示品變成可比較規格的商品。對大量使用電話與口說的行業——客服、門市、餐飲訂位、飯店櫃檯——真正該追蹤的不再是「AI 會不會說話」，而是三個可量化的指標：

• 首音延遲
• 吵雜環境下的轉錄準確度
• 工具調用的成功率

若貴公司正在評估語音客服，不妨拿自家最吵的那個現場（廚房、賣場、工地）錄一段真實對話去測，而不是在安靜辦公室裡聽 demo——廠商自報的「吵雜環境 10 倍」，值得你用自己的噪音驗證一次。