马斯克发Grok新模型 语音交互大跃进

马斯克发Grok新模型 语音交互大跃进

  马斯克旗下的SpaceXAI近日推出了新一代语音模型Grok Voice Think Fast 2.0，这是该公司迄今为止能力最强的语音到语音模型。马斯克在推特上宣布了这一消息，并邀请网友尝试新的Grok Voice。

  根据权威评测机构Artificial Analysis的报告，在语音到语音指数中，Grok Voice Think Fast 2.0高推理能力版本以82.9%的得分位列第二，仅次于千问Qwen Audio 3.0 Realtime Plus（84.1%）。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、Google和阿里千问等厂商的语音模型。此外，该模型平均首音频响应时间仅0.70秒，是榜单前五名中唯一低于1秒的模型，较前代Grok Voice Think Fast 1.0的1.25秒大幅提升。

  定价方面，Grok Voice Think Fast 2.0每分钟0.08美元（约合每小时输入音频4.80美元），比前代3.00美元有所上涨，但仍比GPT-Realtime-2.1 High（10.75美元/小时）便宜约2.2倍。许多网友对新模型表示期待，有人希望利用它生成多角色有声剧，也有开发者称终于有了新的选择。

AI公司Helionova AI的CEO Nick White分享了他的实测体验，称已在旗下产品Tradecraft上完成了面向grok-voice-think-fast-2.0的全栈语音实时升级，效果显著。在实测音频中，他让Grok Voice扮演一名因维修人员爽约而愤怒投诉的客户，自己则扮演客服接线员，双方进行了多轮实时电话对话。整个过程中，模型几乎没有明显停顿，能够根据对话内容持续推进情节，并针对客服回答实时作出反馈。

  另一位开发者将Think Fast 2.0集成进终端工具GrokTerm，展示了模型的对话速度。视频中，测试者让模型介绍新版本亮点，模型迅速回应。随后测试者连续发出多个指令，模型均快速响应并完成操作，全程对答如流。SpaceXAI软件工程师Parker Conrad也表示，整个团队为此倾注了大量努力，模型的智能水平、准确性和能力几乎让人感觉不真实。

综合性能全面提升

  Grok Think Fast 2.0定位为下一代语音模型，其升级重点集中在模型能力、响应速度与推理效率三方面。根据Artificial Analysis的数据，Think Fast 2.0综合得分达到82.9%，相比上一代75.7%提升7.2个百分点。其中，在Big Bench Audio语音推理测试中获得97.2%，Full Duplex Bench达到95.1%，Tau Voice语音智能体测试则达到56.5%，成为目前该榜单第一。新模型也是目前排行榜前五中响应速度最快的模型，平均首次语音响应时间仅0.70秒。

语音识别能力显著增强

  除了速度，Grok Think Fast 2.0还优化了语音识别。在覆盖24种语言、数千条短语的测试中，Think Fast 2.0整体转写准确率相比Think Fast 1.0提升约1.4倍，相比Deepgram Nova 3和ElevenLabs Scribe v2提升约1.5至2倍。在背景噪声较大、电话压缩等真实场景下，识别误差可降低约10倍。

推理效率与自然交互优化

  Think Fast 2.0进一步优化了推理Token利用效率，中位数推理Token消耗仅为上一代约40%，意味着工具调用通常能够在模型第一句话结束前便开始执行，从而进一步缩短整体响应时间。研发团队还利用大量强化学习数据，让模型更接近真实的人类交流方式，使用更多短句表达，一次只提出一个问题，避免冗长、重复的表达，使整个交流过程更加自然。

  过去一年，各大厂商持续升级实时语音模型，竞争重点转向复杂任务处理、多轮对话以及工具调用能力。从此次发布来看，SpaceXAI延续了这一方向。Think Fast 2.0提升了语音推理、实时交互和语音识别能力，并通过“边说边推理”、更低的推理Token消耗以及更快的工具调用速度，希望让语音智能体能够真正承担客服、电话助手、销售等真实业务场景。随着8月5日默认模型完成升级，其实际表现将在更多开发者和企业应用中接受进一步验证。