Grok发布AI语音模型Grok Voice Think Fast 2.0！登智能体测评榜首，比OpenAI家便宜一半

响应仅0.7秒。

智东西7月30日报道，今日，马斯克旗下SpaceXAI宣布推出新一代语音模型Grok Voice Think Fast 2.0，这是该公司迄今能力最强的语音到语音（speech-to-speech）模型。

马斯克连发两条推文，第一条宣布“Grok Voice现在在智能体性能方面排名第一”，第二条则直接喊话网友“试试新的Grok Voice”。

▲马斯克发文

在权威评测机构Artificial Analysis的语音到语音指数（Speech to Speech Index）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、阿里千问等厂商的语音模型。

更值得关注的是，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），较前代3.00美元有所上涨，但价格仅约为GPT-Realtime-2.1 High的45%。

在评论区中，不少网友对新模型表现出较高期待。

有网友称，希望利用Grok Voice生成多角色有声剧。

还有开发者称，此前一直主要使用Gemini，如今终于有了新的选择。

多位开发者实测后给出好评：

响应飞快，对话更自然

AI公司Helionova AI的CEO Nick White在X上分享了他的实测体验。

他称，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，“绝对是一次飞跃式的进步”。

在Nick White放出的实测音频中，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，双方围绕预约迟到展开了一段多轮实时电话对话。

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。

另一位开发者则把Think Fast 2.0集成进终端工具GrokTerm，展示Grok Voice Think Fast 2.0的对话速度。

视频中，测试者首先让模型介绍新版本亮点，模型以极快速度回应。随后测试者连续发出“将应用主题切换为赛博朋克风格”“切回原主题”“切到另一边屏幕”“再切回赛博朋克”等指令，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也发文称：“整个语音团队为此倾注了大量的努力、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。语音领域仍然充满摩擦，Think Fast 2.0向着‘开箱即用’的目标迈进了一大步——这本就是语音模型应有的样子。”

响应仅0.7秒

推理更快、识别更准

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。

首先是模型能力。

根据Artificial Analysis公布的数据，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%；衡量多人实时语音交互体验的Full Duplex Bench达到95.1%，相比上一代77.8%提升明显；Tau Voice语音智能体测试则达到56.5%，成为目前该榜单第一。

与此同时，新模型也是目前排行榜前五中响应速度最快的模型。

其平均首次语音响应时间仅0.70秒，快于GPT-Realtime-2 High（1.14秒）、GPT-Realtime-2.1 High（1.21秒）以及Think Fast 1.0（1.25秒）。

除了速度，Grok Think Fast 2.0还重点优化了语音识别。

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。

而在背景噪声较大、电话压缩等真实场景下，这一优势进一步扩大，识别误差可降低约10倍。

另一个变化来自推理效率。

不同于许多语音模型需要先完成推理再生成语音，Think Fast系列支持一边说话一边完成推理，因此能够在保持低延迟的同时处理复杂任务。

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。

除了推理效率，对话方式也进行了调整。研发团队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。相比此前版本，新模型会更多使用短句表达，一次只提出一个问题，并尽量避免冗长、重复的表达。

从用户角度来看，整个交流过程会更加自然，即使模型背后正在完成复杂流程规划，用户也不会明显感受到等待。

结语：语音模型竞争

进入“智能体时代”

过去一年，OpenAI、Google与阿里千问等厂商持续升级实时语音模型，竞争重点也逐渐从语音识别、语音合成，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。

一方面，Think Fast 2.0进一步提升了语音推理、实时交互和语音识别能力；另一方面，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，其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。

从Artificial Analysis最新榜单来看，Think Fast 2.0已经在语音智能体能力（Tau Voice）上取得第一，并跻身Speech-to-Speech综合榜单前列。

随着8月5日默认模型完成升级，其实际表现也将在更多开发者和企业应用中接受进一步验证。

来源：SpaceXAI、X、Artificial Analysis

文章来自于微信公众号 “智东西”，作者 “智东西”