xAI 官宣 Grok Voice Think Fast 2.0：0.70 秒首音、每分钟 $0.08

7月29日，xAI 官方 X 账号推出下一代语音模型 Grok Voice Think Fast 2.0，称其在智能水平、转写准确率与对话能力上都有提升，即日起通过 API 与 Voice Agent Builder 提供，定价每分钟 $0.08。同日发布的把它称为"迄今最强的 speech-to-speech 语音模型"。

公告给出的硬数字：0.70 秒出首音，上一代是 1.25 秒；综合语音质量指数 82.9%。xAI 还把 2.0 放上 Starlink 客服热线做 A/B 测试，称销售转化率与自助解决率显著提升。

公告配图：与竞品模型的 speech-to-speech 基准对比表，底部标注数据来源为 Artificial Analysis。

第三方拆榜：总榜第 2、τ-voice 第一、名字被吐槽

独立评测机构（@ArtificialAnlys，12.7 万关注者）在宣布当天发帖拆解：Grok Voice Think Fast 2.0 的 High 推理版本以 82.9% 位列其 Speech to Speech Index 第 2，仅次于阿里 Qwen Audio 3.0 Realtime Plus 的 84.1%，高于 GPT-Realtime-2.1 High 的 79.1%。

在 τ-voice 客服场景完成率榜上，它以 56.5% 登顶，超过 Qwen 的 54.6% 和上一代 1.0 的 52.1%。速度是单项强项：0.70 秒首音，是该项指数前五名中唯一平均首音延迟低于 1 秒的模型，第二名 GPT-Realtime-2 High 要 1.14 秒。

AA 还算了价格：每小时音频 $4.80，比 Qwen 的 $4.42、GPT-Realtime-2 High 的 $4.14 都贵，但比 GPT-Realtime-2.1 High 的 $10.75 便宜约 2.2 倍。

评论区另一种声音指向名字。德州账号（9.4 万关注者）在原帖下留言："能起个比 Grok Voice Think Fast 2.0 更好的名字吗？"AI 简报账号把价格和延迟连起来读："每分钟 $0.08 的音频，延迟正在变成一种产品决策。"

的概括更直接："语音 Agent 不再是演示了，它们正在被用受控实验优化收入。"原帖发布至今累计约 984 万次浏览、8000 余次点赞。

上线刚四周，Voice Agent Builder 就换了新引擎

7月1日，xAI 发布：无代码搭建语音 Agent 的平台，当时的主推价就是每分钟 $0.05。7月6日，官方账号从 @xai 。7月7日，API 。

2.0 出现在这条语音产品线启动后不到一个月。当前上，"亚秒级延迟""25+ 语言""$0.05/min"仍是主推卖点，页面里的 τ-voice 榜单挂的还是 1.0。这次 2.0 定价 $0.08/min，比 Builder 上线时高出 60%。

0.70 秒首音：边说话边推理，token 用量压到 0.4 倍

Think Fast 系列的机制是边说话边推理：推理与语音生成并行，因此增加思考不拖慢响应。xAI 称 2.0 把推理 token 用得更省，P50 相对用量只有 1.0 的 0.4 倍，生产环境里工具调用通常在 Agent 第一句话说完前就已执行。

转写是这次升级的另一半。xAI 称在 24 种语言的数千条短句评估中，词错率相对 Deepgram Nova 3 与 ElevenLabs Scribe v2 改善 1.5–2.0 倍，相对 1.0 改善 1.4 倍；在噪声场景下与专用转写模型的差距拉大到约 10 倍。官方公告把目标场景写得很具体：嘈杂环境与电话压缩音质。

对话动态的涨幅最大：Full Duplex Bench 从 1.0 的 77.8% 升到 95.1%，AA 称这是总指数上升 7.3 个百分点的最大单项来源。xAI 博客给出的做法是强化学习，让模型学真实人类对话：句子更短、一次只问一个问题、不说废话。

涨价到 $0.08/分钟，附一份 Starlink 客服 A/B 数据

上一代 1.0 至今仍挂在的语音价目表里：$0.05/min（$3.00/hr），2.0 是 $0.08/min（$4.80/hr），两代并列。涨价附带了生产数据：xAI 称在 Starlink 客服热线 +1 888 GO STARLINK 上做 A/B，销售转化率与自助解决率显著上升。

迁移也有时间表：8 月 5 日起，别名 grok-voice-latest 从 1.0 切到 2.0，现有调用无需改提示词；想继续用 1.0 的开发者需在切换前 pin 住 grok-voice-think-fast-1.0。切换日已过。

语音模型的记分牌，开始按转化率翻页

当一家公司发布语音模型时，同时公布客服热线的转化率 A/B 数据；评测机构把"能不能接住一通客服电话"做成 τ-voice 排行榜——语音模型就从会说话的演示，变成按经营指标计分的岗位竞争者。

0.70 秒首音、每分钟 $0.08、Starlink 转化率，是同一张记分牌上的三项。采购方要回答的问题是：省下的人工，值不值每分钟 $0.08。