智东西

作者 | 江宇

编辑 | 李水青

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，但比 GPT-Realtime-2.1 High（10.75 美元 / 小时）便宜约 2.2 倍。

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。

一、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。"

二、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