xAI 推出 21 种全新 Grok Voices，构建生产级语音智能体的全栈解决方案

xAI 正式在 xAI Console 上发布了 21 种全新的 Grok Voice 旗舰语音，将其内置语音阵容从 5 种大幅扩展至 26 种。此次更新不仅增强了多语言支持，更通过实时 Voice Agent API、文本转语音（TTS）API 以及无代码的 Voice Agent Builder，为开发者和企业提供了构建生产级语音智能体的完整能力。

核心升级：从聊天机器人到语音基础设施

此次发布标志着 Grok 从一个单纯的对话模型向涵盖呼叫中心、语音助手及品牌化语音体验的全栈平台演进。

• 多样化语音库：新增 Carina、Zagan、Helix、Orion、Luna 等 21 种语音，覆盖支持、销售、教育、播客、有声读物等特定用例。原有的 Ara、Eve、Leo、Rex 和 Sal 五种语音也经过重新训练，拥有更自然的节奏与重音。
• 原生多语言能力：新语音在超过 25 种语言中具备原生多语言能力，打破了传统 TTS 在跨语言场景下的生硬感。
•  expressive TTS：支持丰富的表达性标签，包括暂停、笑声、呼吸、耳语、音量/音高/速度变化甚至歌唱，使合成语音更具情感张力。

技术栈与开发者工具

xAI 为开发者提供了一套灵活且强大的技术接口：

1. 实时 Voice Agent API：基于 WebSocket 流式传输音频与文本，支持服务器端语音活动检测（VAD）、工具调用、网络/X/文件搜索、MCP 集成及发音替换。当前的旗舰实时模型为 Grok Voice Think Fast 1.0。
2. 文本转语音 (TTS) API：支持最多 15,000 字符输入，默认输出 MP3（24 kHz, 128 kbps），并返回字符级时间元数据，便于前端同步展示。
3. Voice Agent Builder（无代码工具）：允许用户在约两分钟内创建语音智能体。功能涵盖电话集成、知识检索、护栏设置、SIP 号码支持、通话录音及日志可观测性。

商业模式与定价

xAI 采用了简洁透明的计费模式，旨在降低企业接入门槛：

• API 费率：每分钟音频 $0.05（包含语音费用，无额外平台费）。
• 电话服务：使用免费提供的号码时，每分钟额外收取 $0.01。
• 自定义语音克隆：允许用户从最长 120 秒的参考片段中克隆语音，但目前仅限美国（伊利诺伊州除外）的企业团队通过 API 使用。

战略意义

通过推出 Voice Agent Builder 和丰富的语音库，xAI 正试图在企业级语音交互市场占据一席之地。其优势在于将前沿的推理能力（Grok 模型）与低延迟的实时语音技术相结合，使得智能体不仅能“听”和“说”，还能在通话过程中实时调用工具、搜索信息并执行复杂任务。

对于希望快速部署智能客服、虚拟销售助理或个性化内容播报的企业而言，xAI 提供了一套从底层模型到上层应用的一站式解决方案。