grok-voice-3.0Grok Voice 3.0 是 xAI 在 2026 年 10 月 14 日发布的实时语音对话模型,专为语音智能体(voice agent)设计。它是端到端的 speech-to-speech:说进去的是语音,回过来的也是语音,中间不再串联「语音识别 → 大模型 → 语音合成」三段。xAI 的发布公告援引 Artificial Analysis 2026 年 10 月 13 日的数据:Speech-to-Speech 榜单第一,86.9 分。和上一代 Grok Voice 2.0 相比,第三方报道给出的变化是:综合指数 81.3 → 86.9,tau-Voice 客服任务基准 56.5% → 71.6%,全双工轮次切换 95.1% → 97.0%;首个音频返回时间则从 0.70 秒变成 0.81 秒,略慢了一点。 在 apimodels.app 上调用只有一个入口:WebSocket 连 wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0。服务端直接在请求头里带 Authorization: Bearer 你的 API Key;浏览器不能给 WebSocket 设请求头,就先由你的服务端调 POST https://api.apimodels.app/v1/realtime/client_secrets 换一个 10 到 600 秒有效的临时令牌,浏览器再用子协议 xai-client-secret.<令牌> 连接,API Key 永远不出现在前端。事件协议就是 xAI 的 Voice Agent API,和 OpenAI Realtime 的事件模型大体兼容。音频默认 16 位 PCM、24 kHz、单声道;28 个内置音色每一个都能说所有支持的语言,覆盖 20 多种语言并自动识别,中文在内,不需要专门挑一个「中文音色」。函数调用不额外收费;web_search、x_search、file_search、mcp 这类服务端工具暂不开放。 价格:按连接时长每分钟 $0.104,按秒结算,90 秒的一通对话 $0.156;用 conversation.item.create 发送的每条文本消息另收 $0.0052。连接时余额至少要够一分钟($0.104),每分钟开始时扣这一分钟,会话结束时把没用完的秒数退回;中途余额用完会收到 insufficient_balance 错误并断开;连不上模型不扣费。单次会话最长 60 分钟,每个账号最多 5 路并发,10 分钟没有任何客户端事件会自动断开。一个 Key 同时调 150 多个模型,不用单独注册 xAI 账号、不用海外信用卡,每次会话都会作为一条记录出现在控制台调用记录里,写明时长和费用。
$0.104/分钟，按秒计费 · 打字发送每条 $0.0052 · 需要麦克风权限
Grok Voice 3.0
xAI 援引 Artificial Analysis(2026-10-13):86.9 分排名第一,上一代 Grok Voice 2.0 是 81.3
对比 Grok Voice 2.0,第三方报道:tau-Voice 从 56.5% 到 71.6%,全双工轮次切换从 95.1% 到 97.0%;首个音频返回从 0.70 秒变为 0.81 秒
服务端带 API Key 直连 wss://api.apimodels.app/v1/realtime;浏览器用你的服务端换来的短时令牌连接,Key 不出前端
每个内置音色都能说所有支持的语言,含中文,自动识别语种
在 session.update 里声明函数工具即可;web_search、x_search、file_search、mcp 等服务端工具暂不开放
90 秒的会话 $0.156,每条文本消息 $0.0052,最后一分钟没用完的秒数退回
Grok Voice 3.0 是由 xAI 提供的语音合成 API。Grok Voice 3.0 是 xAI 在 2026 年 10 月 14 日发布的实时语音对话模型,专为语音智能体(voice agent)设计。它是端到端的 speech-to-speech:说进去的是语音,回过来的也是语音,中间不再串联「语音识别 → 大模型 → 语音合成」三段。xAI 的发布公告援引 Artificial Analysis 2026 年 10 月 13 日的数据:Speech-to-Speech 榜单第一,86.9 分。和上一代 Grok Voice 2.0 相比,第三方报道给出的变化是:综合指数 81.3 → 86.9,tau-Voice 客服任务基准 56.5% → 71.6%,全双工轮次切换 95.1% → 97.0%;首个音频返回时间则从 0.70 秒变成 0.81 秒,略慢了一点。 在 apimodels.app 上调用只有一个入口:WebSocket 连 wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0。服务端直接在请求头里带 Authorization: Bearer 你的 API Key;浏览器不能给 WebSocket 设请求头,就先由你的服务端调 POST https://api.apimodels.app/v1/realtime/client_secrets 换一个 10 到 600 秒有效的临时令牌,浏览器再用子协议 xai-client-secret.<令牌> 连接,API Key 永远不出现在前端。事件协议就是 xAI 的 Voice Agent API,和 OpenAI Realtime 的事件模型大体兼容。音频默认 16 位 PCM、24 kHz、单声道;28 个内置音色每一个都能说所有支持的语言,覆盖 20 多种语言并自动识别,中文在内,不需要专门挑一个「中文音色」。函数调用不额外收费;web_search、x_search、file_search、mcp 这类服务端工具暂不开放。 价格:按连接时长每分钟 $0.104,按秒结算,90 秒的一通对话 $0.156;用 conversation.item.create 发送的每条文本消息另收 $0.0052。连接时余额至少要够一分钟($0.104),每分钟开始时扣这一分钟,会话结束时把没用完的秒数退回;中途余额用完会收到 insufficient_balance 错误并断开;连不上模型不扣费。单次会话最长 60 分钟,每个账号最多 5 路并发,10 分钟没有任何客户端事件会自动断开。一个 Key 同时调 150 多个模型,不用单独注册 xAI 账号、不用海外信用卡,每次会话都会作为一条记录出现在控制台调用记录里,写明时长和费用。 通过 APIMODELS 平台，您可以使用统一的 API 接口调用该模型，按量计费、价格透明。当前定价：per minute, billed per second: $$0.104 / min, per text message (input_text): $$0.0052。
为视频、动画、广告等内容生成专业级配音，支持多种音色。
快速生成播客节目的语音内容，支持多角色对话。
将文本内容转化为自然流畅的语音，适用于有声书制作。
AI 驱动的多语言配音翻译，帮助内容触达全球受众。
Grok Voice 3.0 通过 APIMODELS 平台调用，当前定价：per minute, billed per second: $$0.104 / min, per text message (input_text): $$0.0052。按量计费，用多少付多少。
在 APIMODELS 注册账号并获取 API Key，然后通过我们的统一 API 端点调用即可。我们提供详细的 API 文档和 cURL、Python、Node.js 代码示例。
APIMODELS 通过聚合平台提供与官方相同的 Grok Voice 3.0 模型。我们提供统一的 API 接口，无需分别注册各平台账号，一个 API Key 即可调用所有模型。
Grok Voice 3.0 是 xAI 在 2026 年 10 月 14 日发布的实时语音对话模型,面向语音智能体:你把语音流式发进去,同一个模型直接用语音回答。xAI 的公告援引 Artificial Analysis(2026 年 10 月 13 日)的数据,它在 Speech-to-Speech 榜单以 86.9 分排第一。第三方报道拿它和 Grok Voice 2.0 对比:综合指数从 81.3 到 86.9,tau-Voice 客服任务基准从 56.5% 到 71.6%,全双工轮次切换从 95.1% 到 97.0%;首个音频返回时间则从 0.70 秒变成 0.81 秒。在 apimodels.app 上模型 id 是 grok-voice-3.0。
按连接时长每分钟 $0.104,按秒结算,所以 90 秒的会话是 $0.156。用 conversation.item.create 发送的每条文本消息(input_text)另收 $0.0052,函数调用不额外收费。连接时余额至少要够一分钟($0.104);每一分钟在开始时扣费,会话结束时把没用完的秒数退回。会话中途余额用完,会收到类型为 insufficient_balance 的 error 事件并断开;连接模型失败不扣费。本页的麦克风在线体验也按同样价格计费。
服务端直接连 wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0,请求头带 Authorization: Bearer 你的 API Key。浏览器没法给 WebSocket 设请求头,所以先由你的服务端带同样的请求头调 POST https://api.apimodels.app/v1/realtime/client_secrets(可选请求体 {"expires_after":{"seconds":60}},10 到 600 秒,默认 60),拿到 {"value", "expires_at"} 后把 value 交给页面,页面用 new WebSocket(url, ["xai-client-secret." + value]) 连接。API Key 千万不要放进前端。这个端点只在 api.apimodels.app 上,apimodels.app/api/v1 下面没有,因为那里不转发 WebSocket。
默认双向都是 16 位 PCM、24 kHz、单声道、小端序,base64 编码后放在 JSON 事件里;也可以通过 audio.input.format / audio.output.format 改用 audio/pcmu、audio/pcma 或 audio/opus,audio.output.speed 可在 0.7 到 1.5 之间调语速。内置 28 个音色,在 session.update 里用 voice 指定。女声:ara、aurora、carina、celeste、eve(默认)、iris、liora、luna、ursa;男声:altair、atlas、castor、cosmo、helios、helix、kepler、leo、lumen、lux、naksh、orion、perseus、rex、rigel、sal、sirius、zagan、zenith。
支持。它覆盖 20 多种语言、口音地道,并且自动识别说话的语种,xAI 的语言列表里有简体中文。每个内置音色都能说所有支持的语言,不需要另找「中文音色」。如果事先知道用户说中文,可以把 audio.input.transcription.language_hint 设成 zh-CN 这样的 BCP-47 语言标签。
函数调用支持,而且不额外收费:在 session.update 里声明函数工具,收到 response.function_call_arguments.done 后在你自己的代码里执行,再用 conversation.item.create 把结果作为 function_call_output 发回去,接着发 response.create。服务端工具(web_search、x_search、file_search、mcp)目前在 apimodels.app 上还不开放,session.update 里带了它们会收到 error 事件。
单次会话最长 60 分钟,每个账号最多 5 路并发会话,连续 10 分钟没有任何客户端事件的会话会被关闭。每次会话在控制台调用记录里是一条记录,写明时长和费用,方便逐通对账。
事件模型大体一致,OpenAI Realtime 的客户端代码改动不多就能迁过来:session.update、conversation.item.create、response.create 和 input_audio_buffer 系列事件用法相同,音频增量也是 response.output_audio.delta。不同点:输入语音的转写以累积形式的 conversation.item.input_audio_transcription.updated 事件返回,而不是增量 delta;另外有几个 OpenAI 事件不会出现:conversation.item.retrieve、输出音频缓冲区的 started / stopped / cleared 事件,以及 rate_limits.updated。计费方式也不同:这里按会话时长每分钟一个价,OpenAI 是把音频输入和输出 token 分开计费。
在 APIMODELS，Grok Voice 3.0 与 60+ 个模型共用一个 API Key、一个余额，所以选型只看合不合适，不存在锁定。它支持 Speech-to-Speech、Realtime WebSocket、28 Voices、20+ Languages、Function Calling、Billed per Second，你可以在价格和能力上把它和其它语音合成模型对比，换模型只需改一个模型名字符串——无需新账号、无需重新对接。所有语音合成模型与实时价格见 apimodels.app/models。
Grok Voice 3.0 支持：Speech-to-Speech、Realtime WebSocket、28 Voices、20+ Languages、Function Calling、Billed per Second。完整参数与调用方式见 APIMODELS 的 API 文档。
可以。APIMODELS 提供可直接访问的统一 API,一个 API Key 即可调用 Grok Voice 3.0,无需分别注册官方账号、也无需自行处理官方接口的网络访问。
我们支持 Stripe（Visa、Mastercard 等国际信用卡）和支付宝付款。充值后积分即时到账。