Grok Voice Agent 不是你在 App 裡跟 Grok 說話那個功能，而是 xAI 在 2026 年 7 月 1 日推出的語音代理建置平台，讓你拿 Grok 的語音模型去做自己的電話機器人。
它跟消費端 Grok Voice Mode 共用同一個 speech-to-speech 模型，但一個是「廠商給你用」，一個是「你拿來建產品」，計費、控制權、整合能力完全不同。
要自己建代理，走開發者 API 就全球可用、不分地區；要在 App 裡聊天，看 grok.com 實際開放狀態。
文章目錄
Grok Voice Agent 是什麼：先把跟 Voice Mode 的界線畫清楚
Grok Voice Agent 是 xAI 的語音代理平台，2026 年 7 月 1 日以 beta 推出無程式碼的 Voice Agent Builder。它分兩層：給營運與產品人員用的無程式碼 Builder，跟給開發者直接呼叫的 Voice Agent API。兩者都跑在 xAI 的 speech-to-speech 模型 Grok Voice 上。
最容易搞混的是它跟消費端 Grok Voice Mode 的關係。Voice Mode 是 Grok App 裡讓你用語音跟 Grok 聊天的功能；Voice Agent 是你拿 Grok 的語音模型去建自己的電話代理，能接真實電話號碼、呼叫工具、讀你公司的資料。同一個底層模型，定位完全不同：一個是消費端聊天，一個是企業端建構。對已經認識 Grok 這個品牌的人，可以把 Voice Agent 想成「xAI 把語音模型開放成可程式化的電話代理平台」。
判斷你看到的是哪一個，最直接的問法：我要不要拿 API key、自己組流程？要，就是 Voice Agent API／Builder；不要、只是在 App 裡講話，就是消費端 Voice Mode。
它解決什麼問題：三段拼接 vs 單一語音路徑
傳統語音代理是「拼出來的」。一通電話先過 STT（語音轉文字），把對方的話變文字；再丟給 LLM 想回答；最後用 TTS（文字轉語音）把回答唸出來。三段常常分屬三個供應商，每一跳都增加延遲、成本與故障點。聽起來會卡、會漏話，出錯時很難追是哪一段壞掉。
Grok Voice 走單一 speech-to-speech 路徑。模型直接吃音訊、吐音訊，語言理解與語音緊耦合在同一個模型裡，xAI 把這條路徑當成跟傳統架構的核心差異。
省的不是模型本身，是「中間那兩次轉換」疊出來的延遲與成本。
架構差別直接決定通話能不能自然、能不能即時反應打斷。客服電話這種「對方會搶話、會改口、會有背景噪音」的場景，對延遲特別敏感，差一兩百毫秒聽感就差很多。
Voice Agent Builder 跟 Voice Agent API 差在哪
兩者用同一套語音模型，差別在你要不要寫程式。
- Voice Agent API：開發者用，走 WebSocket 即時語音（
wss://api.x.ai/v1/realtime?model=grok-voice-latest），可完全控制對話流程、工具呼叫與事件處理。完整的音訊事件與參數都在 xAI 的Voice Agent 開發者文件裡。 - Voice Agent Builder：無程式碼，用自然語言描述通話流程（例如「接電話後先確認對方身分，再查訂單狀態」），xAI 稱大約兩分鐘就能產生一個可撥打的代理。
API 較早推出，Builder 是 2026 年 7 月才疊上去的無程式碼層。模型版本方面，旗艦是 grok-voice-think-fast-1.0，舊版 grok-voice-fast-1.0 已標為 deprecated，grok-voice-latest 一律指向當前最新版。
選哪個，回到你的團隊組成：有工程師、要深度客製，走 API；沒有、想快速驗證一個客服流程，Builder 是最快入口。
它在真實通話裡能完成任務：六個能力一次看清
Voice Agent 的定位是在真實通話裡辦事，能接電話、查資料、改預約，這些才是它跟單純語音聊天的差別。能力包含：
- 即時雙向對話，支援中途打斷（barge-in）。
- 工具呼叫（function calling）：能在通話中查訂單、改預約、寫回 CRM。
- 知識庫與 MCP：接 Gmail、Google Calendar、Outlook、Linear、Notion、Google Drive、OneDrive，也能接自訂 API 與 MCP servers，等於讓代理讀得到你公司內部資料。
- 電話整合：支援 Direct SIP，可帶你現有的號碼進來；每個帳號附一個免費電話號碼。
- 錄音與稽核：每通電話都有錄音、逐字稿、工具使用紀錄。
- 合規：SOC 2、HIPAA eligible、GDPR。
合規那行對要處理個資或醫療資訊的團隊是硬條件。從站上談過的 E-E-A-T 信任架構來看，能交代「資料怎麼存、誰能調、留多久」是這類語音產品能不能上線的前提，SOC 2 與 HIPAA eligible 正是把這件事制度化。
26 個語音與 speech tags：會不會被一耳聽出是機器
語音是這類產品的門面。Grok Voice 原生有 5 個語音（Ara、Eve、Leo、Rex、Sal），xAI 在 2026 年 7 月 6 日新增 21 個旗艦語音（Lumen、Castor、Naksh、Atlas、Carina、Zagan、Helix、Orion、Luna 等），合計 26 個語音，官方稱全部原生多語言。
兩個進階能力分開看：
- 語音克隆：用大約 2 分鐘的自然語音就能克隆品牌聲音，搭配兩階段驗證（通關密語加上說話者嵌入比對），用意是防止被拿來冒用。
- 表現力 speech tags：可用行內標記如
[pause]、[long-pause]、[laugh]、[chuckle]、[sigh]、[breath]、[whisper]，或包覆式的<whisper>、<emphasis>、<laughing>控制語速、音量、語調。
Telnyx 與 Scenario 等第三方整合文件也支援這套 tag 系統。這些 tag 把「機器唸稿」推向「會停頓、會換氣的對話節奏」，是客服語音會不會被一耳聽出是機器的關鍵。
第三方報導提過「80+ 內建語音」這個數字，但官方頁找不到對應，這裡不採用。
τ-voice Bench 與定價：數字怎麼讀、一通電話多少錢
τ-voice Bench 是 xAI 在語音產品頁上公開的自有評測，量測低音質電話音訊、背景噪音、口音、中途打斷、多語言通話這類「真實通話」條件。xAI 公布的成績：Grok Voice Think Fast 1.0 整體 67.3%，它列出的對照組 Gemini Flash Live 是 43.8%、GPT Realtime 1.5 是 35.3%。
這是 xAI 自己的 benchmark、自己定義條件、自己挑對照組，不是獨立第三方評測；獨立驗證還沒跟上之前，我會把這組數字當方向、不當定論。 對照組的模型版本號在官方頁與第三方報導間不一致，所以這裡用 Gemini Flash Live、GPT Realtime 1.5 這種描述性稱呼，不硬綁版本號。
同一份定價走純用量計費、無平台費、無席位費：
| 項目 | 價格 | 怎麼讀 |
|---|---|---|
| 即時語音代理（speech to speech） | US$0.05/分鐘（約 US$3.00/小時） | 主成本，純聽＋講時間 |
| 電話號碼（telephony） | 另加 US$0.01/分鐘 | 走 xAI 配號才加，SIP 帶號另計 |
| 即時文字輸入 | US$0.004/訊息 | 文字頻道備用 |
| 文字轉語音（TTS） | US$15.00/百萬字元 | 非即時場景才用 |
| 語音轉文字（STT） | US$0.10/小時（批次）/ US$0.20/小時（串流） | 批次便宜一半 |
| 網頁搜尋、X 搜尋 | 各 US$5/1,000 次 | 代理查外部資料才計 |
| 文件/集合搜尋（RAG） | US$2.50/1,000 次 | 查內部知識庫 |
eesel AI 用這張價目表試算過：一通 5 分鐘、過程中查兩次網頁的客服電話，大約 US$0.31。金額以美元計價，匯率會變，這裡不另作換算。
怎麼用 Voice Agent Builder 兩分鐘建一個代理
Builder 的價值就是「不用寫程式也能跑出一個會接電話的代理」。流程大致是：
- 用自然語言描述這個代理要做什麼，例如「接聽來電、確認對方是預約客戶、查 Google Calendar 空檔、協助改時間」。
- 綁定它要用的工具與資料來源，例如選日曆、CRM、知識庫，或接自訂 API。
- 指定語音與語氣，需要時套用 speech tags 微調節奏。
- 設定電話號碼：用 xAI 配的免費號碼，或用 SIP 帶你現有的號碼進來。
- 撥一通測試電話驗證流程，確認打斷、查詢、轉接都照預期。
這五步是功能性的先後，不是裝飾；流程沒綁對工具，代理只會講話、不會做事。
自己先跑一通看看：免費號碼怎麼領、領到能做什麼
建好代理，下一步就是弄一支號碼讓它真的接得起電話。xAI 給每個 console 帳號一支免費電話號碼（官方寫明 Free phone number on us），這是最低門檻的試玩入口。
流程大致是：
- 到 console.x.ai 登入你的 xAI 帳號。
- 進到 Voice／Voice Agents 區域，選擇新增號碼，系統免費分配一支美國號碼。
- 號碼本身不收費，但通話走 xAI API 用量計費——US$0.05/分鐘語音，外加 US$0.01/分鐘 telephony。實際撥打前要先在 API 帳號儲值，這條帳跟 grok.com 的消費訂閱是分開的。
- 號碼配好，就能在 console 裡直接撥測試電話，或用 SIP 把你自己現有的號碼接進來。
幾個但書先講清楚，免得期待落差：
- 這是虛擬號（VoIP），很多平台的簡訊驗證（銀行、社群帳號）過不了。它的用途是讓你的 voice agent 接打電話，不是拿來當個人門號。
- 網路上流傳「把號碼移植到 Google Voice 來收簡訊」的做法不可靠：Google Voice 美國限定，而且多半不接受 VoIP 號碼移植，硬試通常失敗。
- 號碼領得到，不代表中文通話就穩——那要回頭看下一段講的中文可靠度。
在地能不能用、中文穩不穩：兩條線分開看
這題要拆兩條線講，混在一起就會答錯。
第一條是開發者線。Voice Agent API 與 Builder 只要有 xAI 的 API key 就能用，不分地區。所以「用 Grok 的語音技術建自己的代理」這件事全球可用，本地開發者拿到 key 就能開始。
第二條是消費端線。Grok App 裡的 Voice Mode 是逐步開放的；根據第三方在 2026 年 6 月整理的清單，美、英、加、澳是全功能，印度與部分東南亞市場（越南、菲律賓、泰國）限付費方案，本地並沒有被明確列入已確認清單。消費端到底能不能用，以 grok.com 實際顯示為準。
中文可靠度有個但書必須講。官方稱支援 25 種以上語言、包含中文（官方 Luna 語音的範例確實能唸中文）。但語音通訊商 Plivo（同屬語音代理賽道，非中立第三方）用真實 PSTN 電話測了 5 個語音、7 種情境，結論是「多語言自動切換不一致、會出現靜音空隙，demo 可用、尚未達 production-ready」；另一家整合 Scenario 則標為 17 種語言。
中文理論上在支援清單，但通話中多語言切換與中文穩定度還沒被中立第三方驗證為可靠；正式上線前一定要自己實測，不能直接當成「中文完美支援」。
跟競品放一起看：差異化在哪、代價是什麼
語音代理這個市場已經有兩種玩家。一種是開發者導向的語音代理平台，像 Retell AI、VAPI、Bland AI，它們各自分別收語音分鐘費、LLM 費、平台費，你把各家模型與電話線路組起來。另一種是模型／語音端，像 OpenAI Realtime API、Google Gemini Live、ElevenLabs，STT 常見的還有 Deepgram。OpenAI 在 2026 年 7 月也發表了全雙工的 GPT-Live 語音模型，但它發表時只先在 ChatGPT 上線、API 尚未開放，所以拿來當可程式化的電話代理對標，目前仍是 Realtime API 這條線。
| 比較對象 | 定位 | 與 Grok Voice Agent 的差別 | 怎麼判斷 |
|---|---|---|---|
| Retell AI / VAPI / Bland AI | 開發者語音代理平台 | 你自己組 STT＋LLM＋TTS，平台另收費 | 要最大供應商彈性、能換模型，選這些 |
| OpenAI Realtime API | 模型端即時語音 | 同屬單一 speech-to-speech 路徑競品 | 已在 GPT 生態、要成熟的工具呼叫與即時音訊控制，選它 |
| Google Gemini Live | 模型端即時語音 | 同屬即時語音競品 | 已在 Google 生態、要把語音跟影像多模態疊在一起，選它 |
| ElevenLabs | 語音合成為主 | 強在 TTS 與語音品質，不是完整電話代理 | 只需高品質合成音、不接電話，選它 |
我會這樣判斷 Grok Voice Agent 的差異化：單一模型路徑、用量計費無平台費、Builder 能兩分鐘生出一個可撥打的代理。代價是它還很新、處於 beta、用的是自有 benchmark，而且中文穩定度未獨立驗證。它的定位也跟 Claude Cowork、ChatGPT Work 這類企業端 AI 平台不同：那些是「人機協作的助理」，Voice Agent 是「取代一通真實電話的自動化代理」，更接近客服基礎設施。
把它放進選型清單之前，三個我會踩煞車的地方
會把它放進選型清單的人，大概是兩種：想快速驗證客服或排程電話代理、不想自己組三段拼接、手上沒有完整語音工程團隊的產品或客服主管；以及本來就在 xAI 生態、想要 speech-to-speech 單一路徑的開發者。
我會踩煞車的情況：
- 中文是主要通話語言、且需要穩定的 production 等級：中立第三方的實測還沒到位，先用小流量驗證再放量。
- 你需要絕對的供應商彈性（隨時換 STT、換 LLM、換 TTS）：單一模型路徑是優點也是限制，要拆組的話 Retell／VAPI／Bland 那類更適合。
- 你不能接受 beta：xAI 自己講明 features roll out gradually, may differ by country or device，定價與功能都可能變。
講白了就一件事：在它脫離 beta、中文被中立第三方驗證之前，把它當成「值得先用小流量試、還不適合 all-in」的選項。上線前能做的三個動作：用 Builder 跑一個最小流程、撥一通真實電話測中文與打斷、把一週的通話成本用上面的價目表算出來。這三件事做完，你才知道它對你成不成立。
常見問題
Grok Voice Agent 跟 App 裡的 Voice Mode 一樣嗎？
不一樣。Voice Mode 是消費端、你在 App 裡跟 Grok 語音聊天的功能；Voice Agent 是企業端、你拿 Grok 的語音模型去建自己的電話代理。同一個底層模型，完全不同的產品與計費方式。
在地可以用嗎？
開發者端（Voice Agent API／Builder）只要有 xAI API key 就全球可用，不分地區。消費端 Voice Mode 是逐步開放，本地是否可用以 grok.com 實際顯示為準。
支援中文嗎？
官方稱支援包含中文在內的 25 種以上語言。但語音通訊商 Plivo 的實測（非中立第三方）顯示，通話中多語言切換與中文穩定度尚未達 production-ready。正式上線前應自行實測，不要直接當成完美支援。
要寫程式嗎？
不一定。Voice Agent Builder 是無程式碼入口，用自然語言描述流程就能產生代理；Voice Agent API 給開發者完整控制，走 WebSocket。有沒有工程師，決定你走哪一條。
一通電話多少錢？
純用量計費、無平台費。即時語音 US$0.05/分鐘，若用 xAI 配的電話號碼另加 US$0.01/分鐘。eesel AI 試算過：一通 5 分鐘、查兩次網頁的客服電話大約 US$0.31。實際金額視通話長度與工具使用量而定。
