7月2日消息,xAI 正式发布 Voice Agent Builder 公测版,这是一个基于 Grok Voice 的无代码语音代理配置平台,面向需要高频次生产级语音代理的运营者和开发者。用户可在约 2 分钟内从零搭建一个可接打电话的语音代理,无需编写代码。语音代理按每分钟 0.05 美元计费,电话线路额外收取每分钟 0.01 美元,不设独立平台费。 xAI 此次的核心策略是用简化的定价结构和端到端的语音技术栈切入一个已有多个玩家的市场。但 Voice Agent Builder 目前仍处于公测阶段,尚未经过大规模生产环境验证,其在企业客户中的实际表现仍需观察。
Voice Agent Builder 的产品形态
Voice Agent Builder 的核心特征是"一个界面覆盖完整语音栈"。传统语音代理方案通常需要拼接三个独立 API:语音识别(STT)、语言模型(LLM)和语音合成(TTS),每个环节可能由不同供应商提供,每次跳转都增加成本、延迟和故障点。Voice Agent Builder 将这三个环节整合为 Grok Voice 上的单一语音到语音路径(speech-to-speech path),与模型紧耦合而非组装拼接。
使用流程上,用户在平台中用自然语言描述通话流程,挂载文档、工具和防护规则后即可部署。平台提供 80 余种内置语音,支持 25 种以上语言,也可通过约 2 分钟的音频样本克隆品牌专属语音。每个账户附赠一个免费电话号码,支持通过 SIP 协议接入现有电话号码,也可在浏览器中直接测试。
在工具集成方面,Voice Agent Builder 支持连接 Gmail、Google Calendar、Outlook、Linear、Notion、OneDrive 等应用,支持自定义 MCP 服务器接入内部系统、数据库或 CRM,也可通过 WebSocket 连接自有客户端。平台提供自定义防护规则(Guardrails)和可观测性功能,企业合规方面支持 SOC 2、HIPAA eligible 和 GDPR。
定价:每分钟 0.06 美元的全包成本
Voice Agent Builder 的定价结构只有两个计费项:语音代理每分钟 0.05 美元,附赠号码的电话线路每分钟 0.01 美元。语音(包括克隆语音)包含在内,无独立平台费。
这一定价在当前语音代理市场中处于低位。根据多家行业分析的数据,2026 年主流语音代理平台的实际全包成本(含 STT、LLM、TTS 和电话线路)通常落在每分钟 0.07 至 0.30 美元区间。捆绑型平台如 Bland AI 每分钟 0.09 美元起,Retell AI 每分钟 0.07 至 0.14 美元,ElevenLabs Conversational AI 每分钟 0.08 至 0.12 美元(不含电话线路)。BYOK(自带密钥)型平台如 Vapi 的平台费为每分钟 0.05 美元,但叠加第三方 STT、LLM、TTS 和 Twilio 费用后,实际成本在每分钟 0.08 至 0.31 美元之间。xAI 的 0.06 美元/分钟全包价(0.05 美元代理 + 0.01 美元电话)低于上述所有方案的典型成本。
xAI 的成本优势来源于技术栈的垂直整合:STT、LLM 和 TTS 不通过第三方,而是全部运行在自有模型上,省去了多供应商之间的叠加计费。这也是其敢于只设两个计费项的原因。
τ-voice Bench:Grok Voice 在真实语音场景中的 benchmark 表现
xAI 同步公布了 τ-voice Bench(Tau Voice Bench)排行榜数据。τ-voice Bench 是一个评估全双工语音代理的基准测试,测试条件包含噪音环境、口音差异、打断和轮替等真实通话场景。
在总榜上,Grok Voice Think Fast 1.0 得分 67.3%,Gemini 3.1 Flash Live 为 43.8%,GPT Realtime 1.5 为 35.3%。分行业来看,零售场景(订单处理、退货、促销,含噪音环境)Grok Voice Think Fast 1.0 得分 62.3%,航空场景(改签、延误、复杂行程)得分 66%,电信场景(套餐变更、账单争议、技术故障排查)得分 73.7%。电信场景中 Grok Voice Think Fast 1.0 领先第二名(xAI 自家前代模型 Grok Voice Fast 1.0 的 40.4%)超过 33 个百分点。 需要说明的是,τ-voice Bench 由 xAI 自行发布,目前尚未看到第三方独立机构的复现结果。Grok Voice Think Fast 1.0 模型本身于 2026 年 4 月 25 日发布,并非此次 Voice Agent Builder 的新模型,但 Voice Agent Builder 是该模型面向生产部署的第一个无代码配置入口。
语音代理市场的定价战已经开始
xAI 切入语音代理市场的时间点值得注意。2026 年上半年,这个赛道的竞争格局已经相当拥挤:ElevenLabs 凭借语音合成质量占据高端市场,Bland AI 和 Retell AI 以捆绑定价争夺中小客户,Vapi 以灵活性吸引开发者。xAI 的进入方式不是比功能,而是用垂直整合的技术栈直接打价格。每分钟 0.06 美元的全包成本低于市场上几乎所有方案的典型运行成本,且定价结构极简,只有两个计费项。
但低价策略的可持续性取决于两个前提:一是 Grok Voice 的语音质量和推理能力在生产环境中能否匹配 benchmark 表现,二是 xAI 的基础设施能否支撑大规模并发通话。Voice Agent Builder 目前仍处于公测阶段,大客户通常需要看到稳定运行数据才会迁移现有语音栈。xAI 官网提到"企业部署"需要联系销售团队,这意味着高并发场景下的定价和 SLA 可能与公测版不同。
关键变量在于企业客户的迁移成本
语音代理不同于文本 API,企业一旦部署就涉及电话号码、SIP 线路、合规审计和客服流程的深度绑定,切换成本远高于更换一个文本模型供应商。xAI 在产品上为此做了准备:支持 SIP 直连现有号码、支持 HIPAA 和 SOC 2、提供 MCP 集成。但这些功能在公测阶段的实际可靠性和企业采购流程中的合规验证,都需要时间。如果 xAI 能在公测期间积累足够多的真实部署案例和稳定性数据,低价策略有可能打开中小企业市场的入口。但要进入大企业的核心通话链路,定价只是门槛之一。