7月30日，马斯克旗下xAI正式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，不再依赖传统的“语音识别—大语言模型—语音合成”多阶段流程，而是在理解用户语音后直接生成回应，从而大幅降低延迟。
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”，第二条直接喊话网友“试试新的Grok Voice”。
在衡量智能体性能的Tau Voice基准测试中，Grok Voice Think Fast 2.0以56.5% 的得分排名全球第一，击败了OpenAI、Google、阿里千问等厂商的语音模型。作为对比，GPT-Realtime-2.1 High得分为45.7%。
在Artificial Analysis语音到语音综合评测中，该模型获得82.9% 的质量指数，高于上一代的75.7%，同时超过GPT-Realtime-2.1 High的79.1%和Gemini 3.1 Flash High的69.5%。
速度是Grok Voice Think Fast 2.0最直观的升级。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。相比前代的1.25秒，提升了约44% 。
推理效率同步大幅优化。据钛媒体报道，新模型推理Token消耗仅为1.0版本的40%，相当于减少了60%。模型能够在用户说话过程中同步进行推理，边交流边完成复杂任务，并更快调用外部工具。
在覆盖24种语言、数千条短语的测试中，Grok Voice Think Fast 2.0相比Deepgram Nova 3和ElevenLabs Scribe v2等专业语音转文字模型，准确率提升约1.5至2倍；在噪声环境和电话压缩场景下，优势进一步扩大。
相较于前代，转录准确率也有约1.4倍的提升。
Grok Voice Think Fast 2.0定价为每分钟音频0.08美元（约合每小时4.80美元）。相比前代的0.05美元/分钟有所上涨，但比GPT-Realtime-2.1 High的10.75美元/小时便宜约2.2倍。
该模型已在星链客服场景中完成了真实环境A/B测试。xAI披露的数据显示，使用Grok Voice Think Fast 2.0后，销售转化率和客服自动解决率均实现了显著提升。这不仅是基准测试的成绩，更是真实高并发环境下的可衡量商业影响。
对于开发者而言，最重要的信息是：8月5日，默认模型名称grok-voice-latest将自动升级至Grok Voice Think Fast 2.0。xAI表示，开发者无需修改现有提示词即可迁移。如需继续使用1.0版本，需在截止日期前进行配置。
AI公司Helionova AI的CEO Nick White在X上分享实测体验，称已在旗下产品Tradecraft上完成了全栈语音实时升级，“绝对是一次飞跃式的进步”。在实测中，模型几乎没有明显停顿，能够根据对话内容持续推进情节，并实时作出反馈。
另一位开发者将Think Fast 2.0集成进终端工具GrokTerm，连续发出“切换赛博朋克风格”“切回原主题”等多条指令，模型均快速响应并完成操作，全程对答如流。
xAI软件工程师Parker Conrad表示：“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。”
