Elon Musk：Grok Bot已能语音对话
xAI负责人Elon Musk转发产品账号称，grok bot现在会说话。该机器人8月11日对公众开放早期测试，定位是能登录用户工具、替人把活干完的ai队友，此前以打字交互为主。
语音层接的是grok voice，当前一代为7月29日发布的think fast 2.0。这条链路把听、想、说压进同一模型，而不是语音识别、语言模型、合成三截拼接。官方口径延迟大约0.70秒，走双向websocket，音频同时进出。接口支持25种以上语言、口音和打断，并带声音克隆。
grok bot测试先开在桌面和ios，安卓9月初跟上，面向supergrok heavy以及部分cursor高阶订阅。产品形态是按岗位建机器人：研究、写作、参谋、收件箱、销售，关掉电脑后继续跑，再交回成品。早期内测从公司内部原型扩出，马斯克当时说要先修基础问题、并放出grok 4.6后再扩大名额。
同一套声音已在别的入口落地。tesla车机里有grok语音；starlink客服和销售日均处理超过1.5万通电话。开发者侧，grok voice上了fal.ai，按音频秒计费约0.00083美元，一小时连续对话大约3美元；xai控制台另有语音代理构建器和约一分钟样本的克隆。旗舰音色从最初5个扩到再加21个，覆盖客服、角色、讲解等场景。
这不是grok应用里第一次出现语音。消费端语音模式早已进grok应用和x高级订阅，评测上该语音栈在tau voice bench和big bench audio语音推理上靠前。bot这次开口，等于把“会干活的队友”和“能打电话的声音”焊在同一产品上，而不是再开一个聊天窗。
市场机制是把语音从演示功能做成执行入口。买方是愿意把工具账号交给代理、并改用说话下指令的个人和客服场景；卖方是xai，用同一套grok voice在机器人、车机、星链电话和开发者api上摊销训练成本。受益方是低延迟语音栈和已接入的订阅层；承压方是仍靠键入提示词、不能登录外部工具的纯聊天机器人。资金流向按通话分钟和代理工时，而不是按条数计费的对话框。
来源：公开信息
ABAB AI 解读
马斯克把grok从x上的聊天机器人拆成三条线：应用里的语音陪伴、车上的免提助手、以及能登录工具的bot。2025年底语音模式先给高阶订阅，2026年4月和7月连续推think fast 1.0和2.0，再把同一引擎接到starlink话务。bot8月才公测，9月才开口，顺序是先让代理会用软件，再让人用嘴指挥代理。这和openai把语音塞进chatgpt、再另做agent的路径相反：xai先做能动手的队友，后补耳朵和嘴。
资本路径是一套语音模型多处收租。车机和星链提供真实噪声、口音、打断数据；fal.ai和api按秒卖给开发者；bot把声音接到已经授权的邮箱、浏览器和crm。钱不是为“更好听”单独融资，而是让同一推理栈同时服务硬件入口和代理工时。克隆声音降低品牌客服的换线成本，也把身份冒用风险一起带进产品。
类比要点名。amazon把alexa做成人人能喊的音箱，却迟迟交不出能登录企业软件的代理；openai realtime和google的原生音频走低延迟对话，工具权限仍碎。xai把tesla和starlink当现场试验场，用日均上万通电话练话术，再把同一能力塞进个人bot。行业阶段从“语音是功能”进入“语音是操作系统入口”：谁能在说话的同时改工单、回邮件，谁就占住双手被占满的场景。
结构判断属于技术替代。替代的是键入提示词和人工坐席的第一层应答，不是判断本身。机制是端到端语音把延迟打到一秒以内后，人愿意把任务说出去而不是打出来；一旦代理已能登录工具，声音就从界面升级成权限通道。
ABAB News · 认知定律
先会干活，开口才有意义
同一套声音，在车里和客服里摊销成本
语音成为入口，权限才是产品