xAI 发布 Voice Agent Builder 测试版

今天，我们宣布推出 Voice Agent Builder 测试版：一个无代码平台，用于在 Grok Voice 上配置生产级语音智能体。

它面向那些希望获得高并发生产级语音智能体、又不想从零构建周边技术栈的运营人员和开发者。开箱即用，你可以在一个地方获得电话通信、知识检索、工具、护栏、MCP 和可观测性。你也可以保留已有的东西：通过 SIP 接入现有电话号码，将工具连接到你的 API 和 MCP 服务器，或通过 WebSocket 连接你自己的客户端。

大多数语音技术栈会把三个 API 拼接在一起——语音转文本、语言模型和文本转语音——而且每个阶段往往由不同的提供商托管。每一次跳转都会增加成本、延迟和新的故障模式。Voice Agent Builder 是在为 Grok Voice 构建的语音到语音路径上的单一接口，与模型紧密耦合，而不是由三个部分拼装而成。

在我们能找到的最困难通话上训练

真实通话伴随着低质量的电话音频、背景噪声、浓重口音、打断，以及说到一半就改变主意的来电者。其背后的工作流模糊不清，横跨数十种工具，并以 25 种以上语言中的任意一种发生。

我们在这些通话上训练了 Grok Voice。τ-voice Bench 在相同条件下衡量智能体表现。

τ-voice Bench 排行榜

Grok Voice Think Fast 1.0

67.3%

Gemini 3.1 Flash Live

43.8%

GPT Realtime 1.5

35.3%

整体 零售 航空 电信

两分钟构建一个智能体

设置很简单：用平实的语言描述通话应该如何进行，然后附上你的文档、工具和护栏。你可以在大约两分钟内从零开始构建一个可用的智能体。

让它了解你的业务

智能体从一个描述通话应如何进行的提示词开始。模型实时推理，因此它能够遵循长篇指令并处理模糊的请求。

它知道的内容来自知识库。你上传常见格式的文档（纯文本、Markdown、Word、PowerPoint、Excel、HTML、JSON 等），智能体在通话过程中从中检索。文档被组织到集合中，你可以将一个集合附加到一个或多个智能体，并在智能体之间共享，这样政策、产品规格和操作手册就集中在一处，而不必粘贴到每个提示词中。

采取行动

了解业务只是客服或销售通话的一半。智能体还需要采取行动。它们会查询信息、更改记录、转接，或在对话结束后完成闭环。

工具和连接器正是实现这一点的途径。在预订热线上，智能体可以在 Google Calendar 或 Outlook Calendar 中安排预约，然后通过你的邮件服务商发送确认信息。在客服场景中，API 请求可以查询订单状态，或在你自己的系统中发起退款。当答案不只在你的文档中时，网页搜索或 X 搜索可以获取当前的公开信息。工单可以在 Linear 或 Notion 中管理，文件则来自 Google Drive 或 OneDrive。

如果来电者需要人工服务，智能体可以将通话转接给你的团队。任务完成后，它可以干净利落地结束通话。在整个对话过程中，它会发送实时通知，让你的团队可以看到智能体做了什么，并在需要时介入。

search_help_center

transfer_to_human

赋予它声音和号码

智能体可以使用任何内置语音，也可以使用基于约两分钟音频克隆出的品牌语音。每个账户都包含一个免费电话号码，从首次测试通话到生产流量都能胜任，而直接 SIP 可连接来自任何主流电话服务商的现有号码。你还可以在浏览器中测试更改，无需电话。

审查通话

每通电话都会被录音并转写。你可以回放音频、阅读转写文本，并查看智能体使用了哪些工具。护栏会限制智能体不该做的事情，比如读出卡号或讨论脚本之外的话题。

费用是多少

我们认为定价应当简单透明。智能体按我们的 API 费率计费（目前为 $0.05 / 分钟音频），语音已包含在内，不另收平台费。使用免费配置号码的电话服务需额外支付 $0.01 / 分钟。

其他语音技术栈通常对每个单独组件（识别、推理、合成和平台）分别计费，每个组件都有自己的计量方式和定价。我们希望只有少量计量项，你乘以通话量就能算完。

试一试

语音智能体用耳朵判断比用基准测试更容易。构建一个，交给它你最棘手的工作流程，然后打电话给它。