喜欢特斯拉声音？xAI 正式开放 Grok 语音 API，TTS 每百万字符 4.2 美元、识别率击败 ElevenLabs

xAI 本周正式推出独立的 Grok 语音转文字（STT）与文字转语音（TTS）API，这套技术栈已在 Grok Voice、特斯拉车辆与 Starlink 客服系统中实际运行。STT 定价为批次每小时 0.10 美元、串流每小时 0.20 美元，支持 25 种以上语言。
（前情提要：Grok 4.3 beta 开放 Heavy 订阅用户！马斯克：真正旗舰版本初训 5 天后完成）
（背景补充：Google 上线 Gemini 3.1 Flash TTS：音频标签让 AI 配音更生动、支持 70+ 语言，Google AI Studio 免费体验）

本文目录

切换

• STT：词级时间戳＋说话者区分，批次转录每小时仅 0.1 美元
• TTS：5 种语音个性＋语音标签，每百万字符 4.2 美元
• 同一技术栈已驱动特斯拉与 Starlink

同一套让特斯拉车辆开口说话、让 Starlink 客服回应用户的语音技术，现在通过 API 对外开放了。xAI 17 日正式宣布推出独立的 Grok 语音转文字（STT）与文字转语音（TTS）API，让外部开发者得以直接调用这套已在 xAI 旗下产品中运作的语音基础设施。

STT：词级时间戳＋说话者区分，批次转录每小时仅 0.1 美元

根据官方说明，Grok STT API 提供两种接入模式：通过 REST API 进行批处理，以及通过 WebSocket API 进行低延迟实时串流。定价方面，批处理为每小时 0.10 美元、串流为每小时 0.20 美元，官方表示相较 ElevenLabs 和 Deepgram 等主流竞争对手，定价具有显著优势。

功能方面，Grok STT 支持 25 种以上语言，具备词级时间戳、说话者区分（speaker diarization），以及多声道音频和智能反向文字规范化。适合会议转录、法律与医疗记录、客服通话日志等需要高精确度的企业场景。

在实体识别基准测试中，Grok STT 展现出优势。在电话通话中识别姓名、账号、日期等关键实体时，Grok STT 的错误率为 5.0%，而 ElevenLabs 为 12.0%、Deepgram 为 13.5%、AssemblyAI 则高达 21.3%。

TTS：5 种语音个性＋语音标签，每百万字符 4.2 美元

Grok TTS API 提供五种各具风格的语音选项：Ara（女声，温暖亲切）、Eve（女声，活泼积极）、Leo（男声，权威有力）、Rex（男声，自信清晰）、Sal（中性，流畅均衡）。

API 自动检测输入语言，原生支持 20 种以上语言，并通过 BCP-47 语言代码控制发音。

音频输出格式涵盖 MP3、WAV、PCM（Linear16）、G.711 μ-law 以及 G.711 A-law，后两者为电话系统常见的电话编解码格式，显示 xAI 对电信业整合的布局。

TTS API 的特色功能是“语音标签”，开发者可以在文字中内嵌指令，精细控制停顿、笑声、耳语、语调强调、语速与音高，让合成语音更贴近人类自然表达。定价为每百万字符 4.20 美元。

同一技术栈已驱动特斯拉与 Starlink

xAI 强调，两项 API 背后并非全新研发的技术，而是已在 Grok Voice、特斯拉车辆语音互动，以及 Starlink 客户支持系统中实际执行的相同基础设施。

这套基础设施首先在 2025 年底以 Grok Voice Agent API 的形式亮相，当时提供即时语音对话代理能力，并在 Big Bench Audio 基准测试中排名第一，首次音频响应时间低于 1 秒，约为最近竞争对手的 5 倍速度。

此次推出的 STT 和 TTS 独立端点，等于将这套整合式语音管道的个别元件拆分开放，让开发者可以依需求组合。