首个语音智能体端到端测评出炉：Grok登顶，真实场景通过率仅一半

Artificial Analysis推出业内首个语音转语音（S2S）智能体端到端性能基准τ-Voice，专门测试语音智能体在真实客服场景下的工具调用和多轮交互能力。

此前语音智能体测评大多停留在转录准确率、单轮响应延迟这些基础指标，很少关注模型能不能真正帮用户完成改机票、处理退货这类完整流程。τ-Voice补上了这个缺口，测试场景完全贴近真实生产环境：给模拟用户加上不同口音、背景噪音，模拟真实网络下的丢包情况，任务覆盖航空、零售、电信三个常见客服领域，共278个真实场景，最终通过任务完成后的数据库状态判断是否成功。

测试结果打破了不少人的认知：哪怕目前最强的S2S模型，端到端完整解决真实客服任务的成功率也刚过一半，和同任务下顶级文本智能体的表现差距明显。

各模型端到端任务成功率对比

各模型端到端任务成功率对比

这份测评结果出来后，马斯克第一时间在X平台转发，时间是2026年5月12日。他旗下xAI的Grok Voice Think Fast 1.0拿下第一，解决率达到52.1%。具体排名里，第二名OpenAI GPT-Realtime-2（High）成功率39.8%，GPT-Realtime-1.5以38.8%排第三，谷歌Gemini 3.1 Flash Live Preview - High以37.7%排第四。Grok成绩比OpenAI几天前刚发布的GPT-Realtime-2 High版本高出12.3个百分点，甩开二三名不少。完整排名如下：

Agentic Performance（τ-Voice）测试结果

Agentic Performance（τ-Voice）测试结果

除了任务成功率，测评还统计了每个模型的平均对话时长，这个指标直接关系用户体验和企业运营成本。所有模型平均对话时长都控制在7分钟以内，最短的是Gemini 2.5 Flash Native Audio Preview，仅2.4分钟；最长的是GPT Realtime Mini，达6.4分钟；排名第一的Grok Voice Think Fast 1.0平均对话时长5.6分钟，排在第二。

各模型平均对话时长对比

各模型平均对话时长对比

发布测评的X用户XFreeze提到，Grok能实现实时后台推理，同时不带来额外延迟，这也是它已经能规模化自主处理Starlink电话客服的原因。马斯克转发后，直接邀请用户尝试Grok Voice功能。此前马斯克曾提到，Grok用到了和物理学研究同等级别的算力，甚至可以输出物理精度的黑洞模拟，相关视频如下：

推文发出后引来上千条讨论，各方观点差异不小。

有从业者认为，在延迟不增加的前提下实现性能提升，是实打实的技术突破，语音AI竞争已经进入新阶段。也有网友调侃，从性能差距看，Grok已经把OpenAI甩得看不见尾灯，马斯克从卫星到语音客服的全链路整合，已经超出很多公司的布局节奏。业内对这个基准的推出普遍认可，有网友指出，之前大部分测评都停留在转录质量，真实流程里的智能体成功率才是生产环境真正关心的指标。

但质疑的声音也不少。

有普通用户反馈，Grok Voice目前语音选项少，部分语音效果不佳，付费SuperGrok用户已经被限制使用次数，实际使用还会遇到连接问题和速率限制。老用户吐槽，Grok长期缺乏长时记忆，除了闲聊和简单搜索，没法用在工作或学习场景。也有用户反馈，多次试用下来实际体验不如ChatGPT，不推荐使用。

从技术视角看，争议主要集中在三点：

第一，不少人提到，现在AI行业基准测试类似F1赛车，测试成绩不代表实际使用体验，测评领先不代表产品更好用。

第二，就算测试成绩好看，真实场景的复杂对话才是试金石。有用户举例，用户凌晨投诉包裹延误、全程情绪激动还频繁改诉求，这种场景下多少顶流模型都会掉链子。更关键的是，目前还没有语音模型能解决长对话中的事实一致性问题——声音自然但全程瞎编，还不如声音机械但说的都对。

第三，已有实际用户反馈，Grok Voice虽然速度快，但经常给出肤浅甚至错误的答案，Grok自己都承认"跑分调优是最大的原因"。

用户反馈Grok Voice存在事实错误问题

用户反馈Grok Voice存在事实错误问题

有网友提出更尖锐的观点：基准里的52%已经是理想测试环境的结果，放到真实呼叫中心的复杂场景里，实际成功率只会更低。还有人补充，现在只测了最终工具调用成功率，中途模型出错后的恢复能力才是真正难点，也是未来基准需要补上的部分。还有网友点出，现在说规模化落地自动语音客服，本质是把人工审核成本转移到了其他部门——速度是功能，可靠才是产品。

目前已经有用户放出Grok Voice实际体验视频，感兴趣可以查看：

可以确定的是，语音AI已经成为当前巨头竞争的核心战场，几乎每隔几周就有性能层面的新突破。语音转语音智能体还是一个快速进化的领域，这次测评只是一个起点，未来随着模型能力提升，排名肯定还会变化。但这个基准已经照出了行业现状：语音智能体还远没到"解决"的阶段，真实复杂环境下的可靠性，才是接下来要啃的硬骨头。跑分只是第一步，真正能在实际场景站稳，还需要解决事实准确、延迟稳定、长对话记忆这些用户真能感知到的问题。