马斯克xAI上线Grok语音API 大模型语音交互赛道再升温

2026年3月16日，马斯克旗下人工智能公司xAI正式官宣上线大模型Grok的文本转语音（TTS）API，开发者可直接调用封装了Grok标志性“毒舌”幽默调性的语音能力，集成至智能助理、内容生成等各类应用。该功能的上线补齐了Grok的多模态能力缺口，直接对标OpenAI GPT-4o的语音交互能力，标志着大模型语音赛道竞争进入人格化比拼新阶段。

xAI的官宣动态发布后不到两小时，首批拿到测试权限的开发者就放出了demo片段：让Grok语音朗读一段调侃科技公司“造概念”的文案，输出的语音语调自带玩世不恭的调侃感，尾音甚至带了点类似马斯克本人的拖腔，和市面上常见的中性、平稳的AI语音形成强烈反差，相关内容在社交平台的转发量很快突破10万。

去年OpenAI发布GPT-4o时，其低至300毫秒的语音交互延迟，直接把大模型的竞争维度从文本推理拉到了实时多模态交互。对于C端用户而言，语音是比打字更自然的交互方式，智能硬件、车载系统、AI内容生成等场景，都对成熟的TTS能力有刚性需求。

此前Grok仅支持文本交互，一直是xAI生态的明显短板，此次语音API的上线，也意味着Grok正式具备了和GPT-4o、Gemini等头部大模型正面竞争多模态场景的资格。

和其他厂商的TTS API支持自定义音色、语调不同，xAI此次推出的Grok语音API，直接把其在文本交互阶段就打出的“毒舌”“幽默”的人设封装进了语音模型，开发者无需额外调教语气参数，调用接口即可生成符合Grok统一人格的语音内容。