Grok Voice 3.0 API 价格怎么算？会话时长、文本输入与迁移指南
Grok Voice 3.0 API 每分钟 0.08 美元，另加可计费文本输入。看懂默认 VAD 与 push-to-talk 的计量区别、三种成本示例，以及从 2.0 迁移前要核对的事项。
本文目录
核对日期：2026 年 10 月 16 日。本文依据官方文档整理，成本示例是预算演算，不是实际 API 测试账单。
Grok Voice 3.0 的官方 API 基础价格是 0.08 美元/分钟，另加每次可计费文本输入 0.004 美元。真正影响预算的细节是：默认语音活动检测模式按会话持续时间计费，push-to-talk 模式按发送和接收的音频时长计费。把所有场景都理解成“只为说话的时间付费”，会低估默认模式的成本。官方价格表 · 语音计费规则
先选对产品，再比较单价
这篇文章讨论的是实时双向语音代理，也就是 Speech to Speech。Grok Voice 3.0 于 10 月 14 日发布，官方说明价格与 2.0 相同。发布公告
如果任务只是给文章配音，或把录音转换成文字，应分别查看 TTS、STT。当前官方价格表列出：
| 产品 | 官方单价 | 对应任务 |
|---|---|---|
| Speech to Speech | 0.08 美元/分钟，另加文本输入费用 | 实时语音交互 |
| Text to Speech | 15 美元/百万字符 | 文本转语音 |
| Speech to Text REST | 0.10 美元/小时 | 录音转文字 |
| Speech to Text Streaming | 0.20 美元/小时 | 流式转录 |
这些计价单位不同，不能把 STT 的每小时费用直接拿来与完整语音代理比价。官方 API 价格表
“一分钟”怎么算：默认模式与按键说话
官方计费文档区分两种情况：默认 server_vad 按会话持续时间计费；push-to-talk 按发出、收到的音频计费。前者不能直接用“用户实际开口几分钟”代替会话时长。计费规则
做预算前，建议先在自己的产品中记录两个指标：会话从开始到结束用了多久，以及实际输入、输出了多少音频。客服电话、语言练习、按键语音助手的等待时间与交互方式不同，同一个分钟单价不代表同一个总成本。
不要仅为了压低账面时长就选择 push-to-talk。这通常会改变用户控制说话轮次的方式，是否适合需要用实际交互测试判断。
文本费用不是按 token 收取
这里的文本输入费用按可计费事件计算。官方规则是客户端发送的 conversation.item.create 每次 0.004 美元；function_call_output 不收这项文本费，音频内容走音频计量。response.create 本身也不算文本输入，但随后生成的音频仍计入音频费用。文本事件说明
因此，估算时应统计符合规则的事件次数，而不是把提示词字数、聊天轮数或输出 token 数直接套进公式。调试日志也应区分事件类型，避免把工具返回与普通文本输入混在一起。
三个成本示例
基础用量预算可以写成：
基础费用（美元）= 可计费分钟数 × 0.08 + 可计费文本事件数 × 0.004
以下是假设场景，只计算这两项，不代表最终部署账单。
示例一：100 次默认模式会话，每次 10 分钟
假设没有额外可计费文本事件，100 × 10 = 1,000 个会话分钟；1,000 × 0.08 = 80 美元。这里使用的是会话持续时间，不是把双方说话片段拼起来的总时长。
示例二：相同会话量，再增加 500 次可计费文本输入
文本部分为 500 × 0.004 = 2 美元；加上上述 80 美元，基础用量预算为 82 美元。
示例三：一次 push-to-talk 会话
假设计费记录中的输入音频为 2 分钟、输出音频为 3 分钟，且没有额外可计费文本事件，则 (2 + 3) × 0.08 = 0.40 美元。这是根据已知音频时长做的演算，不包含对重叠音频、秒数取整或最小收费单位的假设。
搜索工具、电话线路、服务器、支付或税费、第三方平台加价，都不在上述演算内。工具较多的工作流应另列预算；不要把基础分钟价当成“全部费用已包含”的报价。
从 Grok Voice 2.0 迁移，需要改什么？
官方 10 月 14 日更新说明：grok-voice-latest 已指向 3.0；grok-voice-2.0 标记为 deprecated。显式固定旧版本的集成，应检查并调整模型选择，不要假定写死的 2.0 会自动变成 3.0。发布记录
当前文档给出的固定版本连接地址是：
wss://api.x.ai/v1/realtime?model=grok-voice-3.0
官方说明端点、会话参数、事件及定价保持兼容。固定 grok-voice-3.0 适合需要明确版本的配置；选择 grok-voice-latest 则应接受别名后续可能更新。接入文档
迁移前，建议留存一组自己的回归测试：中文识别、打断处理、工具调用、弱网重连、文本事件计数和实际费用。接口兼容不等于业务表现完全相同，也不能替代上线前的小流量验证。
浏览器端接入时，不要把长期 API key 放进前端代码；按官方方案由服务器向 xAI 请求短期令牌，再转交给客户端。短期令牌文档
通过第三方平台购买前，核对这六项
- 模型映射：页面写着 Grok，不代表实际路由就是
grok-voice-3.0 - 协议支持：明确是否提供所需的实时 WebSocket 语音能力，而不只是文本聊天接口
- 计量口径：按会话时长还是音频时长计费，文本事件是否另收费
- 报价构成：币种、平台加价、工具费用和失败或重连时的规则
- 用量记录：能否把平台账单与自己的会话、音频和事件日志核对
- 账户与条款：购买前确认账户可用性、适用地区限制和服务条款
这是一份采购核对清单，不代表我们已经验证某家中转平台支持 3.0，也不构成对任一平台价格或稳定性的保证。
常见问题
0.08 美元/分钟等于 4.80 美元/小时吗？
数学上相等：60 × 0.08 = 4.80。但仍需先确定计费分钟的口径，并另计可计费文本事件及其他费用。
买了 Grok 消费者订阅，就能按这个价格使用 API 吗？
本文单价对应开发者 API 用量。消费者产品的订阅与语音额度是另一套使用规则，购买前应分别核对。消费者 FAQ · API 账单 FAQ
能否直接按这篇文章预测最终账单？
可以用来估算基础模型用量，但不能替代实际账单。本文没有确认取整、重连边界、工具密集场景的全部费用或特定地区账户资格。先用少量真实会话核对计量，再扩大预算，是更稳妥的做法。
结论：评估 Grok Voice 3.0，先确认交互模式与计量口径，再统计分钟和文本事件。已有 2.0 集成则先核对模型 ID、完成回归测试，而不是只替换一个名称就直接全量上线。