核心功能

• 无代码可视化构建器：通过 UI 界面设计语音代理的提示词、对话流程和回复，无需开发者参与 。
• 80+ 预制声音 + 声音克隆：通过 Custom Voices API 从约 1 分钟的音频片段中克隆任何人的声音，包含所有权验证，处理时间约 2 分钟 。
• 基于 Grok Voice Think Fast 1.0：实现亚秒级延迟、多步推理和由 Grok 支持的实时语音到语音对话 。
• 工具调用 / 函数调用：代理可以在对话过程中执行网络搜索、X 搜索、自定义 API 调用和 MCP 工具 。
• 集成电话：通过 SIP、WebSocket 或 LiveKit 连接代理，使其能够在公共电话交换网（PSTN）上拨打和接听真实电话 。
• 文件检索：代理可以从上传的文档中提取信息 ([Reddit summary])。
• 超过 100 种语言支持：通过 Custom Voices API 支持多语言输出 。
• 文本输入定价：每次文本消息输入收费 0.004 美元 。

工作原理

1. 用户在 xAI 平台上打开构建器 UI。
2. 选择一个声音（或从短音频片段中克隆一个）。
3. 通过可视化方式配置代理的指令、工具和对话逻辑。
4. 代理通过 WebSocket、SIP 或 LiveKit 连接，实现实时双向音频流 。
5. 通话按每分钟音频 0.05 美元（约 3 美元/小时）收费，外加每次文本输入消息 0.004 美元 。

定价：0.05 美元/分钟——这究竟意味着什么？

xAI 的 每分钟 0.05 美元 涵盖了 完整的音频推理栈——包括语音到语音的转换、LLM 推理和语音合成，全部由 Grok 驱动 。这是 语音代理的全包成本，而非平台使用费。

与竞争对手的价格对比

核心洞察： Vapi 在对外报价上与 xAI 持平，为 0.05 美元，但这只是 平台/编排费用 ——底层的 STT、LLM、TTS 和电信运营商费用是作为成本转嫁的，使得一次真实通话的成本高出 3 到 6 倍 。Retell 的 0.07 美元也只是语音引擎层的费用 。Bland 的 0.11 到 0.14 美元是全包价，但仍比 xAI 的费率高一倍多 。截至 2026 年 7 月，xAI 的 0.05 美元/分钟是市场上最便宜的捆绑全包价格。

目标受众

• 中小型企业：如餐厅、诊所、房地产公司、酒店、帮助台等，它们希望拥有 AI 电话代理，但不想雇佣开发人员 。
• 非技术运营人员：无代码构建器消除了对工程团队或数月设置周期的需求 。
• 企业客服团队：xAI 的完整技术栈（电话、工具使用、文件检索、亚秒级延迟）旨在大规模替代传统的 IVR 系统甚至呼叫中心人工座席 。

战略意义

Voice Agent Builder 是 xAI 进入企业电话基础设施市场的直通车，与 Vapi、Retell AI、Bland AI 甚至 Twilio 的生态系统正面竞争。以下几个因素使其具有战略意义：

1. 垂直整合的技术栈：xAI 控制了从模型（Grok）、语音合成（Custom Voices）、推理引擎（Think Fast 1.0）到部署层的每一个环节。没有其他竞争对手拥有所有这些层次的控制权 。
2. 定价作为切入点：0.05 美元/分钟的全包价格远低于竞争对手的实际成本，旨在直接冲击整个市场并快速获取用户 。
3. 无代码降低门槛：通过消除对开发者的依赖，xAI 将潜在市场从“开发人员构建语音应用”扩展到了“任何需要接听电话的企业” 。
4. 补充 xAI 的 API 业务：Voice Agent Builder 建立在 Voice Agent API 之上，其使用将直接推动 API 的消耗量和 Grok 的采用率，从而增强 xAI 整个平台的用户粘性 。
5. 实时 AI 基础设施：结合电话功能 (SIP/PSTN)、实时语音到语音对话和使用工具的 AI 代理，xAI 将自己定位为下一代 AI 原生联络中心的基础设施提供商，而不仅仅是另一个聊天机器人公司 。

结论：xAI 正通过一个无代码界面和极具侵略性的全包定价，绕过竞争对手碎片化的定价模式，迅速占领快速增长、由 AI 驱动的电话代理市场——以一个完全自有的、垂直整合的技术栈，直接挑战现有的语音 AI 平台。

核心功能

• 无代码可视化构建器：通过 UI 界面设计语音代理的提示词、对话流程和回复，无需开发者参与 。
• 80+ 预制声音 + 声音克隆：通过 Custom Voices API 从约 1 分钟的音频片段中克隆任何人的声音，包含所有权验证，处理时间约 2 分钟 。
• 基于 Grok Voice Think Fast 1.0：实现亚秒级延迟、多步推理和由 Grok 支持的实时语音到语音对话 。
• 工具调用 / 函数调用：代理可以在对话过程中执行网络搜索、X 搜索、自定义 API 调用和 MCP 工具 。
• 集成电话：通过 SIP、WebSocket 或 LiveKit 连接代理，使其能够在公共电话交换网（PSTN）上拨打和接听真实电话 。
• 文件检索：代理可以从上传的文档中提取信息 ([Reddit summary])。
• 超过 100 种语言支持：通过 Custom Voices API 支持多语言输出 。
• 文本输入定价：每次文本消息输入收费 0.004 美元 。

工作原理

1. 用户在 xAI 平台上打开构建器 UI。
2. 选择一个声音（或从短音频片段中克隆一个）。
3. 通过可视化方式配置代理的指令、工具和对话逻辑。
4. 代理通过 WebSocket、SIP 或 LiveKit 连接，实现实时双向音频流 。
5. 通话按每分钟音频 0.05 美元（约 3 美元/小时）收费，外加每次文本输入消息 0.004 美元 。

定价：0.05 美元/分钟——这究竟意味着什么？

xAI 的 每分钟 0.05 美元 涵盖了 完整的音频推理栈——包括语音到语音的转换、LLM 推理和语音合成，全部由 Grok 驱动 。这是 语音代理的全包成本，而非平台使用费。

与竞争对手的价格对比

核心洞察： Vapi 在对外报价上与 xAI 持平，为 0.05 美元，但这只是 平台/编排费用 ——底层的 STT、LLM、TTS 和电信运营商费用是作为成本转嫁的，使得一次真实通话的成本高出 3 到 6 倍 。Retell 的 0.07 美元也只是语音引擎层的费用 。Bland 的 0.11 到 0.14 美元是全包价，但仍比 xAI 的费率高一倍多 。截至 2026 年 7 月，xAI 的 0.05 美元/分钟是市场上最便宜的捆绑全包价格。

目标受众

• 中小型企业：如餐厅、诊所、房地产公司、酒店、帮助台等，它们希望拥有 AI 电话代理，但不想雇佣开发人员 。
• 非技术运营人员：无代码构建器消除了对工程团队或数月设置周期的需求 。
• 企业客服团队：xAI 的完整技术栈（电话、工具使用、文件检索、亚秒级延迟）旨在大规模替代传统的 IVR 系统甚至呼叫中心人工座席 。

战略意义

Voice Agent Builder 是 xAI 进入企业电话基础设施市场的直通车，与 Vapi、Retell AI、Bland AI 甚至 Twilio 的生态系统正面竞争。以下几个因素使其具有战略意义：

1. 垂直整合的技术栈：xAI 控制了从模型（Grok）、语音合成（Custom Voices）、推理引擎（Think Fast 1.0）到部署层的每一个环节。没有其他竞争对手拥有所有这些层次的控制权 。
2. 定价作为切入点：0.05 美元/分钟的全包价格远低于竞争对手的实际成本，旨在直接冲击整个市场并快速获取用户 。
3. 无代码降低门槛：通过消除对开发者的依赖，xAI 将潜在市场从“开发人员构建语音应用”扩展到了“任何需要接听电话的企业” 。
4. 补充 xAI 的 API 业务：Voice Agent Builder 建立在 Voice Agent API 之上，其使用将直接推动 API 的消耗量和 Grok 的采用率，从而增强 xAI 整个平台的用户粘性 。
5. 实时 AI 基础设施：结合电话功能 (SIP/PSTN)、实时语音到语音对话和使用工具的 AI 代理，xAI 将自己定位为下一代 AI 原生联络中心的基础设施提供商，而不仅仅是另一个聊天机器人公司 。

结论：xAI 正通过一个无代码界面和极具侵略性的全包定价，绕过竞争对手碎片化的定价模式，迅速占领快速增长、由 AI 驱动的电话代理市场——以一个完全自有的、垂直整合的技术栈，直接挑战现有的语音 AI 平台。