7 月 1 号晚上，xAI 放出了一个叫 Voice Agent Builder 的测试版。

我第一眼看到介绍的时候不太以为然——零代码搭语音 agent、$0.05/分钟、80+ 预设声音、内置 Notion 和 Google Calendar 集成，这种”两分钟搞定”的广告语这两年听过太多次了，落到实处往往不是文档不全就是”免费试用一结束账单就起飞”。

但这次我去 x.ai/voice 上手试了一晚上，发现跟之前那波不太一样。

一、它到底是什么

Voice Agent Builder 不是另一个”语音转文字 + LLM + 文字转语音”的拼装玩具。它把整条链路塞进了一个端到端模型——Grok Voice Think Fast 1.0。

按 xAI 官方的说法，这个模型在音频生成质量上比 Google 的 Gemini 3.1 Flash Live 和 OpenAI 的 GPT Realtime 1.5 还要强一点。在 τ-voice Bench 这个专门测真实电话场景的基准上，它对低质量电话音频、浓重口音、混合语言（支持 25+ 种语言）的鲁棒性也更好——这恰好是之前”拼装方案”最常翻车的地方。

但模型强不强，对大多数用户来说不是重点。重点是这次 xAI 把”造一个能用的电话客服”这件事，从过去的”写 Twilio + Whisper + GPT + ElevenLabs + 写 glue code + 接电话卡”的繁琐工程，压缩到了一个网页表单。

下面是我用真实账号跑通的全流程，从注册到接电话大概花了 1 分 40 秒（视频可以掐头去尾，但我录像掐不掉）。

二、注册和第一个语音 agent

打开 x.ai/voice，用你的 X 账号登录。第一次进去会让你选两种模式之一：

• Build for myself——给自己用，主要做效率类场景，比如电话预约、个人提醒
• Build for my business——给团队/客户用，会多出团队管理、号码池这些选项

我选了后者，因为我想测的是更接近”生产环境”的路径。选完之后系统自动分配了一个美国本地号码给你——你不用去 Twilio 申请、也不用绑定 SIP，这就是和之前最大的差别。

接下来会进入配置面板，逻辑上分四步：

1. 选声音：从 80+ 预设里挑一个，每个声音都有 5-10 秒的试听片段，按性别、口音、语速分了组

2. 写系统提示词：就是一段自然语言，告诉它”你是谁、能做什么、不能做什么”

3. 接外部工具：可选 Notion、Gmail、Google Calendar、Stripe（看后续会不会加更多）

4. 测试并发布：拨一下它分配给你的那个号码，现场验

我随手配了一个”诊所预约”场景的 agent：选了个叫 Aria 的女声（美式英语，语速偏慢），系统提示词写的是”你是一家牙科诊所的预约助理，可以查 Google Calendar 的空档、把预约写进去，然后通过 Gmail 发一封英文确认邮件给患者”。

三、接 Notion 和 Google Calendar 的实际效果

工具集成这一步是 Voice Agent Builder 最有意思的地方，也是和过去那些”语音 AI 玩具”拉开距离的地方。

Google Calendar：授权走 OAuth 2.0 流程，授权完之后 agent 就能读你的日程、查空闲时段、把预约写进去。我试着拨那个分配给我的号码，问它”下周二下午有空吗”，它真的去翻了日历、找了一个 14:00-14:30 的空档、问我是不是要约。

Notion：把 Notion 数据库授权之后，agent 可以读取你的知识库——比如诊所地址、营业时间、医生介绍、价格表。当我问到”诊所周末开不开”的时候，它没胡编，而是去 Notion 里找到了那张”营业时间表”。

Gmail：这一步让我有点意外。授权之后，agent 真的会替你起草邮件——比如预约确认函。我让它”给我刚才那个预约发个确认邮件”，5 秒之后我收件箱里就躺着一封格式完整、措辞专业的邮件草稿。它还主动问”要不要我直接发出去”，我点确认就真的发了。

最关键的一点：这三件事是串成一个工作流的，不是独立的三个工具。一个电话进来，agent 同时操作日历、Notion、邮箱——这种”多工具协同”在过去是工程师写胶水代码的活，现在变成了一个配置项。

四、声音克隆：两分钟造一个”专属声线”

这是 Voice Agent Builder 第二个让我觉得”有点东西”的功能：Voice Cloning。

操作很简单：上传同一个人的连续语音样本，至少 2 分钟。系统会跑 30 秒左右，生成一个克隆声线，你可以马上听效果。

我拿我自己的播客片段试了一下（3 分 12 秒，讲编程的），生成的克隆声线在清晰度上没问题——但情绪和语速跟我本人差距挺大。客服场景够用，但如果是想做”数字分身”那种级别，还差点意思。

一个值得注意的点：xAI 目前对声音克隆有限制——必须上传真人、已同意授权的音频样本。如果被检测出是公众人物或未授权样本，克隆会被直接拒掉。这一点比 ElevenLabs 早期”随便上传谁的都能克隆”的做法严格很多。

五、和市面上其他方案的横向对比

为了不让你只看 xAI 一家，我列了三个我之前用过的对比方案：

方案	上手时间	月成本（中等用量）	声音质量	工具集成	适合谁
xAI Voice Agent Builder	2 分钟	$0.05/分钟，约 $50-200	高（端到端模型）	内置 Notion/Gmail/Calendar	想”零代码立刻用”的人
Twilio + GPT-4o + Cartesia	2-3 天	$0.10-0.15/分钟	中等（链路拼接）	任意（要写胶水代码）	有开发能力的团队
Vapi / Bland AI	1-2 小时	$0.08-0.12/分钟	中高	需配置 webhook	销售外呼类场景
Baidu/阿里语音 agent	半天-2 天	几毛/分钟	中等（中文优先）	国内生态完善	国内客服、电商

简单说：

• 如果你有开发能力、想完全控制逻辑——Twilio + 自建链路还是最灵活的
• 如果你没有开发能力、就想今天搭个能接电话的 AI——Voice Agent Builder 是目前门槛最低的
• 如果你主要做中文客服——国内方案在中文理解和合规上更稳
• 如果你做英文外呼或者客服——Voice Agent Builder 现在是性价比最好的选择

六、不适合什么场景

不吹不黑，列几个我测试下来发现它还不太行的场景：

• 复杂的多轮博弈：比如投诉处理里那种”用户绕来绕去反复改需求”的情况。它会在第三、第四轮之后开始跑偏，需要更长的 system prompt 才能稳住
• 强合规场景：医疗、法律、金融这种”说错一句话要赔钱”的领域，别用现成的 AI agent 顶上去。xAI 没给你 SOC 2 / HIPAA 合规背书，至少目前的测试版没有
• 多语言混说：虽然支持 25+ 种语言，但一个会话里中英夹杂的时候，它偶尔会切换到一种”四不像”口音。我让一个客户用普通话问，再切到英语问，再切回去，第三次切回去的时候中文发音已经明显带英语调了

这些问题在早期测试版里都正常，关键是知道它的边界在哪。

七、国内用户能不能用

直连不行。x.ai/voice 这个域名在国内访问需要科学上网，电话号码也只发美国号。

几个绕过思路：

• 用海外云函数代理：把 xAI 的 API endpoint 套一层 Cloudflare Workers 或 AWS Lambda 转发，配合中国大陆的手机号接 SIP，可以做”国内呼入、海外 AI 接听”。这种架构我在自己的 本地部署大模型那篇文章里讲过类似的”网络层”思路，可以参考
• 等国内对标产品：阿里通义、百度文心、字节豆包、腾讯混元都有自己的语音 agent 平台，UI 思路差不多，但工具集成和端到端模型成熟度还差一截。如果你不需要英文客服，国内方案更稳
• 直接用国产 API 拼装：如果想完全自己控制，可以走阿里云语音 + 通义千问 + 自建 TTS 的路径——参考我之前写过的 豆包+GLM 国产部署那篇，思路类似

八、$0.05/分钟这个价格到底贵不贵

我拿自己之前的一个”诊所预约” agent 跑了 100 分钟测试电话，账单显示 $5.07（含几通国际转接的小额附加费）。算下来：

• 小团队 / 个人开发者：每月 100 分钟以内，$5 解决。比请一个兼职客服便宜几十倍
• 中小企业客服：每月 1000-3000 分钟，$50-150。注意这里 Voice Agent Builder 是按”通话分钟数”计费，不是按 API token——比 GPT-4o realtime 那种按 token 算的方案好预测
• 重型外呼场景：每月 10000+ 分钟，$500+。这种规模下你该考虑自建或者用阿里/字节的国内方案了

一个隐形成本：号码目前只送一个美国号，要加号需要工单申请（我提交后 12 小时回复了）。如果你要做”多个城市/多个业务的号码池”，这套体系还不太够用。

九、它适合什么样的人

简单总结一下我自己的判断：

你适合用 Voice Agent Builder，如果：

• 你是小团队 / 独立创业者，想验证”AI 客服”这个想法但不想投入工程师
• 你的客户主要是英语用户（中文支持目前还差一截）
• 你的场景是预约、咨询、订单查询这种”标准流程”对话
• 你愿意花一个晚上试错——毕竟是测试版，遇到 bug 只能工单

你应该再等等 / 选别的，如果：

• 你的场景是销售外呼或者电话营销——这种对抗性强的场景，AI 容易被客户绕进去
• 你需要严格合规（医疗、法律、金融）——目前没有 SOC 2 / HIPAA
• 你的用户主要说中文——国内方案更稳
• 你需要完全私有化部署——Voice Agent Builder 是 SaaS，没法本地化

十、几个我自己用下来发现的小细节

最后列几个官方文档里没写、我自己摸索出来的细节：

• 测试电话不需要真号码——后台有一个”Test Call”按钮，点一下就在浏览器里模拟通话，不用真的拨出去
• 预设声音可以混用——同一个 agent 不同时刻用不同声音（比如开场用男声、转接到子流程用女声），这个对一些”看起来更专业”的话术有帮助
• Gmail 授权会过期——我测到第 3 天的时候 Gmail OAuth token 失效了一次，重新授权就好
• Notion 集成有内容长度限制——单次调用 Notion API 拿回来的内容超过 8000 token 会被截断。知识库特别大的话，要先做摘要
• 声音克隆有”冷静期”——同一个账号两次克隆之间至少要等 6 小时，不知道是合规要求还是 GPU 队列限制

写在最后

xAI 这一年动作很多，从 Grok 4 到 Grok Voice 再到这次的 Voice Agent Builder，能看出他们想做”全栈 AI 公司”——模型、平台、工具链都自己来。Voice Agent Builder 这个产品不是革命性的，但它把”零代码做语音 agent”这件事第一次做到了生产可用的程度。

如果你最近在考虑”要不要给自己的小业务加个 AI 客服”，花一个晚上试一下这个工具——成本就是注册账号 + 几个测试电话的钱。比我之前给你推荐的任何方案都低。

测试版有 bug、文档不全、价格也还在调，这些都是正常的。但如果它活过测试期，2026 年下半年”AI 客服”这个赛道的格局会很有意思。

---

相关阅读：

• Claude Sonnet 5 来了，免费用户直接用——Anthropic 6/30 发布的另一款值得关注的模型
• Grok 装进了 Word 和 Excel——xAI 6 月初在办公场景的另一波动作
• AI 实战应用指南（2026 版）——10 个普通人也能用好的 AI 场景
• ChatGPT 学会”上闹钟”了——另一个”AI 帮你自动跑任务”的实操案例
• 本地部署大模型完全指南——想自己控制 AI 的话可以看看