Grok Voice 登陆 LiveKit Agents：语音转文字、文字转语音、语音到语音一条基础设施跑通

一句话结论

Grok Voice 系列语音模型正式登陆 LiveKit Agents：语音转文字、文字转语音、语音到语音三类模型都能在团队已有的 LiveKit 实时音频基础设施里直接跑。两家还联合开源了一个医疗诊所前台接待智能体作为 LiveKit recipe，能挂号预约、改期、取消，还能在任务中途插答政策问题而不丢主线——建语音智能体的团队可以直接拿去换后端复用。

这次发布的是什么

Grok Voice 模型现在可以通过 LiveKit Agents 调用。对已有 LiveKit 技术栈的团队来说，不需要新增基础设施：语音转文字、文字转语音、语音到语音三类模型在现有实时音频基础设施内运行，通过 LiveKit Inference 接入。

联合示例：诊所前台接待智能体

SpaceXAI 和 LiveKit 联合构建了一个患者接待智能体，代表医疗诊所的前台，公开可试。能力清单：

• 预约挂号：完成就诊预约；
• 改期与取消：处理日程变更和取消请求；
• 中途插问：在另一项任务进行中回答政策类问题，不丢失对最终解决状态的追踪。

底层实现上，智能体在通话中触发工具调用，既不拖慢通话节奏，也不破坏对话的自然感。

两种架构选择

整个智能体以 LiveKit recipe 形式开源。LiveKit Agents 原生支持 Grok 语音到语音端到端模型；这个示例用的是级联架构（语音转文字 → 语言模型 → 文字转语音），全程走 LiveKit。两条路线都在：要端到端延迟和自然度选原生语音到语音，要每层可控和可换件选级联。

怎么复用到自己的业务

recipe 的替换边界很清楚：把示例里的假诊所换成真实的电子病历系统或排班系统，智能体其余部分不变，包括通过 SIP 走电话线路的场景。开发路径三条：查现行 API 定价；看 LiveKit 文档的集成章节；或直接从 patient-intake recipe 起步换自己的后端。

对建语音智能体团队的意义

这个案例展示的选型判断比案例本身更有参考价值：语音基础设施和模型能力解耦后，团队可以保留已有的 LiveKit 运维（房间管理、路由、SIP 电话接入），只在模型层按需组合——语音到语音要自然对话质量，级联要中间文本可审计、每层可替换。医疗前台这种「任务中途插问还要回主线」的场景，正好把两条架构的差异暴露出来，拿 recipe 实测是最直接的评估方式。

原文信息

• 作者：SpaceXAI 官方
• 来源：SpaceXAI Stories
• 原文发布日期：2026-08-21
• 试玩地址：xai.livekit.space（患者接待智能体）
• recipe 地址：LiveKit 文档 patient-intake recipe

原文地址：