先确定你要得到什么
配音和实时对话是两种任务。给文案配音，需要输入文字、生成音频、试听并下载。做能听懂问题并回答的助手，则需要麦克风输入、对话会话、轮次判断和音频播放。
Grok Voice 3.0 是 xAI 于 2026 年 10 月 14 日发布的语音对话模型。实时对话应从 Speech to Speech 文档入手；文字转语音属于另一条接口链路。配音请求成功，不代表语音对话已经接通。
在首页体验语音
- 在在线演示中输入一两句短文案。
- 选择与内容匹配的中文或英文。
- 点击一次生成，等待排队与生成状态结束。
- 先完整试听，再下载音频。
- 遇到停顿或读法不合适时，调整文案后重新生成。
第一次测试最好包含一句介绍、一个数字和一个问句。短文案更容易发现漏字、结尾截断和专有名词读错。请勿把客户隐私资料放进探索性演示。
不要只听开头
对照原文听到最后一个字，检查遗漏、数字、语速和停顿。分别使用耳机与手机外放试听，避免只在一种设备上觉得正常。
如果目标是实时助手，还要单独测打断、环境噪声、长时间静音以及用户拒绝麦克风权限后的表现。这些都不能靠一段配音验证。
接入自己的产品
把凭据保存在服务端，先校验长度与额度，再创建任务。生成结果应只允许发起任务的会话访问。浏览器实时连接使用短期凭据，不要把长期 API key 放进前端代码。接下来阅读 API 教程，按任务类型选择对应链路。