四家都说自己第一，它们量的到底是哪一段？
先把四份战报摆出来。
xAI 说，Grok Voice 3.0 在 Artificial Analysis 的语音到语音榜上拿到 86.9，排第一。同一份材料里还有：Big Bench Audio 98.5%，Full Duplex Bench 97.0%，ServiceNow 的 EVA-Bench 74%，Speech Agent Arena 的 Elo 1070。
Mistral 说，Voxtral 3 家族的转写模型在 FLEURS 上把 WER 压到 4.1%。说话人分离的 cpWER 是 18.4%，而它拿来对比的 Gemini 3.5 Transcribe 是 38.4%。
ElevenLabs 说的是另一端：v4 支持 90 多种语言和口音，v4 Turbo 的首音频大约 150 毫秒，用户插话能在词中间停下来。
Google 这边的数字是 82.6。Gemini 3.8 Live 在同一个语音到语音榜上排第二，首音频 1.35 秒。
四个数字，四个维度。一个量端到端的对话质量，一个量听写的准确率，一个量语言覆盖，一个量延迟。
它们之所以能同时叫「第一」，是因为实时语音根本没有一个统一的评测面。你可以把它做成一条完整的端到端模型，也可以拆成三段拼起来。这两种架构的分数，天然不可比。
拼装链路的好处是每一段都能单独换、单独测。转写差了换 STT，音色不好换 TTS。坏处是延迟要一段段加，错误也会一段段传。
端到端的好处是省掉了中间那几次转换，语气、停顿、情绪能一起学进去。坏处是黑箱，出了错你不知道该怪耳朵还是怪脑子。
不少盘点把 Gemini 4 Argon 写进语音横评，还拿它的 1525 分说「谷歌语音第一」。Argon 不支持 Live API，也不能生成音频。
真正能接电话的是 gemini-live-2.5-flash-native-audio 这条线，对外叫 Gemini 3.8 Live。拿文本榜的分数给麦克风打分，是这两周最流行的一处误读。
所以第一个问题的答案是：四家量的不是同一段。Grok 量的是「一整轮对话有多像人」，Mistral 量的是「耳朵有多准」，ElevenLabs 量的是「嘴有多像」，Gemini 量的是「端到端有多快」。要横评，得先把它们放回链路上。
90 毫秒和 1.35 秒，差的是同一段延迟吗？
不是。这是这份横评里最容易搞错的一处。
Mistral 说的 90 毫秒，是 TTS 从拿到文本到吐出第一段音频的时间。ElevenLabs 说的 150 毫秒，也是同一段：官方拆得很细，142 毫秒里，81 毫秒是音频到达，61 毫秒是静音填充。
Grok 说的 0.81 秒，是端到端：从用户说完，到模型开口。Gemini 3.8 Live 的 1.35 秒，也是端到端。
一个只算最后一公里，一个算整条路。把 90 毫秒和 1.35 秒放在一张图里比，就像拿百米成绩和马拉松成绩比谁快。
拼装链路的延迟是可以逐段算的。VAD 判停通常 100 到 300 毫秒，实时转写 200 到 500 毫秒，LLM 首 token 300 到 800 毫秒，TTS 首音频 90 到 150 毫秒。加起来 0.7 到 1.3 秒，和端到端差不多在同一量级。
这也解释了一个反直觉的现象：端到端并没有更快。它省掉了段与段之间的交接，但模型更大、音频解码更重，还要等 VAD 确认你说完了。省下来的时间，又被吃回去了。
人类对话的轮转间隔大约 200 毫秒。所有语音产品都在追这个数，目前没有一家追平。
那 1.35 秒能不能用？可以，但要看场景。客服能忍，因为用户在等一个答案；陪伴忍不了，沉默两秒就像对方走神了；同传更忍不了，字幕会一直落后。
所以第二个问题的答案是：90 毫秒和 1.35 秒不是同一段。要比延迟，先问它从哪一刻开始计时。
一分钟通话，账单到底怎么算？
四家的计价单位完全不同，这是第二个容易被带偏的地方。
看单价，Gemini 最便宜，一分钟大约 0.023 美元，再加上文本 token。Grok 最贵，0.08 美元。差了 3 倍多。
但账单不是这么算的。拿一个具体业务代入：每天一万通电话，平均每通 3 分钟，一个月 30 天，总共 90 万分钟。
Grok：90 万 × 0.08 = 7.2 万美元
Gemini 3.8 Live：90 万 × 0.023 ≈ 2.07 万美元，另加文本 token 与工具调用
ElevenLabs v4 Turbo：90 万 × 0.04 = 3.6 万美元，另加自选 LLM 费用
Mistral Voice Agent：90 万 × 0.04 到 0.08 = 3.6 万到 7.2 万美元，已含 LLM
四个数字，最贵和最便宜差 5 万美元一个月。但先别急着选便宜的。
这里有三笔钱没算进去。
第一笔是静音。按分钟计费的产品，用户沉默、等待、思考的时间都在走表。如果一通电话里真正说话只占 40%，你实际为「有效对话分钟」付的钱要乘 2.5。
第二笔是工具。语音单价只覆盖听和说。中间查订单、调知识库、走 MCP 的 token 和第三方费用，另算。
第三笔是重试。转写错一次、意图识别错一次，用户要重说一遍。这部分的成本不会出现在价目表上，只会出现在账单末尾。
所以第三个问题的答案是：单价最低不等于账单最低。真正要算的是「每分钟里有多少秒在说话」，以及「一次说对的概率有多高」。
语言数从 20 到 90，多出来的能接电话吗？
把四家的语言覆盖排一排，差距很大。
数字很好看，但里面有三处要打折扣。
第一处，Mistral 自己的口径就不统一。发布稿说 TTS 支持 35 种以上语言、50 种以上口音，模型文档页只列了 9 种。转写那边是 50 种，其中 24 种是欧盟官方语言。
第二处，语言数不等于口音数。同样一句英语，印度口音、尼日利亚口音、苏格兰口音，识别率能差一大截。Grok 用的是 20 个 locale，这个说法比「20 种语言」更诚实，因为它承认了区域变体。
第三处，能不能中途切换是另一项能力。一个中国用户打进来，先讲普通话，中间夹两个英文产品名，最后换成粤语。这种场景不看语言列表，看的是模型会不会在句子里切换。
语言覆盖是市场参数，不是可用性参数。要接电话，得拿你自己的真实录音去测目标语种的 WER，而不是数官网上的语言条数。
打断用户那句话，为什么比音色更难？
你用过语音助手就知道，最劝退的不是声音假，是你说「等一下」它还在念。
打断这件事，工程上有三道坎。
三家在这件事上的表述不太一样。Grok 强调服务端 VAD 处理 barge-in；ElevenLabs 强调能在词中间停，并且在同一轮里接住新问题；Mistral 的说法是用户插话即停止播放。
表述背后是架构差异。端到端模型可以一边输出一边听，天然适合打断；拼装链路要在一个回合结束后才能切状态，打断就得靠外部调度器硬切。
所以第五个问题的答案是：打断是系统能力，不是模型能力。它取决于回声消除、VAD 阈值和状态管理三件事，而这三件事通常不写在模型卡上。
工具调用接进电话，哪一层在收钱？
语音 Agent 真正干活，靠的是中间那层工具。四家给的入口不一样。
收费结构决定了你该选谁。
按分钟计费的产品，工具调用产生的 token 往往不在那个单价里。你看到 0.08 美元一分钟，实际账单可能是 0.11。尤其是客服场景，一次通话查三次订单、两次库存，工具往返的次数比说话次数还多。
还有一笔隐性成本是延迟。每一次远程工具调用都是一次网络往返。MCP 挂在企业内网，往返 200 毫秒很常见。三次调用叠起来，用户就得多等半秒多。
语音单价买的是嘴和耳朵，手要另外付钱。
所以第六个问题的答案是：工具层是独立计费、独立延迟、独立故障的。选型时不要只看语音报价，要把工具调用次数乘进去。
客服、陪伴、同传、配音，四种场景分别该选谁？
把前面五节收成一张决策图。四种场景，四个不同的最优点。
还有一个反例值得单独说：别把 Gemini 4 Argon 排进语音横评。它是文本与多模态推理模型，不支持 Live API，也不能生成音频。这两周至少有三份盘点把它写成「谷歌语音新王」，然后拿文本分数和 Grok 的语音分数对比。
另外提醒一句，Grok 的 86.9 分来自 xAI 引用 Artificial Analysis 的结果，属于厂商引用第三方，不是独立审计。Mistral 的 TTS 评测用的是自家选的提示词，评委还是 Gemini 3.8 Flash。这些都要在引用时标清楚。
所以第七个问题的答案是：客服看工具和任务完成率，陪伴看音色和打断，同传看 WER 和语言，外呼看单价。没有一个模型能在四栏里同时第一。
胜负手不在音色
这一轮语音模型的竞争，表面上是音色和拟人度，实际上是三件事。
第一件是延迟预算。端到端 0.81 秒已经不错，但人类对话是 200 毫秒。谁能把 VAD、推理、合成压进 500 毫秒，谁就能让对话不再像对讲机。
第二件是工具链。语音只是入口，真正解决问题靠中间那层调用。远程 MCP 这类能力，会把语音 Agent 从「能聊」推到「能办事」。
第三件是计费口径。按分钟、按字符、按 token，三种算法对应三种业务形态。选错了计价方式，模型再好也会亏。
至于音色，它是最容易被追平的一环。今天你觉得某个声音更自然，三个月后大家都能做到。但延迟预算、工具生态、账单结构，这三样要慢慢磨。
下次再看到「语音第一」的战报，先问一句：你量的是哪一段。