Grok 语音升到 3.0，榜上排第一。很多人看到的是「又一个更会聊天的 AI」，我看到的是另一件事：提示词这个形式，可能正在走到头。 我们现在写提示词，本质上是把脑子里的画面压缩成文字，再让模型解压回去。中间丢的东西最多的，恰恰是节奏、语气、情绪这些很难写清楚的部分。所以才会有那么多人卡在「提示词好难写」。 但真实片场的导演从来不写提示词。他们对着演员说「再慢半拍」「这句别那么用力」，是边说边改的。 语音对语音的模型越来越好以后，AI 创作的门槛可能会从「会不会写」变成「会不会说清楚自己要什么」。 会写长提示词不再是护城河，懂镜头、懂表演、知道自己要什么的人，才会越来越值钱。 Introducing Grok Voice 3.0, the world’s most intelligent speech-to-speech model. It excels at resolving customer calls, responds in under a second, and costs less than other frontier models.