Grok Voice Agent Builder API 路由：按分钟计费改变语音算子策略

xAI 于 2026 年 7 月 1 日以 beta 状态发布了 Grok Voice Agent Builder。该产品是一个无代码平台，用于在 Grok Voice 上配置和部署生产级语音 agent——但 operator 关注的重点不在于无代码界面，而在于计费模型：每分钟音频 $0.05，已含语音合成费用，内置电话集成，无独立平台费。这是主流 AI 模型提供商首次将按分钟计费的语音 API 推入通用生产环境，要求每个 AI gateway operator 重新审视语音工作负载的路由方式。

xAI 发布了什么

Voice Agent Builder 公告面向希望无需编写 WebSocket 集成代码即可部署语音 agent 的开发者。但在计费部分，有四项约束定义了 operator 策略边界：

• 计费单位： 每分钟音频 $0.05——基于时间，而非 token 数量。
• 并发限制： 每个团队最多 100 个并发会话。
• 会话上限： 单次会话最长 30 分钟。
• 电话集成： 无额外费用，出入站电话均包含在按分钟费率中。

这些不是 UI 细节，而是影响多提供商 gateway 如何处理 Grok 语音工作负载路由的 API 约束。Voice Agent Builder 的界面让这四项约束首次以清晰的生产 SLA 形式对外公示，使 gateway 团队有了完整的参数可供建模。

Grok Voice Agent Builder API 路由与 token 路由的本质区别

gateway 中所有文本或视觉路由决策今天均以 token 为单位：input token、output token、缓存 token、reasoning token。成本归因简单明了——token 消耗量乘以每百万的价格。

Grok Voice Agent Builder API 路由从两个维度打破了这一模型。

第一，成本计算基于时间而非数量。 无论说了多少话、经历多少轮对话或模型执行了多少推理，一次 10 分钟的语音会话固定花费 $0.50。这意味着 gateway 的成本归因必须追踪每个提供商的挂钟会话时间，而非仅统计 token 增量。在单一账本中汇总文本和语音路由成本的团队，需要新增一个独立的成本维度，否则报表会将文本计算成本与语音通话时长成本混在一起，导致预算分析失真。

第二，并发量上限为每团队 100 个会话。 大多数文本路由策略将并发视为速率限制问题——每秒请求数、每分钟 token 数——超出时会优雅降级，慢请求依然运行。语音会话是有状态的长连接。如果 100 个会话已经在运行，第 101 个请求不是被延迟，而是被直接拒绝。跨多提供商运行语音工作负载的 operator 需要具备并发感知能力的路由器：在到达上限之前主动感知各提供商的实时会话数，并在被拒绝前而非被拒绝后完成重路由。

这两点组合起来，意味着语音工作负载的路由不能复用现有的文本路由配置——它需要独立的策略类别、独立的计费追踪和独立的 fallback 触发逻辑。

30 分钟会话上限与路由超时策略

30 分钟最大会话长度引入了文本路由从未面临的确定性终止事件。将多轮编码会话路由至 Grok 4.3 的 gateway 可以让会话无限期运行，只需在上下文窗口满时处理截断即可。通过 Grok Voice 的语音会话则不同——无论对话进行到哪一步，提供商都将在 30 分钟时强制断开连接。

对 operator 而言，这意味着每个经由 gateway 路由的 Grok Voice 会话都必须携带精确的到期时间断言。推荐策略是：当 elapsed_time >= 28:00 时，触发一条系统消息提示当前轮次即将结束，同时启动切换至新会话的流程，在提供商终止连接前完成交接。未追踪会话时长的路由策略，在 production 中将遭遇意外断线，且由于断线发生在提供商侧，客户端往往收不到清晰的错误码。

30 分钟上限也是成本上限信号，为预算管理提供了确定性：每个 Grok Voice 会话按当前费率不超过 $1.50。对于平均通话时长为 5–12 分钟的客服场景，单次会话成本将为 $0.25–$0.60。这个价格区间使 Grok Voice 在不考虑语音质量差异的前提下，能够直接与专用语音 AI 提供商展开价格竞争。

内置电话集成改变提供商比较维度

Grok Voice 将入站和出站电话免费内置于 API 之中。大多数同类语音 AI 平台采用分层计费：连接费、运营商侧的按分钟费率，再加上 AI 模型侧的按分钟费率。对于通过电话接入的语音会话，实际成本是两项费率之和，有时还需要再加上第三方电话网关的费用。

Grok Voice 将所有费用合并为 $0.05/分钟，覆盖 AI 推理、语音合成和电话网络访问。对于路由包含实际电话通话的语音会话的 operator，这从根本上改变了提供商比较表格的结构。路由决策不再是「AI 模型成本 + 每提供商的电话成本」的加法计算，而是单一维度的直接对比。

内置电话的另一个影响是架构简化：应用侧无需集成独立的电话网关，Grok Voice 的 API 直接接管出入站呼叫管理。对于正在评估是否将电话客服 bot 迁移到 Grok Voice 的团队，这意味着迁移复杂度降低，但也意味着之前通过多供应商分散电话流量的架构需要重新评估，因为单一提供商的 100 并发会话上限现在既覆盖 AI 推理并发，也覆盖电话并发。

路由策略配置建议

将 Grok Voice 集成到生产路由策略中，需要在 gateway 配置层面做以下调整：

1. 增加 voice 工作负载类别。 Grok Voice 不应与文本模型共享速率限制桶——计费单位（分钟 vs token）、并发语义（硬性连接上限 vs 速率限制）和 fallback 触发逻辑均根本不同。在 gateway 配置中为语音工作负载单独建立路由类别，可以避免跨类别策略污染。

2. 追踪实时会话数量，预防性 fallback。 当 Grok Voice 会话池达到约 85–90% 利用率（约 85–90 个并发会话）时，将新语音会话路由至 fallback 提供商，而不是等到被拒绝后再处理错误。这需要 gateway 的并发追踪机制能够区分文本和语音连接类型。

3. 为每个会话标记开始时间戳和路由到期时间。 在 28 分钟时触发优雅会话完成序列或重新路由流程，避免由提供商主动终止连接造成的意外断线。将到期元数据随会话 ID 一起记录，以便在多轮对话的上下文恢复场景中保持会话连续性。

4. 更新成本归因维度。 以分钟而非 token 作为 Grok Voice 的成本计量单位，在汇总跨提供商的每次请求或每日花费之前，单独累计语音成本。否则文本和语音的成本会在同一个 token 成本桶中混淆，使按模型的成本分析失去意义。

5. 验证电话元数据传递。 如果语音工作负载包含实际电话通话，确认路由层能够正确传递呼叫方 ID、会话 UUID 和通话元数据到 Grok Voice API。内置电话使应用可以不依赖独立运营商集成发起呼叫，但 gateway 需要能够正确处理电话事件流。

TheRouter 文档及 MiMo TTS 语音 agent 路由分析涵盖了直接适用于 Grok Voice 会话预算管理的按会话成本归因模式，可作为上述配置的参考起点。

后续展望

Voice Agent Builder 以 beta 状态发布。xAI 在 Grok Build 上的历史表明，beta 产品 API 往往迅速稳定，配置界面（个性、知识库、工具集）会快速扩展。从 operator 视角，需要重点关注的变化方向是 100 并发会话上限和 30 分钟会话长度上限——随着 xAI 扩充 Voice 基础设施容量，这两个约束都有望放宽，届时路由策略中的 fallback 触发阈值和到期逻辑需要同步更新。

公告中 $0.05/分钟的费率标注为「当前」——这是 beta 定价的标准措辞，暗示正式版定价可能调整。在 Grok Voice 上构建生产路由策略的 operator，应将费率作为可配置参数存储在 gateway 配置中，而非硬编码到成本归因逻辑里，以便在定价变化时无需重写路由策略即可完成更新。