2026 AI 語音模型實測：10 款即時語音 API 比較，電話客服選誰？

想用 AI 接電話、幫餐廳訂位，該選哪一家的 AI 語音模型？依戰國策 2026 年 10 月 23 日的實測，台灣中小企業最值得優先試用的是阿里巴巴的 Qwen3.5-Omni Plus：反應時間 1.16 秒，只比最快的 OpenAI gpt-realtime 慢 0.03 秒，每分鐘成本卻只有約三分之一。我們用同一段中文訂位電話，測了 OpenAI、阿里巴巴、ElevenLabs、xAI、Google 共 10 款即時語音模型，比的是客人講完話後 AI 多快開口、多久講完、回答得像不像台灣店員，以及每分鐘要花多少錢。這篇文章先講結論，再說明測試方法、完整數據、各模型官方資料，以及台灣老闆導入 AI 電話客服前一定要注意的事。

先講結論：台灣中小企業做 AI 電話客服，哪個 AI 語音模型最適合？

如果只能記住一句話：想兼顧速度、成本與中文自然度，先試 Qwen3.5-Omni Plus；預算更緊，就試 Qwen3.8-Omni Flash；不在乎成本、只要最快，選 OpenAI gpt-realtime。

這次實測的 10 款模型中，前四名的反應時間都在 1.5 秒以內，彼此差距很小。真正拉開距離的是三件事：回答內容對不對、整句話講多久，以及每分鐘的成本。

• Qwen3.5-Omni Plus：反應時間 1.16 秒，排名第二，和第一名的 gpt-realtime 只差 0.03 秒；每分鐘成本估計約 0.03 美元，大約是 gpt-realtime 的三分之一。回答「還有空位，請問怎麼稱呼您，我幫您登記？」，語氣最接近真人店員。
• Qwen3.8-Omni Flash：反應時間 1.24 秒，只比 Plus 慢約 0.1 秒，每分鐘成本估計再降到約 0.01 美元，是這次最便宜的一款。
• OpenAI gpt-realtime：反應時間 1.13 秒，是這次最快的模型，回答簡短得體，但每分鐘成本約 0.10 美元，是 Plus 的三倍左右。
• OpenAI gpt-realtime-2：OpenAI 的新版模型，這次反而比舊版慢，回答也偏長，還說「沒辦法即時確認」，以電話訂位這種講求簡短的情境來說，我們不建議優先採用。
• Gemini 2.5（Flash Native Audio）：反應時間 12.63 秒，最快的幾款模型都比它快 11 秒以上，差距非常明顯。

要提醒的是，這次只測了「電話訂位」一個情境，每個模型跑 3 次取中位數。不同的問題、時段與網路條件，結果都可能不同，數據請當作選型的起點，而不是最終答案。

為什麼 AI 電話客服要看「反應時間」？停頓多久客人會覺得卡？

講電話和打字聊天最大的不同，是電話沒有畫面可以看。客人在 LINE 上傳訊息，等個三五秒是很正常的事；但在電話裡，對方講完話之後如果一直沒有聲音，客人會開始懷疑：是不是斷線了？是不是對方沒聽到？接著就會「喂？喂？」地重複，甚至直接掛掉。

語言學研究也支持這個直覺。跨語言研究（Stivers 等人，2009 年發表於美國國家科學院院刊 PNAS）比較了十種語言的日常對話，發現所有語言的說話者都傾向避免兩人同時講話，同時也盡量縮短輪流說話之間的沉默。換句話說，人類天生習慣「你講完，我馬上接」的節奏，AI 只要慢一拍，客人就會明顯感覺到不自然。

所以在這次測試中，我們把「反應時間」定義為：客人講完話，到 AI 第一個聲音傳回來的時間。這是客人在電話那頭實際感受到的等待。前四名都在 1.5 秒以內，聽起來像是對方稍微想一下就回答；第九名的 Gemini 3.8 Live 是 2.73 秒，已經能感覺到明顯停頓；Gemini 2.5 的 12.63 秒，在電話上幾乎等於沒人接。

只看反應時間就夠了嗎？

不夠。反應快只代表 AI 很快開口，不代表它講得好。我們另外看了兩個指標：

• 講完整句：從客人講完，到 AI 整段回答結束的時間。如果 AI 很快開口，卻講了一大串，客人還是要等很久才能接話，通話時間也會拉長，每分鐘計費的成本跟著增加。
• 回答品質：答案有沒有回應客人的問題、是否簡短、用語像不像台灣的店員。電話訂位最理想的回答是「確認有位子，接著問姓名」，兩句話就把流程往前推。

舉例來說，ElevenLabs Max 的反應時間是 1.45 秒，排名第五，但講完整句要 6.60 秒，回答還變成反問「要訂幾樓？」；gpt-realtime-mini 的反應時間是 1.43 秒，講完整句卻只要 2.01 秒，是這次講完最快的模型。只看單一數字，很容易選錯。

這次 AI 語音模型實測是怎麼做的？

為了讓結果能互相比較，我們盡量讓每個模型在相同條件下作答。測試方法如下：

1. 測試時間與地點：2026 年 10 月 23 日，在戰國策位於台灣的主機上執行。這台主機和我們的 AI 電話語音主機在同一個機房網段，網路條件接近實際通話。
2. 同一段語音問題：「您好，我想訂明天晚上七點，四個人的位子，請問還有空位嗎？」這段語音用 TTS（文字轉語音）產生一次，所有模型共用同一個音檔，避免每次發音不同造成差異。
3. 同一段指示：給每個模型的指示都是「你是台灣餐廳的電話訂位助理，請用台灣繁體中文口語、簡短回答（兩句以內）。」
4. 關閉自動斷句：各家模型都有自動判斷「客人講完了沒」的功能（VAD，語音活動偵測），而且每家等待靜音的時間設定不同。為了公平，我們把這個功能關掉，由測試程式明確送出「講完了」的訊號。所以這次比的是模型本身的反應速度，不含各家等待靜音的設定差異。
5. 重複測試：每個模型跑 3 次，取中位數，降低單次網路波動的影響。

10 款即時語音模型實測結果：誰最快？誰最便宜？

以下是完整結果，依反應時間排序。每分鐘成本為估算值，計算方式在表格後說明。

成本怎麼估的？OpenAI、Gemini、xAI 是依官方公開牌價估算的每分鐘成本。Qwen 兩個模型，阿里雲沒有公開即時語音的官方價格，表中是第三方網站整理的粗估，實際以阿里雲帳單為準。ElevenLabs 與 gpt-realtime-2 官方未公布每分鐘的確切數字（gpt-realtime-2 官方以 token 計價），所以表中不列。

從數據看出的四個重點

第一，前四名的反應時間最多只差 0.3 秒。gpt-realtime、Qwen3.5-Omni Plus、Qwen3.8-Omni Flash、gpt-realtime-mini 都在 1.13 到 1.43 秒之間，電話上的客人很難分辨。這代表選型不能只看誰第一名。

第二，「講完整句」的差距比反應時間大得多。前四名加上 Grok Voice 3 都在 2.0 到 2.4 秒講完；ElevenLabs 兩款分別要 6.60 秒與 8.58 秒，Gemini 3.8 Live 要 9.01 秒。在電話訂位這種一問一答的情境，回答越短，對話越順，通話分鐘數也越少。

第三，新版不一定比較快。OpenAI 的 gpt-realtime-2 是官方目前能力最強的即時語音模型，但這次反應時間 1.68 秒、講完整句 4.05 秒，都比舊版 gpt-realtime 慢，回答也偏長。官方文件提到 gpt-realtime-2 可以設定推理強度，推理強度越高可能增加延遲，這是企業評估時要納入考量的地方。

第四，同一家公司的不同世代，表現可能差很多。Google 的 Gemini 3.8 Live 反應時間 2.73 秒，比前一代 Gemini 2.5 的 12.63 秒快了將近 10 秒，回答「好的，請問怎麼稱呼您？」也很得體，只是整句講完要 9.01 秒，和前段班仍有距離。

各家 AI 語音模型是什麼？官方資料怎麼說？

以下只整理各家官方頁面查得到的事實，查不到的規格與價格不寫。

OpenAI：gpt-realtime、gpt-realtime-mini、gpt-realtime-2

OpenAI 在 2025 年 8 月 28 日推出 gpt-realtime，同時讓 Realtime API 正式上線，官方稱它是當時最先進的語音對語音模型，並新增透過 SIP 接電話的功能。依官方模型頁，gpt-realtime 可透過 WebRTC、WebSocket 或 SIP 連線，輸入支援文字、音訊與圖片，音訊 token 價格為每百萬輸入 32 美元、輸出 64 美元。

gpt-realtime-mini 是官方定位為成本效益較高的版本，同樣支援 WebRTC、WebSocket 與 SIP，目前預設版本為 2025 年 12 月 15 日的快照。

gpt-realtime-2 是 OpenAI 官方目前稱為能力最強的即時語音模型，主打可設定的推理強度、更好的指令遵循與更可靠的工具呼叫，適合複雜的語音代理流程，上下文長度 128,000 token。官方也說明，推理強度越高，可能增加延遲與輸出量。

阿里巴巴：Qwen3.5-Omni Plus、Qwen3.8-Omni Flash

這兩款模型由阿里雲的 Model Studio（百煉）提供。依官方 Qwen-Omni-Realtime 文件，Qwen3.8-Omni-Flash-Realtime 是官方推薦用於即時音訊與影片對話的模型，支援全雙工互動；qwen3.5-omni-plus-realtime 在文件中被稱為前一代模型。

連線方式有 WebSocket 與 WebRTC 等選項。WebSocket 同時提供自動偵測的 VAD 模式與由程式控制的手動模式，本次測試使用的就是手動送出「講完了」的方式。官方文件列出語音辨識支援 113 種語言和方言，語音生成支援 36 種。服務地區為新加坡與中國大陸（北京），兩區需各自申請 API 金鑰。

價格方面，阿里雲官方模型總覽頁沒有列出即時語音的價格，所以本文表中的 Qwen 成本是第三方整理的粗估。

ElevenLabs：Eleven Realtime Mini、Eleven Realtime Max

ElevenLabs 在 2026 年 10 月 20 日發表 Eleven Realtime 兩款語音對語音模型，可在 ElevenAgents 平台與 Realtime API 使用。官方定位 Mini 適合低成本的自然對話，大多數情境已足夠；Max 則針對客服、潛在客戶篩選、多步驟流程等複雜任務，會先推理再回答。

官方說明支援 90 種以上語言，並與 OpenAI Realtime API 相容。發表文章中沒有提到每分鐘價格。

xAI：Grok Voice 3

xAI 在 2026 年 10 月 14 日推出 Grok Voice 3.0，官方稱延遲低於一秒，Speech to Speech API 價格為每分鐘 0.08 美元，和上一代 Grok Voice 2.0 相同；使用 grok-voice-latest 名稱的語音代理會自動切換到新版。官方開發者文件說明，即時語音透過 WebSocket 連線，並提供 Twilio 電話代理範例。本站另有一篇 Grok Voice 3 價格與中文支援解析，想深入了解可以參考。

Google：Gemini 3.8 Live、Gemini 2.5 Flash Native Audio

依 Google 官方模型頁，Gemini 3.8 Live 是大多數低延遲語音代理與即時對話的預設選項，官方說明它不會因推理而產生延遲，支援函式呼叫與搜尋基礎，目前列為穩定版。Gemini 2.5 Flash Native Audio 是前一代的 Live API 原生音訊模型，Google Cloud 文件中仍列為正式提供的版本。兩者都透過 Live API 的 WebSocket 連線使用。

依需求怎麼選？台灣企業 AI 電話客服選型建議

不同產業、不同來電量，適合的模型不一樣。我們把實測結果整理成下表，給老闆快速對照：

選型時也要注意，「用不用 Qwen」不只是技術問題。Qwen 的服務地區在新加坡與中國大陸，語音資料會傳到這些地區處理。如果你的產業對資料存放地點有規範，或客戶對此敏感，要先和法務確認，再決定用哪個地區或改用其他模型。

每月 3,000 分鐘的 AI 電話客服，要花多少錢？

每分鐘差幾美分，看起來不多，但乘上一整個月的通話量，差距就很明顯。以下用每月 3,000 分鐘通話（例如一家餐廳每天約 50 通、每通 2 分鐘）做試算，依表中每分鐘估算成本計算，匯率以 1 美元約 32 元新台幣估算：

從試算可以看出，同樣 3,000 分鐘，最便宜的 Qwen3.8-Omni Flash 每月約 960 元，最快的 gpt-realtime 約 9,600 元，相差約十倍。對來電量大的連鎖餐飲、診所或客服中心來說，模型選擇會直接影響每年的營運成本。

另一個常被忽略的地方是「講完整句」的時間。如果 AI 每次回答都多講好幾秒，整通電話就會變長，計費分鐘數跟著增加。這也是為什麼我們建議同時看反應時間、講完整句與每分鐘成本，而不是只看單價。

台灣企業導入 AI 電話客服要注意什麼？

模型選好只是第一步。上線之後客人買不買單，取決於以下五件事。

一、指示裡要明確要求台灣用語

這次實測中，Qwen 兩款模型的回答用語偏中國用語，例如用「你」不用「您」。雖然我們已經在指示中寫明「台灣繁體中文口語」，模型仍不一定完全照做。正式上線前，建議在指示中具體列出要用的詞，例如「稱呼客人一律用『您』」「說『訂位』不說『預訂』」，再實際撥打測試，逐句確認聽起來像台灣店員。

二、開場告知 AI 身分與錄音

電話中的聲音、姓名、電話號碼都屬於個人資料。依台灣個人資料保護法，企業蒐集個資時應告知蒐集目的、利用範圍與當事人的權利；委託外部廠商處理時，企業仍負有監督責任。實務上建議在開場就說明「這是 AI 語音服務」以及是否錄音，並在隱私權政策中說明語音資料會傳到哪些地區的雲端處理。金融、醫療、保險等受特別監管的產業，導入前應先諮詢法務。

三、一定要有轉真人機制

AI 再快，也一定有處理不了的來電。建議至少設定這幾種轉真人的條件：客人明確說要找真人、同一個問題 AI 連續兩次答不出來、出現客訴或退款等關鍵字。非營業時間沒人可轉時，改為留言或預約回電，並告訴客人什麼時候會回覆。轉接時把 AI 已經問到的姓名、人數、時間一併交給真人，客人就不必從頭再說一次。

四、預算不只模型費

前面的試算只是模型費用。實際導入還有電話門號與通話費、串接訂位系統或客戶資料的開發費、後續話術調整的人力。建議老闆先估算「目前接電話的人力成本」與「漏接電話損失的生意」，再和 AI 的總成本比較，才知道划不划算。

五、先小規模試撥，再擴大上線

不要一開始就把整條電話線交給 AI。比較穩當的做法是先挑一個最單純的情境，例如下班後的訂位電話，請同事用不同口音、不同說法反覆撥打測試，確認回答正確、用語自然、轉真人順暢之後，再逐步擴大到營業時間。測試期間記錄 AI 獨立完成的比例、轉真人的比例與客人中途掛斷的比例，這些數字比任何評測都更貼近你的實際狀況。

如果你不確定公司的來電適不適合交給 AI，或想知道該從哪個情境開始，可以先申請 免費 AI 企業健診，由顧問盤點目前的來電類型與人力配置。已經確定要做的企業，可以參考 導入管理王AI系統，把 AI 電話客服和訂位、客戶資料、轉真人流程整合在一起；想讓客服團隊自己學會撰寫 AI 指示與測試方法，則可以安排 企業 AI 內訓。

不想自己串接？用管理王 AI 電話客服系統直接上線

看完實測，很多老闆會問：「我們沒有工程師，要怎麼把 AI 接上公司的電話？」管理王 AI 電話客服系統就是為這種情況設計的。它不是單純的語音模型，而是把接電話這件事整套做好：

• AI 語音自動接聽與外撥：客人打進來由 AI 接聽，也可以主動外撥通知或回訪。
• 真人般的對話：用自然的口語回答，不是「請按 1、請按 2」的語音選單。
• 自動記錄通話重點與摘要，寫回 CRM：每通電話講了什麼、客人要什麼，自動整理進客戶資料，業務和客服接手不用重問。
• 可設定各產業的接聽流程：餐廳訂位、診所預約、門市詢價、售後報修，各自設定 AI 該問什麼、該怎麼回答、什麼情況轉給真人。
• 每月接聽通數依方案而定，提供 30 天免費試用：可以先用實際的來電測試效果，再決定要不要正式上線。

管理王 AI 電話客服系統和管理王的 CRM、客服工單、預約等功能在同一個系統裡，資料互通，不用另外付串接費用。導入前，顧問會依您的產業與來電量，協助規劃接聽流程與轉真人規則。

常見問題

AI 電話客服的反應時間多快才算合格？

沒有統一標準，但原則是越接近真人對話的節奏越好。這次實測前四名都在 1.5 秒以內，聽起來像對方稍微想一下就回答；超過兩秒以上，客人就容易察覺停頓。要注意的是，實際通話還要加上 VAD 判斷客人講完的等待時間，所以上線前一定要用真實電話撥打測試，而不是只看廠商公布的數字。

最便宜的模型就是最好的選擇嗎？

不一定。這次最便宜的 Qwen3.8-Omni Flash 速度與回答都不錯，但每家模型在不同情境的表現可能不同。例如有些模型反應很快，回答卻答非所問或講太長，反而讓通話變長、客人不滿。建議先用兩到三款候選模型，以自己公司最常見的來電內容實測，再決定。

為什麼 OpenAI 新版 gpt-realtime-2 反而比較慢？

依 OpenAI 官方文件，gpt-realtime-2 主打可設定的推理強度與複雜流程，推理強度越高可能增加延遲。在這次簡單的電話訂位情境中，它的反應時間與講完整句都比舊版 gpt-realtime 慢，回答也偏長。如果你的應用需要多步驟推理或大量工具呼叫，仍可以自行測試，但單純的訂位與查詢，舊版或 mini 版可能更適合。

Qwen 模型可以用在台灣的電話客服嗎？

技術上可以，這次實測它的速度與成本表現都很好。但要注意兩點：第一，它的用語偏中國用語，要在指示中明確要求台灣用語並實際撥打確認；第二，阿里雲的服務地區是新加坡與中國大陸，語音資料會傳到這些地區處理，對資料存放有規範的產業要先和法務確認。另外，表中的 Qwen 成本是第三方粗估，實際以阿里雲帳單為準。

這份實測結果可以直接拿來決定用哪家嗎？

建議當作起點，不要當作最終答案。這次只測了電話訂位一個情境，每個模型跑 3 次取中位數，不同問題、時段與網路條件都可能讓結果不同，各家模型也持續更新。比較好的做法是用這份數據縮小候選名單，再用你自己的真實情境做小規模試撥。

資料來源

• 實測數據：戰國策 2026 年 10 月 23 日於台灣主機實測（電話訂位情境，每模型 3 次取中位數）
• OpenAI，Introducing gpt-realtime and Realtime API updates（https://openai.com/index/introducing-gpt-realtime/）
• OpenAI，gpt-realtime 模型頁（https://developers.openai.com/api/docs/models/gpt-realtime）
• OpenAI，gpt-realtime-mini 模型頁（https://developers.openai.com/api/docs/models/gpt-realtime-mini）
• OpenAI，gpt-realtime-2 模型頁（https://developers.openai.com/api/docs/models/gpt-realtime-2）
• Alibaba Cloud Model Studio，Qwen-Omni-Realtime 文件（https://www.alibabacloud.com/help/en/model-studio/realtime）
• Alibaba Cloud Model Studio，模型總覽（https://www.alibabacloud.com/help/en/model-studio/models）
• ElevenLabs，Eleven Realtime 發表文章（https://elevenlabs.io/blog/realtime）
• xAI，Grok Voice 3.0 官方公告（https://x.ai/news/grok-voice-3）
• xAI，Voice 開發者文件（https://docs.x.ai/docs/guides/voice）
• Google，Gemini 3.8 Live 模型頁（https://ai.google.dev/gemini-api/docs/models/gemini-3.8-live）
• Google Cloud，Gemini Live API 總覽（https://docs.cloud.google.com/vertex-ai/generative-ai/docs/live-api）
• Stivers, T. 等人，Universals and cultural variation in turn-taking in conversation，PNAS 106(26)，2009（https://doi.org/10.1073/pnas.0903616106）