El 14 de octubre de 2026, xAI anunció Grok Voice 3.0, un modelo de voz a voz en tiempo real para agentes, y dijo que ya estaba disponible en Voice Agent API. La tarifa anunciada fue de 0,08 dólares por minuto, la misma que la de Grok Voice 2.0, según el anuncio de xAI. La compañía también dijo que los agentes que utilizaban el alias grok-voice-latest se habían migrado automáticamente, sin cambios necesarios.
Qué pueden configurar los desarrolladores
La guía de xAI muestra una conexión WebSocket al endpoint /v1/realtime y una sesión configurable con voz, instrucciones, detección de actividad de voz en el servidor (VAD) y herramientas. Un ejemplo habilita web_search. Para las conexiones desde una aplicación cliente, xAI recomienda usar tokens efímeros, de modo que la clave de API no quede expuesta en el dispositivo. La guía de Voice Agent API de xAI incluye esos pasos de integración.
La misma guía enumera 28 identificadores de voz integrados y muestra cómo crear una voz personalizada a partir de un clip de referencia de hasta 120 segundos. El identificador resultante se puede utilizar con la API de voz a voz en tiempo real.
Qué mide la comparación de benchmarks
Los resultados que xAI atribuyó a Artificial Analysis corresponden al 13 de octubre de 2026. En el Speech-to-Speech Index, Grok Voice 3.0 obtuvo 86,9 puntos. La tabla del anuncio recoge también estas puntuaciones para otros modelos y variantes concretas:
| Modelo y variante | Speech-to-Speech Index |
| Grok Voice 3.0 | 86,9 |
| Grok Voice 2.0 | 81,3 |
| GPT-Live-1 (Astra, Medium) | 83,2 |
| Gemini 3.8 Live (Extended Thinking, High) | 82,6 |
Artificial Analysis calcula el índice con la misma ponderación para cuatro componentes: razonamiento en Big Bench Audio, rendimiento en τ-Voice, preferencia en Arena y éxito en tareas. Su metodología y clasificación de voz a voz detallan esas pruebas; la puntuación conjunta no sustituye los resultados de cada una.
En τ-Voice, xAI informó de un 71,6 % para Grok Voice 3.0 y un 74,5 % para GPT-Live-1 (Astra, Medium). La compañía describió la latencia de Grok como un 40 % menor. En la tabla del anuncio también figuran un 98,5 % en Big Bench Audio, 1.070 puntos Elo en Speech Agent Arena, un 94,8 % de éxito en tareas y un 97,0 % en Full Duplex Bench.
xAI comunicó además un 74 % de precisión para Grok Voice 3.0 en EVA-Bench y dijo que el modelo obtuvo el mejor resultado al combinar precisión y experiencia del cliente. ServiceNow describe EVA-Bench como una evaluación de conversaciones habladas completas y de varios turnos, con puntuaciones separadas para la precisión de las tareas y la experiencia conversacional.
Uso comunicado por xAI
La compañía afirmó que Grok Voice gestionaba millones de conversaciones diarias en vehículos Tesla y en SpaceX. Para los centros de atención de Starlink, xAI comunicó 20.000 llamadas al día en varios idiomas, con alrededor del 70 % resuelto sin intervención humana. También dijo que una de cada cuatro llamadas de ventas acababa en una compra.
La tarifa de voz y el cargo de texto
xAI anunció una tarifa de 0,08 dólares por minuto para voz a voz. Además, su página de precios, que indicaba como última actualización el 10 de octubre de 2026, mostraba un cargo de 0,004 dólares por entrada de texto. La tarifa de Voice API también presenta precios para servicios independientes de transcripción y síntesis de voz, separados de la tarifa de voz a voz.
