xAI ha annunciato Grok Voice 3.0 il 14 ottobre 2026: un modello speech-to-speech in tempo reale per agenti vocali che, secondo l’azienda, era già disponibile nella Voice Agent API. Il lancio comprende anche una tariffa di 0,08 dollari al minuto e un aggiornamento automatico per gli agenti che usano l’alias grok-voice-latest (annuncio di xAI).
Come si configura la Voice Agent API
La connessione realtime usa WebSocket e l’endpoint /v1/realtime. Nella sessione gli sviluppatori possono impostare la voce, le istruzioni, il rilevamento dell’attività vocale lato server (VAD) e gli strumenti; tra gli esempi della guida di xAI c’è anche web_search. Per le connessioni avviate da un’app client, xAI raccomanda token effimeri, così da non esporre la chiave API nel client (guida vocale di xAI).
La stessa guida elenca 28 identificativi vocali predefiniti e mostra come creare una voce personalizzata a partire da una clip di riferimento lunga fino a 120 secondi. L’identificativo ottenuto può essere usato con l’API speech-to-speech realtime. xAI ha inoltre dichiarato che gli agenti già collegati tramite grok-voice-latest sono stati trasferiti automaticamente a Grok Voice 3.0, senza modifiche richieste (guida vocale di xAI; annuncio di xAI).
Che cosa misura il confronto dei benchmark
Per i risultati datati 13 ottobre 2026 e citati nel giorno successivo, xAI ha riportato per Grok Voice 3.0 un punteggio di 86,9 nello Speech-to-Speech Index di Artificial Analysis. Il confronto del lancio include questi quattro modelli e varianti:
| Modello e 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 calcola l’indice attribuendo lo stesso peso a quattro componenti: Big Bench Audio, τ-Voice, Arena Preference e task success (classifica e metodologia di Artificial Analysis; risultati citati da xAI). È quindi un punteggio composito: non riassume ogni singola prova. Sul τ-Voice, per esempio, xAI ha riportato il 71,6% per Grok Voice 3.0 e il 74,5% per GPT-Live-1 (Astra, Medium), pur descrivendo la latenza di Grok come inferiore del 40%.
La tariffa annunciata e il costo per input testuale
xAI ha annunciato una tariffa di 0,08 dollari al minuto per lo speech-to-speech, pari a 4,80 dollari all’ora e uguale a quella di Grok Voice 2.0 (annuncio di xAI). La pagina prezzi di xAI, indicata come aggiornata il 10 ottobre 2026, elenca inoltre 0,004 dollari per input testuale (prezzi API di xAI).
