A xAI anunciou em 14 de outubro de 2026 o Grok Voice 3.0, modelo de voz em tempo real para agentes, e afirmou que ele estava disponível na Voice Agent API. A empresa anunciou a tarifa de US$ 0,08 por minuto, a mesma do Grok Voice 2.0. O comunicado da xAI também diz que os agentes configurados com o identificador grok-voice-latest foram migrados automaticamente para a nova versão.
O que desenvolvedores podem configurar
A Voice Agent API usa uma conexão WebSocket em tempo real, com o endpoint /v1/realtime nos exemplos da xAI. Na sessão, o desenvolvedor pode configurar a voz, as instruções, a detecção de atividade de voz no servidor — usada para identificar turnos da conversa — e ferramentas. O exemplo inclui a ferramenta web_search.
Para aplicativos que se conectam pelo lado do cliente, a documentação de voz da xAI recomenda tokens efêmeros, evitando expor a chave de API no aplicativo. O guia também lista 28 identificadores de vozes integradas e mostra como criar uma voz personalizada a partir de um clipe de referência de até 120 segundos; o identificador resultante pode ser usado na API em tempo real.
Como interpretar os benchmarks
A xAI citou resultados da Artificial Analysis com data de 13 de outubro de 2026. O Speech-to-Speech Index combina, com o mesmo peso, quatro componentes: raciocínio em áudio no Big Bench Audio, desempenho no τ-Voice, preferência na Arena e sucesso em tarefas. A pontuação resume esses componentes; não representa uma medida única de todas as tarefas de um agente de voz. A metodologia da Artificial Analysis descreve os critérios do índice.
| Modelo 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 |
Na tabela comparativa publicada no anúncio, os valores são atribuídos à Artificial Analysis. As pontuações são específicas para os modelos e variantes listados. Em outra medida citada pela xAI, o Grok Voice 3.0 obteve 71,6% no τ-Voice, ante 74,5% do GPT-Live-1 (Astra, Medium); a xAI descreveu a latência do Grok como 40% menor.
A xAI também afirmou que o Grok Voice 3.0 lida com milhões de conversas por dia em veículos Tesla. Para os call centers da Starlink, a empresa informou 20 mil chamadas diárias e cerca de 70% resolvidas sem intervenção humana.
Tarifa por minuto e cobrança por texto
A tarifa anunciada para o processamento de voz para voz é de US$ 0,08 por minuto. A página de preços da xAI, marcada como atualizada em 10 de outubro de 2026, também lista US$ 0,004 por entrada de texto na Voice API. A tabela de preços da empresa apresenta essa cobrança separadamente da tarifa por minuto.
