Grok Voice 3.0: el agente de voz de xAI baja al subsegundo sin subir el precio

Qué lanzó xAI

El 14 de octubre de 2026, xAI anunció Grok Voice 3.0, su nuevo modelo de voz a voz para agentes de voz en vivo, disponible de inmediato en la Voice Agent API. El precio se mantiene en 0,08 $ por minuto (4,80 $ por hora), igual que Grok Voice 2.0, y los agentes fijados en grok-voice-latest migraron automáticamente sin cambios para los desarrolladores. xAI enmarca el lanzamiento en tres afirmaciones: inteligencia de voz a voz líder en su clase, latencia inferior al segundo y menor coste operativo que otros modelos frontera comparables.

Según las mediciones de Artificial Analysis citadas por xAI, el coste medio por tarea en Big Bench Audio fue de 0,025 $ para Grok Voice 3.0, 0,030 $ para GPT-Live-1 (Astra, Medium) y 0,055 $ para GPT-Realtime-2.1 (High). Estos costes de inferencia por tarea del benchmark difieren del precio de la API de 0,08 $ por minuto. Sirven de referencia; la economía real de un centro de llamadas depende de la carga de trabajo, la duración de las llamadas, las integraciones y la derivación a personas.

[1] [2]

El marcador, según xAI

xAI informa que la firma independiente de pruebas Artificial Analysis coloca a Grok Voice 3.0 primero en su Speech-to-Speech Index con 86,9 -- un índice que combina razonamiento de voz, tareas de soporte de tau-Voice, y preferencia más éxito de tarea en llamadas ciegas cara a cara. La tabla comparativa publicada sitúa a GPT-Live-1 (Astra, Medium) en 83,2, a Gemini 3.8 Live (Extended Thinking, High) en 82,6 y a Grok Voice 2.0 en 81,3. Las puntuaciones por componente muestran de dónde vienen las mejoras: el razonamiento de voz en Big Bench Audio subió a 98,5 % desde 97,2 %, el Elo de preferencia en Speech Agent Arena a 1070 desde 1011, el éxito de tarea a 94,8 % desde 94,6 %, y Full Duplex Bench -- pausas, turnos de palabra, interrupciones -- a 97,0 % desde 95,1 %.

El matiz honesto lo incluye la propia xAI: en tau-Voice, el benchmark construido en torno a llamadas de soporte ruidosas y con múltiples acentos, Grok Voice 3.0 obtiene 71,6 % frente al 74,5 % de GPT-Live-1 (Astra, Medium) -- no lidera esa prueba. El encuadre de xAI es que el resultado es comparable con un 40 % menos de latencia, y que en EVA-Bench, el benchmark de código abierto de ServiceNow para agentes de voz empresariales, logra la mayor precisión con un 74 %, quedando primero cuando precisión y experiencia del cliente se puntúan juntas. Se cita a un director de producto de ServiceNow calificándolo de nueva frontera de Pareto para el benchmark -- un respaldo que xAI eligió para su propio anuncio, y así es exactamente como deben leerse esas citas. La cifra rival del 74,5 % procede de la cobertura de SiliconANGLE del gráfico comparativo de xAI, no de una medición independiente.

[1] [2]

Ya en producción

Las cifras de despliegue son la parte del anuncio que ningún benchmark puede sustituir. Grok Voice, dice xAI, impulsa millones de conversaciones al día en Tesla y SpaceX. En los vehículos Tesla, los conductores usan Connectors para peticiones rápidas manos libres -- consultar el calendario, responder un correo -- y Grok Bot para tareas más largas como pedir un café o reservar una cena; Grok Voice 3.0 también impulsa el modo de voz de Grok Bot. Son cifras reportadas por la compañía, no auditadas de forma independiente, pero describen un modelo ya integrado en productos que se venden, no a la espera de adopción.

Los centros de llamadas de Starlink son el caso de estudio más nítido: 20.000 llamadas de clientes al día, en varios idiomas, con cerca del 70 % resueltas sin intervención humana, y una de cada cuatro llamadas de ventas terminando en compra antes de colgar. Un solo agente de voz, dice xAI, verifica clientes, resuelve problemas de hardware, emite créditos y envía equipos de reemplazo -- el flujo completo de soporte, no un guion de desvío. De nuevo, los números vienen del proveedor. Pero una tasa de resolución sin intervención humana del 70 %, si se sostiene bajo medición independiente, es la métrica que decide los presupuestos de agentes de voz empresariales -- más que cualquier puntuación de índice.

[1]

Por qué importa

La señal interesante es que xAI publicó una comparativa que no gana del todo. Liderar el índice compuesto quedando por detrás en tau-Voice, y responder con latencia y coste por tarea, replantea el mercado: los agentes de voz ahora se juzgan en una superficie de intercambio entre precisión, capacidad de respuesta y coste por tarea, no en una única tabla. Un modelo con un 40 % menos de latencia en la comparación tau-Voice de xAI y menor coste por tarea en la prueba Big Bench Audio citada puede merecer una prueba en producción, aunque un rival puntúe más alto en un benchmark.

El cambio más profundo va de la calidad del modelo a la evidencia del flujo de trabajo. Los números de Starlink -- tasa de resolución, conversión de compra, un solo agente dueño de todo el ciclo de verificación a envío -- son métricas operativas, del tipo con el que las empresas realmente presupuestan. Los benchmarks clasifican modelos; la telemetría de producción clasifica productos. xAI apuesta a que publicar ambas el mismo día acorta la distancia entre mejor modelo y despliegue más práctico -- y que el precio sin cambios elimina la última excusa para no probarlo a escala.

[1]

Qué vigilar

Trate cada benchmark citado por un proveedor como orientativo hasta su replicación independiente. Las comprobaciones que importan son públicas: si la tabla publicada de Artificial Analysis sostiene el 86,9 y las cifras de coste por tarea, si equipos independientes reproducen el 74 % de EVA-Bench en el harness de código abierto, y si la brecha de tau-Voice con GPT-Live-1 se estrecha en revisiones posteriores. xAI merece crédito por publicar la prueba que no lidera; la industria debería devolver el favor verificando las que sí lidera.

Para los equipos que operan voz, la prueba práctica es un piloto con su propia mezcla de llamadas, no una tabla. La distribución de acentos, el ruido de fondo y los patrones de interrupción varían por mercado, y tau-Voice existe precisamente porque las puntuaciones de laboratorio no se transfieren limpiamente a llamadas reales. La economía, aun así, se ha inclinado a favor del comprador: precio por minuto sin cambios con migración automática hace que el coste de averiguarlo sea una prueba, no un proyecto de migración. Si la resolución sin intervención humana del 70 % se replica en sus llamadas, el debate del benchmark ha terminado.