xAI sube la apuesta en voz: Grok Voice 3.0 promete hablar y escuchar al mismo tiempo casi sin pausas y sin subir el precio. Las cifras que presume salen, en buena parte, de un índice externo que conviene mirar con detalle.
Grok Voice 3.0: el nuevo modelo de voz de xAI llega sin cambiar de precio
xAI presentó el 14 de octubre Grok Voice 3.0, la nueva versión de su modelo de voz que da vida a la Voice Agent API. Es un sistema de voz a voz, lo que significa que recibe audio y responde con audio directamente, sin pasar por texto intermedio. Ese detalle importa: es lo que permite que una conversación se sienta fluida en lugar de robótica.
La empresa lo describe como "el modelo de voz más inteligente del mundo" y asegura que marca un nuevo récord a la hora de resolver llamadas de atención al cliente. Habrá que verlo en producción, pero el marco para comparar ya está fijado.
El precio no sube. El precio se mantiene intacto respecto a la generación anterior: 0,08 dólares por minuto, es decir 4,80 dólares por hora, más 0,004 dólares por cada entrada de texto. Para los que ya usaban la versión anterior, el cambio es transparente. La etiqueta grok-voice-latest se actualiza de forma automática.
Qué mejora respecto a Grok Voice 2.0
La clave es la latencia. El salto tiene que ver sobre todo con la latencia y con la naturalidad de la conversación. xAI dice que el modelo responde en menos de un segundo, y de ahí que lo venda como una opción realista para agentes que atienden llamadas.
La mejora se apoya en cómo maneja los turnos de palabra. Un modelo de voz a voz tiene que saber cuándo callar, cuándo retomar y cómo reaccionar si el interlocutor lo interrumpe o suelta un "ya" o un "vale" para confirmar. Ese último punto, el del backchannel, es donde fallan muchas herramientas: se quedan mudas o responden encima del usuario. Es también lo que mide Full Duplex Bench, una de las pruebas que la empresa cita para respaldar la mejora.
La compañía afirma que la nueva versión rinde mejor en llamadas de atención al cliente, el escenario donde la fluidez deja de ser una curiosidad y se vuelve dinero: una interrupción mal gestionada alarga la llamada y sube el coste por minuto.
Los benchmarks que xAI cita y de dónde salen
Ojo con las cifras. Aquí conviene separar lo verificado de lo que es una cifra de parte. xAI apoya su anuncio en una evaluación independiente de Artificial Analysis fechada el 13 de octubre, que sitúa a Grok Voice 3.0 en cabeza del Speech-to-Speech Index con una puntuación de 86,9.
La tabla que acompaña al anuncio coloca a GPT-Live-1 (Astra, Medium) en 83,2, a Gemini 3.8 Live en 82,6 y a Grok Voice 2.0 en 81,3. Ese es un dato relevante: la brecha con el modelo anterior de la propia casa es real y medible en un índice externo.
El índice se desglosa. Los componentes del índice son cuatro, con el mismo peso: razonamiento de voz a partir de Big Bench Audio, rendimiento como agente según tau-Voice, preferencia en arena y tasa de éxito en tareas. Para obtener puntuación hace falta publicar resultados en los cuatro. Un modelo puede destacar en uno y hundirse en otro, así que la media cuenta una historia y los desgloses cuentan otra.
Ahí asoma el matiz. En tau-Voice, el benchmark construido con llamadas simuladas de atención al cliente, xAI reporta un 71,6 % para Grok Voice 3.0, por debajo del 74,5 % de GPT-Live-1. La empresa prefiere subrayar que su modelo logra ese resultado con un 40 % menos de latencia. La cifra de coste por tarea que cita, 0,025 dólares para Grok Voice 3.0 frente a 0,030 de GPT-Live-1, también es parte del argumento de eficiencia, no de capacidad pura.
EVA-Bench y el discurso del ahorro
Y una prueba más. xAI añade otra prueba al cuadro: EVA-Bench, un marco abierto de ServiceNow para agentes de voz empresariales, donde dice haber logrado la mayor precisión (74 %) y el mejor rendimiento cuando se puntúan juntos precisión y experiencia de cliente. Nitin Aggarwal, director sénior de gestión de producto en ServiceNow, respaldó el resultado al señalar que el modelo establece "una nueva frontera de Pareto" en el benchmark.
El hilo conductor de todo el anuncio no es que Grok Voice 3.0 sea invencible, sino que ofrece un resultado competitivo más barato. Para quien desarrolla un agente de voz, esa es la cuenta que de verdad importa: qué cuesta cada conversación resuelta, no qué puntuación alcanza un modelo en una tabla aislada.
La otra parte del argumento son los despliegues que ya funcionan. Según xAI, Grok Voice gestiona millones de conversaciones al día en vehículos Tesla, donde los conductores usan conectores para consultar el calendario o responder un correo, y en otros productos de la compañía. Que la tecnología ya esté en producción a esa escala es, en la práctica, la prueba más difícil de falsificar.
Qué significa para quien construye agentes de voz
La integración es sencilla. El punto de partida más práctico: la Voice Agent API de xAI mantiene la compatibilidad con la API Realtime de OpenAI, así que si ya trabajas con ese formato, integrar Grok Voice 3.0 no debería obligarte a reescribir tu arquitectura. Los parámetros de sesión y los eventos no cambian.
El modelo admite audio y texto, voces personalizadas, llamadas a funciones, búsqueda y herramientas MCP. Para proyectos que necesitan que un agente no solo hable bien, sino que además consulte datos o ejecute acciones durante la llamada, ese abanico de capacidades es lo que marca la diferencia entre un juguete y un producto.
¿A quién le conviene este modelo? La conclusión razonable es que xAI ha puesto un modelo de voz competitivo a un precio que obliga a compararlo en serio. La pregunta que queda abierta es si esa ventaja de coste se mantiene cuando las conversaciones se vuelven largas y complejas, justo donde la latencia y la gestión de turnos dejan de perdonar.
