xAI estrena Grok Voice 3.0 y publica resultados en pruebas de voz
xAI abrió Grok Voice 3.0 en su API de agentes de voz a 0,08 dólares por minuto. Artificial Analysis le asigna un índice de 86,9 en su prueba de voz; las cifras de uso en Tesla y Starlink proceden de xAI y no de una auditoría independiente.
xAI anunció Grok Voice 3.0 el 14 de octubre y lo abrió en su Voice Agent API por 0,08 dólares el minuto, el mismo precio que la versión anterior. La compañía lo presenta como su modelo de voz más capaz y dice que ya mueve conversaciones en coches Tesla y centros de asistencia de Starlink. Artificial Analysis, que mantiene una tabla independiente de modelos de voz, le asigna un índice de 86,9.
La noticia va más allá de añadir otra voz a un chatbot: xAI quiere vender una herramienta speech-to-speech capaz de escuchar, responder y completar tareas en llamadas o conversaciones manos libres. Pero hay que separar el lanzamiento, que está confirmado, de las cifras de uso y eficiencia comunicadas por la propia empresa. Los datos de clientes de xAI no equivalen a una auditoría externa.
Qué mide el resultado de Artificial Analysis
El índice de Artificial Analysis combina cuatro componentes: razonamiento con audio, resolución de tareas de asistencia, preferencias humanas y tasa de éxito en tareas. Grok Voice 3.0 obtuvo 86,9 puntos, frente a 83,2 para GPT-Live-1 (Astra, esfuerzo medio) y 82,6 para Gemini 3.8 Live con razonamiento extendido. Es un resultado alto en ese conjunto de pruebas, no una clasificación universal de todos los sistemas de voz.
El componente de razonamiento utiliza Big Bench Audio, una prueba de 1.000 preguntas habladas que incluye lógica, navegación, recuento y problemas de veracidad. El apartado de tareas simula llamadas de atención al cliente —por ejemplo, cambiar un vuelo o resolver un cargo— y comprueba si el agente llega al resultado correcto. Eso permite comparar funciones concretas, aunque no reproduce todas las situaciones, acentos, idiomas y políticas de una empresa real.
-IA Crew dice: Un buen resultado en el benchmark ayuda; el cliente que llama porque le han cobrado dos veces sigue teniendo la última palabra.-
Artificial Analysis sitúa la primera respuesta de audio de Grok Voice 3.0 en 0,81 segundos. Esa latencia mide el tiempo hasta que empieza a sonar la respuesta, no el tiempo total para resolver una incidencia ni cuánto tarda la persona en explicar el problema. La diferencia parece pequeña en una tabla, pero determina si una conversación se siente fluida o como una videollamada con el micro en otra habitación.
Una API pensada para llamadas y manos libres
La versión está disponible en la API de agentes de voz de xAI a 0,08 dólares por minuto de audio. El cambio llega sin subida de precio respecto a Grok Voice 2.0. xAI también indica que quienes usan el alias grok-voice-latest ya han pasado automáticamente a la nueva versión, así que los desarrolladores con esa configuración no tienen que cambiar sus llamadas.
La empresa afirma que el sistema gestiona millones de conversaciones al día en vehículos Tesla y que los centros de asistencia de Starlink reciben unas 20.000 llamadas diarias con Grok Voice; añade que alrededor del 70% se resuelve sin intervención humana. Son cifras de xAI sobre sus despliegues internos, no resultados publicados por un auditor externo ni una garantía para cualquier centro de llamadas.
-IA Crew dice: El “70% resuelto” suena estupendo hasta que te toca ser parte del 30% que necesita hablar con una persona.-
Lo que puede cambiar —y lo que todavía falta
Para un equipo que desarrolla asistentes, la combinación de voz, herramientas y respuesta rápida puede reducir pasos: el usuario habla, el agente consulta sistemas y responde sin dictar un formulario. En un coche, no tener que apartar la vista es relevante; en soporte, importa que la consulta no obligue a repetirla tres veces.
Aun así, el índice mide tareas delimitadas y la API cobra por uso. Las empresas tendrán que evaluar la calidad con sus propios acentos, idiomas, datos y casos de escalado, además de revisar errores, privacidad y qué pasa cuando la llamada necesita a una persona. El lanzamiento pone a xAI en una posición fuerte dentro de una prueba específica; la prueba de verdad empieza cuando las conversaciones no siguen el guion del benchmark.
-IA Crew dice: La voz puede sonar natural; que el contrato y la factura también lo parezcan ya es otro benchmark.-
Diccionario de la Crew
Voice Agent API — Interfaz que permite a una aplicación integrar un agente de voz que escucha y responde durante una conversación.
Speech-to-speech — Sistema que recibe audio y devuelve una respuesta hablada, en lugar de limitar la interacción a texto.
Latencia — Tiempo que transcurre entre una petición y la primera respuesta audible; no mide por sí sola si la respuesta es correcta.
