Por Redacción Pangea IA · 15 de octubre de 2026
Grok Voice 3.0 ya está disponible en la API de agentes de voz de xAI por 0,08 dólares el minuto, el mismo precio que su predecesor. La nueva versión mejora el rendimiento en razonamiento hablado, interrupciones y resolución de tareas, y ocupa el primer puesto en el índice compuesto de voz a voz de Artificial Analysis. Sin embargo, no lidera todas las pruebas independientes y su ventaja debe interpretarse con más cuidado que el eslogan de lanzamiento.
El modelo llega con una transición sencilla para los desarrolladores: el alias grok-voice-latest ya apunta automáticamente a Grok Voice 3.0, la API mantiene la misma estructura y Grok Voice 2.0 queda marcado como obsoleto. Para una empresa que ya utiliza esa integración, el cambio puede producirse sin modificar el código. Para quien estudia automatizar atención telefónica, reservas o soporte, la noticia aporta por fin tres datos comparables: precio, latencia y resultados en evaluaciones externas.
Qué es Grok Voice 3.0 y dónde está disponible
Grok Voice 3.0 es un modelo de voz a voz en tiempo real. Recibe el audio del interlocutor, interpreta la petición y genera una respuesta hablada sin depender de una cadena visible de transcripción, modelo de texto y síntesis de voz. Este enfoque busca reducir la espera y conservar aspectos conversacionales como pausas, interrupciones y cambios de turno.
La disponibilidad confirmada es la Voice Agent API de xAI. El identificador específico es grok-voice-3.0; el alias grok-voice-latest también lo selecciona. La documentación oficial indica que las sesiones que ya utilizaban ese alias se han actualizado de forma automática y que no cambia la interfaz de programación. El anuncio no detalla un despliegue equivalente para todos los usuarios de la aplicación Grok ni enumera restricciones geográficas concretas para esta versión, por lo que no conviene confundir disponibilidad por API con acceso general en el chat.
xAI ha integrado el modelo en servicios propios y de su grupo empresarial. La compañía afirma que la tecnología gestiona millones de conversaciones diarias en vehículos Tesla y unas 20.000 llamadas al día en centros de atención de Starlink. También sostiene que alrededor del 70% de esas llamadas se resuelve sin intervención humana. Son cifras comunicadas por el proveedor y no una auditoría pública de resultados.
Precio: 0,08 dólares por minuto
El precio publicado es de 0,08 dólares por minuto, equivalente a 4,80 dólares por hora de conversación. No hay aumento respecto a Grok Voice 2.0. Esta tarifa facilita una primera estimación, aunque no representa el coste total de un servicio telefónico: faltan la telefonía, la infraestructura, las herramientas externas, el almacenamiento, la supervisión, la integración con el sistema de clientes y las transferencias a operadores humanos.
| Consumo mensual | Coste base del modelo | Qué no incluye |
|---|---|---|
| 1.000 minutos | 80 dólares | Telefonía, desarrollo y servicios externos |
| 10.000 minutos | 800 dólares | Integración, almacenamiento y supervisión |
| 100.000 minutos | 8.000 dólares | Operadores, cumplimiento y recuperación ante fallos |
La tabla es una multiplicación directa de la tarifa oficial y no una oferta comercial completa. Una pyme española debería calcular además cuánto cuesta resolver una llamada, no solo atenderla. Si el agente alarga conversaciones, repite preguntas o transfiere demasiados casos, un precio por minuto bajo puede terminar produciendo un coste por solución elevado.
Qué dicen las pruebas independientes
Artificial Analysis sitúa a Grok Voice 3.0 en el primer puesto de su índice compuesto Speech-to-Speech, con 86,9 puntos. En la misma comparación, GPT-Live-1 en configuración Astra obtiene 83,2; Gemini 3.8 Live con razonamiento ampliado, 82,6; y Grok Voice 2.0, 81,3. El índice combina razonamiento con audio, preferencia humana, éxito al completar tareas y dinámica conversacional.
| Métrica | Grok Voice 3.0 | Lectura |
|---|---|---|
| Índice compuesto de voz a voz | 86,9 | Primero en la clasificación global citada |
| Éxito al completar tareas | 94,8% | Intervalo del 95%: 91,6%–96,8% |
| Dinámica de conversación | 97,0% | Mide pausas, turnos e interrupciones |
| τ-Voice | 71,6% | Prueba llamadas con ruido, acentos e interrupciones |
| Preferencia en Speech Agent Arena | 1.070 Elo | Tercer puesto; no lidera esta prueba concreta |
La última fila introduce una cautela importante. Grok encabeza el índice compuesto, pero ocupa la tercera posición en la arena de preferencias de Artificial Analysis, detrás de dos configuraciones de Gemini. Su intervalo de confianza se solapa con varios competidores. Por tanto, es razonable afirmar que está entre los mejores sistemas evaluados, pero no que sea indiscutiblemente superior en cualquier conversación.
La latencia también requiere matices. xAI destaca que la primera respuesta llega en menos de un segundo y que el modelo responde un 40% más rápido que GPT-Live-1 Astra en la medición utilizada. Los datos publicados sitúan el primer audio en torno a 0,81 segundos. No obstante, Grok Voice 2.0 registraba aproximadamente 0,70 segundos: la nueva versión mejora el conjunto de capacidades, pero no supera a su antecesora en esa métrica aislada.
Comparación con Gemini y OpenAI
La comparación más útil no consiste en elegir un ganador universal, sino en relacionar cada modelo con el trabajo que debe realizar. Grok Voice 3.0 muestra un equilibrio fuerte entre resolución de tareas y rapidez. GPT-Live-1 mantiene resultados competitivos en capacidad agente, mientras que distintas variantes de Gemini obtienen más preferencia humana en conversaciones ciegas.
Las pruebas tampoco reproducen por completo una empresa real. Un agente de soporte debe consultar pedidos, identificar clientes, aplicar permisos, documentar la llamada y transferir casos delicados. El modelo que responde mejor en un banco de pruebas puede no ser el más fiable al conectarlo con herramientas internas. Nuestra información sobre Gemini 3.8 Live y los agentes que razonan mientras hablan explica por qué la calidad de voz es solo una parte del sistema.
También importa el tipo de experiencia. Un asistente visual o un avatar añade sincronización, imagen y otra capa de latencia. La guía para crear un avatar conversacional con Gemini Live muestra los componentes adicionales que deben coordinarse cuando la interacción va más allá de una llamada de audio.
La migración desde Grok Voice 2.0
La actualización es automática para quienes usan grok-voice-latest. Quienes hayan fijado el identificador anterior deben cambiarlo por grok-voice-3.0 o por el alias. Aunque la API sea compatible y el precio no cambie, una empresa no debería considerar la migración terminada sin repetir sus pruebas.
- Revisar las conversaciones críticas: cancelaciones, pagos, reclamaciones y autenticación.
- Medir interrupciones y silencios: una diferencia pequeña puede alterar la sensación de naturalidad.
- Comprobar herramientas: confirmar que las llamadas a calendarios, CRM o pedidos conservan permisos y formatos.
- Comparar coste por resolución: incluir repeticiones, transferencias y llamadas abandonadas.
- Mantener una salida humana: definir cuándo el agente debe detenerse y transferir la conversación.
Este control es especialmente importante porque una actualización automática puede modificar respuestas sin que cambie el código de la aplicación. Utilizar un alias simplifica el mantenimiento, pero reduce el control sobre el momento exacto del cambio. Los servicios regulados o con pruebas estrictas pueden preferir fijar una versión y migrar después de validarla.
Qué puede aportar a pymes y autónomos
Para una pyme, los casos más razonables son tareas repetitivas y acotadas: confirmar una cita, informar del estado de un pedido, registrar una incidencia o recoger datos antes de transferir la llamada. Resulta menos prudente empezar por reclamaciones complejas, asesoramiento financiero, emergencias o decisiones que afecten a derechos del cliente.
La experiencia de otras plataformas invita a exigir transparencia. Pangea IA explicó cómo Meta recurrió a operadores humanos detrás de algunas llamadas de Muse. Una empresa debe informar con claridad de si el interlocutor es una IA, cuándo interviene una persona y qué datos se registran. Una voz muy natural no debería utilizarse para ocultar la naturaleza automatizada del servicio.
En España y la Unión Europea también hay que revisar la base jurídica del tratamiento, los contratos con proveedores, los plazos de conservación, la transferencia internacional de datos y las obligaciones que correspondan por el uso concreto. El anuncio de Grok Voice 3.0 no sustituye esa evaluación. Tampoco confirma por sí solo dónde se procesan todos los datos ni qué configuración empresarial resulta adecuada para cada sector.
Lo que todavía falta demostrar
xAI presenta cifras llamativas sobre Tesla y Starlink, pero no publica en el anuncio una auditoría detallada de esas operaciones. “Resolver” una llamada puede significar cosas distintas: cerrar correctamente una incidencia, evitar la transferencia o simplemente finalizar la conversación. Sin una definición común, el 70% comunicado por la compañía no puede compararse directamente con la tasa de otro centro de atención.
También faltan datos públicos desglosados por idioma. Una evaluación global no garantiza el mismo rendimiento en español de España, catalán, llamadas con ruido o nombres propios locales. Antes de contratar un despliegue amplio, conviene probar una muestra representativa de voces, acentos y situaciones reales, y revisar manualmente tanto los éxitos como los fallos.
Una mejora competitiva, no un piloto automático
Grok Voice 3.0 reúne tres ventajas verificables: ya está disponible, mantiene el precio de la versión anterior y obtiene resultados competitivos en mediciones externas. La compatibilidad de la API reduce la fricción para quienes ya trabajaban con xAI. El liderazgo en el índice compuesto de Artificial Analysis refuerza su candidatura para nuevas pruebas empresariales.
La decisión final, sin embargo, no debería basarse en un único ranking. Grok no lidera la arena de preferencia humana, su versión anterior inicia el audio ligeramente antes y las cifras operativas más espectaculares proceden de la propia compañía. Para una empresa, la pregunta decisiva no es qué modelo encabeza una tabla, sino cuál resuelve sus llamadas con precisión, informa al cliente y permite recuperar el control cuando algo falla.
Fuentes consultadas
- xAI: presentación oficial de Grok Voice 3.0, 14 de octubre de 2026. Consulta: 15 de octubre de 2026.
- Documentación de xAI: disponibilidad, migración y retirada de Voice 2.0, 14 de octubre de 2026. Consulta: 15 de octubre de 2026.
- Artificial Analysis: Speech Agent Arena y metodología comparativa. Consulta: 15 de octubre de 2026.
- Newsquawk: confirmación del lanzamiento y hora de publicación, 14 de octubre de 2026. Consulta: 15 de octubre de 2026.
Deja una respuesta