¿Qué es Grok Voice 3.0?
Grok Voice 3.0 (grok-voice-3.0) es el modelo de voz a voz detrás de la Voice Agent API de SpaceXSI: escucha, razona, llama a herramientas y responde hablando en un solo modelo. Se lanzó el 14 de octubre de 2026 y sustituyó a Grok Voice 2.0, ahora obsoleto, al mismo precio; el alias grok-voice-latest pasó a apuntar a él automáticamente.
Funciona por WebSocket o WebRTC y atiende llamadas telefónicas por SIP a través de Twilio, Telnyx, Plivo o cualquier proveedor que enrute a SpaceXSI por TLS, con transferencias de llamada y entrada por teclado. Las herramientas integradas cubren búsqueda web, búsqueda en X, búsqueda de archivos en Collections y servidores MCP remotos, junto a tus propias funciones. El razonamiento está activado por defecto y se puede desactivar. La documentación enumera 20 códigos de idioma y variante regional, voces integradas compartidas con el texto a voz de SpaceXSI y la clonación de una voz a partir de un clip corto de referencia.
SpaceXSI dice que gestiona millones de conversaciones al día en coches Tesla y unas 20.000 llamadas diarias de clientes de Starlink.
¿Cuánto cuesta Grok Voice 3.0?
| Plan | Precio | Qué incluye |
|---|---|---|
| Audio | $0.08 per minute ($4.80 an hour) | |
| Text input | $0.004 per message |
0,08 $ por minuto de audio (4,80 $ por hora) más 0,004 $ por mensaje de texto de entrada, igual que Grok Voice 2.0, con el razonamiento incluido en la tarifa por minuto.
¿Merece la pena Grok Voice 3.0?
Grok Voice 3.0 es el modelo de voz a voz con mejor puntuación en el índice de Artificial Analysis a 13 de octubre de 2026, con 86,9 frente a 83,2 de GPT-Live-1 de OpenAI con Astra, 82,6 de Gemini 3.8 Live de Google y 81,3 de su predecesor. También lidera en Big Bench Audio, con un 98,5% frente al 90,1% de GPT-Live-1, en Full Duplex Bench, que mide pausas e interrupciones, con un 97,0% frente al 94,9%, y en llamadas a ciegas cara a cara con un Elo de 1070 frente a 1048.
La excepción es la prueba más parecida a un servicio de atención. En τ-Voice, que puntúa a agentes que completan tareas de atención al cliente, GPT-Live-1 lidera con un 74,5% frente al 71,6%. SpaceXSI dice que responde un 40% más rápido que GPT-Live-1 en esa prueba y en menos de un segundo en general, pero no publica cifras en milisegundos. Los datos de despliegue en Tesla y Starlink, incluido que el 70% de las llamadas de Starlink se resuelven sin una persona, son de la propia SpaceXSI y no están auditados.
El precio es más sencillo que el de OpenAI. Grok Voice cobra 0,08 $ por minuto, unos 4,80 $ por hora, más 0,004 $ por mensaje de texto, con el razonamiento incluido. GPT-Live-1 cuesta 0,05 $ por minuto más los tokens del modelo de texto que haga el razonamiento, así que su coste real depende del modelo elegido. En la prueba Big Bench Audio de Artificial Analysis, SpaceXSI informa de una media de 0,025 $ por tarea frente a 0,030 $ de GPT-Live-1 y 0,055 $ de GPT-Realtime-2.1.
Los detalles de despliegue son más escasos. El modelo solo funciona en us-east-1 y no se ofrece en el endpoint regional de EE. UU. Las sesiones duran hasta 120 minutos, y el límite de concurrencia por equipo publicado no se puede leer en la página de límites, así que los centros de llamadas grandes tienen que pactar límites con ventas. Clonar una voz a partir de un clip corto conlleva un riesgo evidente de abuso, y la documentación no describe ninguna comprobación de consentimiento.
Las condiciones de datos siguen las de la API de SpaceXSI: no entrena con entradas ni salidas sin permiso explícito y conserva 30 días por defecto para auditorías de abuso. El historial de conversación solo se guarda si activas la reanudación de sesión y se descarta tras 30 minutos de inactividad; con retención de datos cero, las conversaciones del agente de voz no se conservan en absoluto.
Dónde se gana su sitio
Un arquitecto de centro de contacto en una operación de soporte de telecomunicaciones de 300 puestos
Poner un agente de IA en la primera línea de las llamadas entrantes
Enruta las llamadas desde Twilio o Telnyx por SIP, da al agente las consultas de cuenta como funciones propias y transfiere a una persona con refer. A 0,08 $ por minuto, 100.000 minutos al mes cuestan 8.000 $ antes de los cargos de telefonía.
Una desarrolladora móvil en una start-up de reservas de viajes
Permitir que los usuarios cambien reservas hablando con la aplicación
Conecta desde la aplicación con un token efímero por WebSocket, usa la búsqueda web para información de vuelos en directo y funciones propias para el sistema de reservas. Una llamada de 5 minutos cuesta unos 0,40 $.
Un responsable de cumplimiento en una aseguradora de la UE
Decidir si el audio de las llamadas puede ir al modelo
El procesamiento solo se hace en us-east-1, así que no es posible procesar solo en la UE. La retención de datos cero evita que se conserven las conversaciones y hay que activarla con el equipo de ventas de SpaceXSI.
Antes de decidirte
- Puesta en marcha
- Crea una clave en console.x.ai, abre una sesión WebSocket con el modelo grok-voice-3.0 o grok-voice-latest y envía session.update con una voz, instrucciones y herramientas; el código existente de Grok Voice 2.0 solo necesita cambiar el nombre del modelo.
- Integraciones
- WebSocket y WebRTC; SIP mediante Twilio, Telnyx, Plivo o cualquier proveedor que enrute a sip.voice.x.ai por TLS; audio PCM de 8 kHz a 48 kHz, G.711 y Opus; herramientas de búsqueda web, búsqueda en X, búsqueda de archivos, MCP y funciones propias.
- Datos y privacidad
- No entrena con entradas ni salidas de la API sin permiso explícito; 30 días de retención por defecto para auditorías de abuso; las conversaciones del agente de voz no se conservan con retención de datos cero; el historial de sesión solo se guarda con la reanudación activada y se descarta tras 30 minutos de inactividad.
- Coste a escala
- 4,80 $ por hora de audio, así que 10.000 horas al mes cuestan 48.000 $ sin descuento por volumen publicado.
- Límites
- Sesión máxima de 120 minutos; desplegado solo en us-east-1; no disponible en el endpoint regional de EE. UU.; hasta 100 términos clave de 50 caracteres cada uno.
Lo bueno
- Primero en el índice de voz a voz de Artificial Analysis con 86,9
- Tarifa plana de 0,08 $ por minuto con razonamiento incluido
- Llamadas SIP con transferencias y entrada por teclado mediante Twilio, Telnyx y Plivo
- Búsqueda web, en X y de archivos integrada, además de MCP y funciones propias
- Las conversaciones no se conservan con retención de datos cero
Lo malo
- Por detrás de GPT-Live-1 en τ-Voice, la prueba de atención al cliente
- Servido solo desde us-east-1, sin endpoint regional de EE. UU.
- Las cifras de despliegue y latencia son de la propia SpaceXSI
- Clonación de voz sin comprobación de consentimiento documentada
- Solo 20 idiomas y variantes regionales en la documentación
Ideal para
Equipos que crean agentes de voz telefónicos y para aplicaciones y quieren las mejores puntuaciones de benchmark a un precio por minuto predecible, y pueden trabajar con un despliegue solo en EE. UU.
Alternativas a Grok Voice 3.0
Grok Voice 3.0: preguntas frecuentes
- ¿Merece la pena Grok Voice 3.0?
- Grok Voice 3.0 encabeza el índice independiente de voz a voz con una tarifa plana sencilla, pero OpenAI sigue ganando en tareas de tipo soporte y todas las llamadas se procesan en una sola región de EE. UU. Le damos un 4.3 sobre 5.
- ¿Cuánto cuesta Grok Voice 3.0?
- 0,08 $ por minuto de audio (4,80 $ por hora) más 0,004 $ por mensaje de texto de entrada, igual que Grok Voice 2.0, con el razonamiento incluido en la tarifa por minuto.
- ¿Qué inconvenientes tiene Grok Voice 3.0?
- Por detrás de GPT-Live-1 en τ-Voice, la prueba de atención al cliente; servido solo desde us-east-1, sin endpoint regional de EE. UU.; las cifras de despliegue y latencia son de la propia SpaceXSI; clonación de voz sin comprobación de consentimiento documentada; solo 20 idiomas y variantes regionales en la documentación.
- ¿Para quién es Grok Voice 3.0?
- Equipos que crean agentes de voz telefónicos y para aplicaciones y quieren las mejores puntuaciones de benchmark a un precio por minuto predecible, y pueden trabajar con un despliegue solo en EE. UU.
- ¿Cuánto cuesta Grok Voice 3.0 para un equipo o en producción?
- 4,80 $ por hora de audio, así que 10.000 horas al mes cuestan 48.000 $ sin descuento por volumen publicado.
- ¿Es Grok Voice 3.0 seguro para los datos de la empresa?
- No entrena con entradas ni salidas de la API sin permiso explícito; 30 días de retención por defecto para auditorías de abuso; las conversaciones del agente de voz no se conservan con retención de datos cero; el historial de sesión solo se guarda con la reanudación activada y se descarta tras 30 minutos de inactividad.
- ¿Cuáles son las mejores alternativas a Grok Voice 3.0?
- Las alternativas más cercanas que hemos analizado son GPT-Live-1 (and GPT-Realtime-2.1), Gemini Omni Flash 1.1 y Cartesia Sonic 3.6.
Respuestas comprobadas el 6 nov 2026.
¿Desarrollas Grok Voice 3.0? Muestra esta nota en tu web
