O que é Grok Voice 3.0?
O Grok Voice 3.0 (grok-voice-3.0) é o modelo de fala para fala por trás da Voice Agent API da SpaceXSI: ele escuta, raciocina, chama ferramentas e responde falando, tudo em um só modelo. Foi lançado em 14 de outubro de 2026 e substituiu o Grok Voice 2.0, agora descontinuado, pelo mesmo preço; o alias grok-voice-latest passou a apontar para ele automaticamente.
Ele funciona via WebSocket ou WebRTC e atende ligações por SIP pela Twilio, Telnyx, Plivo ou qualquer provedor que encaminhe para a SpaceXSI via TLS, com transferência de chamadas e entrada pelo teclado. As ferramentas integradas cobrem busca na web, busca no X, busca de arquivos em Collections e servidores MCP remotos, além das suas próprias funções. O raciocínio vem ligado por padrão e pode ser desligado. A documentação lista 20 códigos de idioma e variante regional, vozes integradas compartilhadas com o texto para fala da SpaceXSI e clonagem de voz a partir de um trecho curto de referência.
A SpaceXSI diz que ele atende milhões de conversas por dia em carros Tesla e cerca de 20.000 ligações de clientes da Starlink por dia.
Quanto custa Grok Voice 3.0?
| Plano | Preço | O que inclui |
|---|---|---|
| Audio | $0.08 per minute ($4.80 an hour) | |
| Text input | $0.004 per message |
US$ 0,08 por minuto de áudio (US$ 4,80 por hora) mais US$ 0,004 por mensagem de texto de entrada, igual ao Grok Voice 2.0, com o raciocínio incluído na tarifa por minuto.
Grok Voice 3.0 vale a pena?
O Grok Voice 3.0 é o modelo de fala para fala mais bem avaliado no índice da Artificial Analysis em 13 de outubro de 2026, com 86,9 contra 83,2 do GPT-Live-1 da OpenAI com Astra, 82,6 do Gemini 3.8 Live do Google e 81,3 do seu antecessor. Ele também lidera no Big Bench Audio, com 98,5% contra 90,1% do GPT-Live-1, no Full Duplex Bench, que testa pausas e interrupções, com 97,0% contra 94,9%, e em ligações às cegas lado a lado, com Elo de 1070 contra 1048.
A exceção é o teste mais próximo de um balcão de suporte. No τ-Voice, que avalia agentes concluindo tarefas de atendimento ao cliente, o GPT-Live-1 lidera com 74,5% contra 71,6%. A SpaceXSI diz que ele responde cerca de 40% mais rápido que o GPT-Live-1 nesse benchmark e em menos de um segundo em geral, mas não publica números em milissegundos. Os dados de uso na Tesla e na Starlink, incluindo 70% das ligações da Starlink resolvidas sem uma pessoa, são da própria SpaceXSI e não foram auditados.
O preço é mais simples que o da OpenAI. O Grok Voice cobra US$ 0,08 por minuto, cerca de US$ 4,80 por hora, mais US$ 0,004 por mensagem de texto, com o raciocínio incluído. O GPT-Live-1 custa US$ 0,05 por minuto mais os tokens do modelo de texto que faz o raciocínio, então o custo real depende do modelo escolhido. Na rodada de Big Bench Audio da Artificial Analysis, a SpaceXSI informa média de US$ 0,025 por tarefa, contra US$ 0,030 do GPT-Live-1 e US$ 0,055 do GPT-Realtime-2.1.
Os detalhes de implantação são mais escassos. O modelo roda só em us-east-1 e não é oferecido no endpoint regional dos EUA. As sessões duram até 120 minutos, e o limite de concorrência por equipe publicado está ilegível na página de limites, então grandes centrais de atendimento precisam combinar limites com a área comercial. Clonar uma voz a partir de um trecho curto traz um risco óbvio de abuso, e a documentação não descreve nenhuma verificação de consentimento.
As regras de dados seguem as da API da SpaceXSI: sem treinamento com entradas ou saídas sem permissão explícita e retenção de 30 dias por padrão para auditorias de abuso. O histórico da conversa só é guardado se você ativar a retomada de sessão e é descartado após 30 minutos de inatividade; com retenção zero de dados, as conversas do agente de voz não são guardadas de forma alguma.
Onde ele se destaca
Um arquiteto de central de atendimento em uma operação de suporte de telecom com 300 posições
Colocar um agente de IA na primeira linha das ligações recebidas
Encaminhe as ligações da Twilio ou da Telnyx por SIP, dê ao agente consultas de conta como funções próprias e transfira para uma pessoa com refer. A US$ 0,08 por minuto, 100.000 minutos por mês custam US$ 8.000 antes das tarifas de telefonia.
Uma desenvolvedora mobile em uma startup de reservas de viagem
Deixar os usuários mudarem reservas conversando com o app
Conecte a partir do app com um token efêmero via WebSocket, use a busca na web para informações de voo ao vivo e funções próprias para o sistema de reservas. Uma ligação de 5 minutos custa cerca de US$ 0,40.
Um responsável de compliance em uma seguradora da UE
Decidir se o áudio das ligações pode ir para o modelo
O processamento acontece só em us-east-1, então não é possível processar só na UE. A retenção zero de dados impede que as conversas sejam guardadas e precisa ser ativada pela área comercial da SpaceXSI.
Antes de decidir
- Configuração
- Crie uma chave em console.x.ai, abra uma sessão WebSocket com o modelo grok-voice-3.0 ou grok-voice-latest e envie session.update com voz, instruções e ferramentas; código existente do Grok Voice 2.0 só precisa trocar o nome do modelo.
- Integrações
- WebSocket e WebRTC; SIP via Twilio, Telnyx, Plivo ou qualquer provedor que encaminhe para sip.voice.x.ai via TLS; áudio PCM de 8 kHz a 48 kHz, G.711 e Opus; ferramentas de busca na web, busca no X, busca de arquivos, MCP e funções próprias.
- Dados e privacidade
- Sem treinamento com entradas ou saídas da API sem permissão explícita; retenção de 30 dias por padrão para auditorias de abuso; as conversas do agente de voz não são guardadas com retenção zero de dados; o histórico da sessão só é mantido com a retomada ativada e é descartado após 30 minutos ocioso.
- Custo em escala
- US$ 4,80 por hora de áudio, então 10.000 horas por mês custam US$ 48.000, sem desconto por volume publicado.
- Limites
- Sessão máxima de 120 minutos; implantado só em us-east-1; indisponível no endpoint regional dos EUA; até 100 termos-chave de 50 caracteres cada.
O que é bom
- Primeiro no índice de fala para fala da Artificial Analysis com 86,9
- Tarifa fixa de US$ 0,08 por minuto com raciocínio incluído
- Ligações SIP com transferência e entrada pelo teclado via Twilio, Telnyx e Plivo
- Busca na web, no X e em arquivos integrada, mais MCP e funções próprias
- Conversas não são guardadas com retenção zero de dados
O que não é
- Fica atrás do GPT-Live-1 no τ-Voice, o benchmark de atendimento ao cliente
- Servido só a partir de us-east-1, sem endpoint regional dos EUA
- Os números de uso e latência são da própria SpaceXSI
- Clonagem de voz sem verificação de consentimento documentada
- Só 20 idiomas e variantes regionais listados na documentação
Ideal para
Equipes que constroem agentes de voz para telefone e apps, querem as melhores notas de benchmark a um preço por minuto previsível e conseguem trabalhar com uma implantação só nos EUA.
Alternativas ao Grok Voice 3.0
Grok Voice 3.0: perguntas frequentes
- Grok Voice 3.0 vale a pena?
- O Grok Voice 3.0 lidera o índice independente de fala para fala com uma tarifa fixa simples, mas a OpenAI ainda vence em tarefas do tipo suporte e toda ligação é processada em uma única região dos EUA. Damos nota 4.3 de 5.
- Quanto custa Grok Voice 3.0?
- US$ 0,08 por minuto de áudio (US$ 4,80 por hora) mais US$ 0,004 por mensagem de texto de entrada, igual ao Grok Voice 2.0, com o raciocínio incluído na tarifa por minuto.
- Quais são as desvantagens de Grok Voice 3.0?
- Fica atrás do GPT-Live-1 no τ-Voice, o benchmark de atendimento ao cliente; servido só a partir de us-east-1, sem endpoint regional dos EUA; os números de uso e latência são da própria SpaceXSI; clonagem de voz sem verificação de consentimento documentada; só 20 idiomas e variantes regionais listados na documentação.
- Para quem Grok Voice 3.0 é indicado?
- Equipes que constroem agentes de voz para telefone e apps, querem as melhores notas de benchmark a um preço por minuto previsível e conseguem trabalhar com uma implantação só nos EUA.
- Quanto custa Grok Voice 3.0 para uma equipe ou em produção?
- US$ 4,80 por hora de áudio, então 10.000 horas por mês custam US$ 48.000, sem desconto por volume publicado.
- Grok Voice 3.0 é seguro para dados da empresa?
- Sem treinamento com entradas ou saídas da API sem permissão explícita; retenção de 30 dias por padrão para auditorias de abuso; as conversas do agente de voz não são guardadas com retenção zero de dados; o histórico da sessão só é mantido com a retomada ativada e é descartado após 30 minutos ocioso.
- Quais são as melhores alternativas ao Grok Voice 3.0?
- As alternativas mais próximas que analisamos são GPT-Live-1 (and GPT-Realtime-2.1), Gemini Omni Flash 1.1 e Cartesia Sonic 3.6.
Respostas verificadas em 6 de nov. de 2026.
Você faz o Grok Voice 3.0? Mostre esta nota no seu site
