xAI ha lanzado hoy, 14 de octubre, Grok Voice 3.0, la tercera versión de su modelo de voz para agentes que escuchan y contestan en tiempo real. Según el anuncio oficial, es el primero del índice de voz a voz de Artificial Analysis con 86,9 puntos, responde en menos de un segundo y cuesta lo mismo que la versión anterior: 0,08 dólares por minuto.
Quien ya lo use no tiene que tocar nada. Los agentes montados sobre el alias `grok-voice-latest` se han pasado solos a la versión nueva.
Puntos clave
- Ranking: 86,9 en el Speech-to-Speech Index de Artificial Analysis (medición del 13 de octubre), frente a 81,3 de Grok Voice 2.0, 83,2 de GPT-Live-1 de OpenAI y 82,6 de Gemini 3.8 Live de Google.
- Precio: 0,08 dólares el minuto en la Voice Agent API, unos 4,80 dólares por hora de conversación. El mismo que la 2.0.
- Uso real: millones de conversaciones al día en los coches de Tesla y 20.000 llamadas diarias en los centros de atención de Starlink, donde el 70% se resuelve sin una persona.
- Latencia: por debajo de un segundo y, en la prueba de llamadas de soporte, un 40% menos que GPT-Live-1 con un resultado parecido.
¿Qué es Grok Voice 3.0 y quién lo usa?
Es un modelo de voz a voz. Escucha el audio y contesta con audio directamente, sin el paso intermedio de transcribir a texto, pensar la respuesta y leerla con una voz sintética. Ese atajo es lo que baja la espera por debajo del segundo, y por encima del segundo la gente empieza a repetir la frase o a colgar.
Está pensado para empresas que montan agentes de voz: el teléfono de atención al cliente, un asistente dentro de una app, el manos libres de un coche. Se contrata por API, se paga por minuto y se conecta a las herramientas de la empresa (búsqueda web, sistemas propios, servidores MCP) para que el agente haga cosas además de hablar.
Si no tienes un Tesla ni usas Grok Bot, lo normal es que te lo encuentres sin saberlo, al llamar a una empresa que tenga la atención telefónica montada encima. En los Tesla ya lo usan los conductores para mirar el calendario o contestar un correo, y con Grok Bot para pedir un café o reservar una cena sin tocar la pantalla. También mueve el modo de voz de Grok Bot.
Los números del ranking, uno a uno
Artificial Analysis es una firma independiente que mide modelos de IA. Su índice de voz junta razonamiento hablado, llamadas de soporte simuladas y preferencia de personas en llamadas a ciegas. Desglosado, Grok Voice 3.0 sale así frente a la 2.0, GPT-Live-1 y Gemini 3.8 Live:
- Razonamiento hablado (Big Bench Audio): 98,5%, frente a 97,2%, 90,1% y 97,7%.
- Preferencia humana (Speech Agent Arena): 1.070 puntos Elo, frente a 1.011, 1.048 y 990.
- Tareas completadas: 94,8%, frente a 94,6%, 87,4% y 89,1%.
- Turnos de palabra (Full Duplex Bench): 97%, frente a 95,1%, 94,9% y 91,9%. Mide cómo lleva las pausas, las interrupciones y el momento de hablar.
En τ-Voice, la prueba de llamadas de soporte con acentos variados, ruido de fondo e interrupciones, saca un 71,6%, al nivel de GPT-Live-1, con un 40% menos de latencia. Y en EVA-Bench, el banco de pruebas de ServiceNow con más de 200 escenarios de atención en empresa, logra la precisión más alta, un 74%.
Dos matices antes de creérselo entero. La tabla la publica xAI y los rivales los elige xAI, aunque las cifras sean de Artificial Analysis. Y el salto frente a su propia versión anterior es desigual: en tareas completadas pasa de 94,6% a 94,8%, que es casi lo mismo. Donde de verdad mejora es en preferencia de la gente (59 puntos Elo más) y en el índice global. Suena mejor y conversa con más naturalidad. Terminar la tarea ya lo hacía bien la 2.0.
xAI dice además que es más barato por tarea que GPT-Live-1 y que GPT-Realtime-2.1 en la prueba de Big Bench Audio, aunque en el anuncio no da la cifra exacta de cada uno.
Starlink: 20.000 llamadas al día
El dato más útil del anuncio es de operación, y viene de casa. Los centros de atención de Starlink (la empresa de internet por satélite de SpaceX, del mismo grupo que xAI) atienden con Grok Voice unas 20.000 llamadas al día en varios idiomas. Cerca del 70% se cierra sin que intervenga una persona, y una de cada cuatro llamadas de venta acaba en compra antes de colgar.
Lo interesante es lo que hace un solo agente: verifica al cliente, diagnostica el equipo, aplica un abono y manda el aparato de recambio. Eso es un proceso de soporte entero, de punta a punta, con acceso a varios sistemas.
Hay que leerlo como lo que es: un caso de una empresa hermana contado por quien vende el modelo. Aun así, da una medida de hasta dónde se puede llevar hoy un agente de voz en un volumen alto.
Tres versiones en cinco meses
xAI va rápido con la voz. La 1.0 salió en primavera y en julio lanzó Voice Agent Builder, para montar un agente telefónico sin programar. A finales de julio llegó Grok Voice Think Fast 2.0, que bajó la primera respuesta a 0,70 segundos y fijó el precio en 0,08 dólares el minuto. Ahora la 3.0 mejora la calidad y deja el precio quieto.
La competencia se mueve al mismo ritmo. Google sacó en septiembre Gemini 3.8 Live, que razona mientras habla y cambia entre 97 idiomas, y OpenAI tiene GPT-Live-1. Los tres pelean por el mismo cliente: la empresa que quiere quitar la cola del teléfono.
Por qué importa
Para una empresa española con atención telefónica, la cuenta del modelo ya es fácil de hacer. Una llamada de cinco minutos cuesta 0,40 dólares de modelo. A eso hay que sumarle la línea, la integración con tus sistemas y el tiempo de montarlo, que es donde se va el dinero de verdad.
Yo lo probaría así. Primero, una tarea cerrada y repetitiva, del tipo estado de un pedido, cambio de cita o una incidencia sencilla, con paso a una persona cuando el agente se atasque. Segundo, con llamadas reales: ruido de la calle, acentos, gente que interrumpe. Los rankings se miden en pruebas controladas y el anuncio no da cifras por idioma, así que el rendimiento en español hay que comprobarlo con tus propios clientes. Y tercero, comparando con GPT-Live-1 y Gemini 3.8 Live sobre las mismas llamadas, porque las diferencias entre los tres son de pocos puntos.
Si ya tienes un agente sobre `grok-voice-latest`, desde hoy está en la 3.0. Merece la pena repasar unas cuantas grabaciones esta semana para ver si se nota.
Fuente original: x.ai
Relacionado
