xAI ha sacado Grok Voice Think Fast 2.0, su modelo de voz para agentes, y el dato que va a mover decisiones de compra es el precio: 0,08 dolares por minuto de audio. El tiempo hasta la primera respuesta hablada baja de 1,25 a 0,70 segundos, menos de tres meses despues de la version 1.0.
Puntos clave
- Primera respuesta de audio en 0,70 segundos, frente a 1,25 en la version anterior.
- Transcripcion 1,4 veces mejor que Think Fast 1.0 y entre 1,5 y 2 veces mejor que Deepgram Nova 3 y ElevenLabs Scribe v2.
- En audio con ruido la diferencia sube a unas 10 veces sobre esos rivales.
- 0,08 dolares por minuto. Quien use el alias grok-voice-latest se actualiza solo el 5 de agosto de 2026.
Que han medido exactamente
La comparativa de xAI se hizo sobre miles de frases cortas en 24 idiomas. Ahi salen los multiplicadores frente a Deepgram Nova 3 y ElevenLabs Scribe v2, los dos motores de transcripcion que se usan por defecto en medio mercado de agentes de voz.
El numero que importa de verdad no es el de laboratorio silencioso. Es el del ruido. En condiciones degradadas la ventaja se va a unas 10 veces, y ahi es donde se cae la mayoria de los agentes de voz reales: un cliente llamando desde la calle, un taller con maquinas de fondo, un manos libres en el coche.
Cualquiera que haya montado un agente telefonico sabe que el 90% de las quejas vienen de esas llamadas, no de las limpias.
Los 0,70 segundos y por que se notan
La latencia hasta el primer audio es la metrica que decide si una conversacion suena humana o suena a robot. Por encima del segundo, la persona al otro lado empieza a repetir la frase o a colgar.
xAI lo ha resuelto por dos vias. El modelo razona en paralelo mientras habla, asi que pensar no anade espera. Y lo han entrenado para gastar menos tokens de razonamiento, de forma que las llamadas a herramientas se disparan antes de que termine la primera frase del agente.
Ese segundo detalle es el mas util en produccion. Si el agente puede consultar tu CRM mientras dice "un momento que lo miro", te ahorras la pausa muerta que delata a la maquina.
No es lo mismo que el Agent Builder de julio
A principios de mes contamos que xAI habia sacado Grok Voice Agent Builder, el montador de agentes de voz sin codigo. Aquello era la herramienta. Esto es el motor que va debajo.
La 2.0 ya esta disponible en ese Agent Builder y tambien en el AI Gateway de Vercel, asi que puedes probarla sin tocar la infraestructura de xAI directamente.
Ojo con el cambio automatico del 5 de agosto. Si tienes algo en produccion apuntando al alias grok-voice-latest, ese dia te cambia el modelo debajo sin que hagas nada. Si tu agente depende de comportamientos concretos de la 1.0, fija la version ahora.
Por qué importa
El caso de uso obvio para una empresa espanola es la atencion telefonica. A 0,08 dolares el minuto, una llamada media de tres minutos cuesta unos 24 centimos de modelo. Compara eso con el coste por llamada de un call center y sale la cuenta sola.
La parte incomoda es que la calidad de transcripcion en espanol con ruido sigue siendo el cuello de botella real, y ninguna comparativa de 24 idiomas te dice como va el tuyo con acento andaluz y una moto pasando. Antes de firmar nada, coge 50 llamadas grabadas de las malas de verdad y pasalas por los tres motores. Es media manana de trabajo y te ahorra un trimestre de quejas.
Relacionado
