xAI presenta Grok Voice 3.0, un modelo de voz a voz para agentes de voz

xAI anunció Grok Voice 3.0 el 14 de octubre de 2026 y puso el modelo de voz a voz a disposición de los usuarios en su API de agentes de voz por 0,08 dólares por minuto. La empresa describió Grok Voice 3.0 como el modelo de voz más inteligente del mundo y afirmó que establece un nuevo récord en la resolución de llamadas de atención al cliente, con una latencia inferior a un segundo y un costo operativo menor que el de otros modelos de vanguardia.

Según xAI, Grok Voice permite mantener millones de conversaciones al día en Tesla y SpaceX, y la nueva versión se lanzó al mismo precio que su predecesora.

Resultados de referencia citados por xAI

El anuncio de xAI citó pruebas independientes de Artificial Analysis, fechadas el 13 de octubre de 2026, que situaron a Grok Voice 3.0 en el primer puesto del Índice de voz a voz, con una puntuación de 86,9. La tabla comparativa publicada junto con el anuncio incluye a GPT-Live-1 (Astra, Medium), con 83,2; Gemini 3.8 Live (Extended Thinking, High), con 82,6; y Grok Voice 2.0, con 81,3.

En los componentes del índice, xAI informó de un 98,5 % en razonamiento de voz en Big Bench Audio, una puntuación Elo de preferencia de 1070 en Speech Agent Arena, una tasa de éxito en tareas del 94,8 % y un 97,0 % en Full Duplex Bench, que mide la naturalidad con la que un modelo gestiona las pausas, los turnos de conversación y las interrupciones. Las cifras indicadas para Grok Voice 2.0 en la misma tabla fueron 97,2 %, 1011, 94,6 % y 95,1 %.

En tau-Voice, una prueba de referencia basada en llamadas simuladas de atención al cliente, xAI informó de un 71,6 % para Grok Voice 3.0 y describió el resultado como comparable al de GPT-Live-1 (Astra), con una latencia un 40 % menor. El gráfico publicado muestra a GPT-Live-1 (Astra, Medium) con un 74,5 %; a Gemini 3.8 Live (Extended Thinking, High), con un 68,6 %; y a Grok Voice 2.0, con un 56,5 %.

xAI también informó de que, en la ejecución de Big Bench Audio de Artificial Analysis, el costo promedio por tarea medido fue de 0,025 dólares para Grok Voice 3.0, frente a 0,030 dólares para GPT-Live-1 (Astra, Medium) y 0,055 dólares para GPT-Realtime-2.1 (High).

Cómo puntúa Artificial Analysis los modelos de voz

Artificial Analysis define su Índice de voz a voz como una puntuación con el mismo peso para cuatro componentes: razonamiento de voz en Big Bench Audio, rendimiento de agentes en tau-Voice, preferencia en la arena y tasa de éxito en tareas. Para recibir una puntuación en el índice, un modelo debe presentar resultados en los cuatro componentes.

Big Bench Audio consta de 1000 preguntas de audio adaptadas de Big Bench Hard, con 250 preguntas en cada una de cuatro categorías: falacias formales, navegación, conteo de objetos y mentiras en la web. Los modelos reciben cada pregunta en formato de audio y generan una respuesta de audio que se evalúa como correcta o incorrecta.

En tau-Voice, un simulador de usuario por voz llama al modelo evaluado, que funciona como agente de atención al cliente con acceso a herramientas específicas del dominio y a un documento de políticas. Cada tarea tiene un único estado final válido en la base de datos; la evaluación compara el estado final con ese valor de referencia, y los resultados que aparecen en los gráficos se promedian entre tres pruebas cuando se dispone de ellas. El componente de preferencia en la arena es una puntuación Elo por pares, ajustada a partir de participantes humanos que completan el mismo escenario con dos modelos no identificados.

Full Duplex Bench v1 abarca la gestión de pausas y los turnos de conversación, mientras que v1.5 añade la gestión de interrupciones del usuario y de las señales de seguimiento, como continuar correctamente cuando quien llama dice «sí» o «de acuerdo». Artificial Analysis define el tiempo hasta el primer audio como la cantidad de segundos necesaria para generar el primer token de la salida de audio.

El resultado de EVA-Bench de ServiceNow

xAI informó de que Grok Voice 3.0 obtuvo la puntuación de precisión más alta en EVA-Bench, la prueba de referencia de ServiceNow para agentes de voz empresariales, con un 74 %, y fue el modelo con mejor rendimiento cuando se evaluaron conjuntamente la precisión y la experiencia del cliente.

Nitin Aggarwal, director sénior de gestión de productos de Agentic Evals y RAI en ServiceNow, afirmó en un comunicado publicado junto con el anuncio que Grok Voice 3.0 «establece una nueva frontera de Pareto en EVA-Bench, la prueba de referencia de código abierto de ServiceNow que puntúa a los agentes de voz en precisión y experiencia en más de 200 escenarios empresariales realistas».

ServiceNow AI Research describe EVA-Bench como un marco de evaluación de código abierto que mide el rendimiento de los agentes de voz en conversaciones habladas completas y con varios turnos, mediante una arquitectura de bot a bot. La prueba abarca tres ámbitos: atención al cliente, con 15 herramientas y 50 escenarios que incluyen cambios de reserva por vuelos interrumpidos, cambios voluntarios, cancelaciones y vales; gestión de servicios de TI, con 59 herramientas y 80 escenarios; y recursos humanos, con 47 herramientas y 83 escenarios sobre prestaciones, programación de horarios, permisos y consultas sobre políticas. Los agentes se evalúan en dos dimensiones: EVA-A, que mide si el agente completó correctamente la tarea, y EVA-X, que mide la calidad de la experiencia conversacional. EVA-Bench forma parte del conjunto de pruebas de referencia NOWAI-Bench de ServiceNow.

Implementación en Tesla y Starlink

Según xAI, Grok Voice 3.0 gestiona millones de conversaciones al día en los vehículos Tesla, donde los conductores pueden usar Connectors para solicitudes como consultar el calendario o responder un correo electrónico, y Grok Bot para tareas más complejas, como pedir un café o reservar una cena, todo ello con las manos libres. El modelo también impulsa el modo de voz de Grok Bot.

Según xAI, los centros de atención telefónica de Starlink usan Grok Voice para responder cada día a 20.000 llamadas de clientes en varios idiomas. Aproximadamente el 70 % se resuelve sin intervención humana, y una de cada cuatro llamadas de ventas termina en una compra antes de que la persona que llama cuelgue. Un único agente basado en Grok Voice 3.0 verifica la identidad de los clientes, soluciona problemas de hardware, emite créditos y envía equipos de reemplazo.

Precio y disponibilidad

Grok Voice 3.0 está disponible en la API de agentes de voz por 0,08 dólares por minuto, o 4,80 dólares por hora, el mismo precio que Grok Voice 2.0. Los agentes que usan grok-voice-latest se cambiaron automáticamente, sin necesidad de hacer ningún cambio, según xAI.