xAI apresenta Grok Voice 3.0, modelo de fala para fala destinado a agentes de voz

A xAI anunciou o Grok Voice 3.0 em 14 de outubro de 2026, disponibilizando o modelo de fala para fala em sua API Voice Agent por US$ 0,08 por minuto. A empresa descreveu o Grok Voice 3.0 como o modelo de voz mais inteligente do mundo e afirmou que ele estabelece um novo recorde na resolução de chamadas de atendimento ao cliente, com latência inferior a um segundo e custo operacional menor que o de outros modelos de ponta.

Segundo a xAI, o Grok Voice viabiliza milhões de conversas por dia na Tesla e na SpaceX, e a nova versão foi lançada pelo mesmo preço da anterior.

Resultados de benchmarks citados pela xAI

O anúncio da xAI citou testes independentes da Artificial Analysis, datados de 13 de outubro de 2026, que indicam que o Grok Voice 3.0 ocupa o primeiro lugar no Índice de fala para fala, com pontuação de 86,9. A tabela comparativa publicada com o anúncio lista o GPT-Live-1 (Astra, Médio) com 83,2, o Gemini 3.8 Live (Raciocínio estendido, Alto) com 82,6 e o Grok Voice 2.0 com 81,3.

Entre os componentes do índice, a xAI informou pontuação de 98,5% em raciocínio de fala no Big Bench Audio, Elo de preferência de 1070 no Speech Agent Arena, taxa de sucesso em tarefas de 94,8% e pontuação de 97,0% no Full Duplex Bench, que mede a naturalidade com que um modelo lida com pausas, alternância de turnos e interrupções. Os valores listados para o Grok Voice 2.0 na mesma tabela foram 97,2%, 1011, 94,6% e 95,1%.

No tau-Voice, benchmark baseado em chamadas simuladas de atendimento ao cliente, a xAI informou que o Grok Voice 3.0 obteve 71,6% e descreveu o resultado como comparável ao do GPT-Live-1 (Astra), com latência 40% menor. O gráfico publicado lista o GPT-Live-1 (Astra, Médio) com 74,5%, o Gemini 3.8 Live (Raciocínio estendido, Alto) com 68,6% e o Grok Voice 2.0 com 56,5%.

A xAI também informou que, na execução do Big Bench Audio, a Artificial Analysis mediu um custo médio por tarefa de US$ 0,025 para o Grok Voice 3.0, em comparação com US$ 0,030 para o GPT-Live-1 (Astra, Médio) e US$ 0,055 para o GPT-Realtime-2.1 (Alto).

Como a Artificial Analysis avalia modelos de voz

A Artificial Analysis define seu Índice de fala para fala como uma pontuação com pesos iguais para quatro componentes: raciocínio de fala no Big Bench Audio, desempenho de agente no tau-Voice, preferência no arena e taxa de sucesso em tarefas. Para receber uma pontuação no índice, um modelo precisa apresentar resultados nos quatro componentes.

O Big Bench Audio reúne 1.000 perguntas de áudio adaptadas do Big Bench Hard, com 250 perguntas em cada uma de quatro categorias: falácias formais, navegação, contagem de objetos e teia de mentiras. Os modelos recebem cada pergunta em áudio e geram uma resposta em áudio, avaliada como correta ou incorreta.

No tau-Voice, um simulador de usuário por voz liga para o modelo em teste, que atua como agente de atendimento ao cliente com acesso a ferramentas específicas do domínio e a um documento de políticas. Cada tarefa tem um único estado final válido no banco de dados; a avaliação compara o estado final com essa referência, e os resultados apresentados em gráficos são calculados pela média de três tentativas, quando disponíveis. O componente de preferência no arena consiste em uma pontuação Elo pareada, ajustada com base em participantes humanos que concluem o mesmo cenário com dois modelos não identificados.

O Full Duplex Bench v1 abrange o tratamento de pausas e a alternância de turnos, enquanto a versão 1.5 acrescenta o tratamento de interrupções do usuário e de sinais de acompanhamento, como continuar corretamente quando a pessoa que liga diz “sim” ou “certo”. A Artificial Analysis define o tempo até o primeiro áudio como o número de segundos necessários para gerar o primeiro token da saída de áudio.

Resultado da ServiceNow no EVA-Bench

A xAI informou que o Grok Voice 3.0 obteve a maior pontuação de precisão no EVA-Bench, benchmark da ServiceNow para agentes de voz empresariais, com 74%, e foi o modelo com melhor desempenho quando a precisão e a experiência do cliente foram avaliadas em conjunto.

Nitin Aggarwal, diretor sênior de gestão de produtos de avaliações de agentes e RAI na ServiceNow, afirmou em uma declaração publicada com o anúncio que o Grok Voice 3.0 “estabelece uma nova fronteira de Pareto no EVA-Bench, o benchmark de código aberto da ServiceNow que avalia a precisão e a experiência de agentes de voz em mais de 200 cenários empresariais realistas”.

A ServiceNow AI Research descreve o EVA-Bench como uma estrutura de avaliação de código aberto que mede o desempenho de agentes de voz em conversas faladas completas, com vários turnos, usando uma arquitetura de bot para bot. O benchmark abrange três domínios: atendimento ao cliente, com 15 ferramentas e 50 cenários que incluem remarcação de voos interrompidos, alterações voluntárias, cancelamentos e vouchers; gerenciamento de serviços de TI, com 59 ferramentas e 80 cenários; e RH, com 47 ferramentas e 83 cenários sobre benefícios, agendamento, licenças e dúvidas sobre políticas. Os agentes são avaliados em duas dimensões: EVA-A, que mede se o agente concluiu a tarefa corretamente, e EVA-X, que mede a qualidade da experiência de conversa. O EVA-Bench faz parte da suíte de benchmarks NOWAI-Bench da ServiceNow.

Implementação na Tesla e na Starlink

Segundo a xAI, o Grok Voice 3.0 processa milhões de conversas por dia em veículos Tesla, onde os motoristas podem usar o Connectors para fazer pedidos como consultar a agenda ou responder a um e-mail, e o Grok Bot para tarefas mais complexas, como pedir um café ou reservar um jantar, tudo isso sem usar as mãos. O modelo também alimenta o modo de voz do Grok Bot.

A xAI afirmou que as centrais de atendimento da Starlink usam o Grok Voice para atender 20.000 chamadas de clientes por dia em vários idiomas. Cerca de 70% delas são resolvidas sem intervenção humana, e uma em cada quatro chamadas de vendas resulta em uma compra antes de o cliente desligar. Um único agente baseado no Grok Voice 3.0 verifica a identidade dos clientes, soluciona problemas de hardware, concede créditos e envia equipamentos de reposição.

Preços e disponibilidade

O Grok Voice 3.0 está disponível na Voice Agent API por US$ 0,08 por minuto, ou US$ 4,80 por hora, o mesmo preço do Grok Voice 2.0. Os agentes que usam grok-voice-latest foram migrados automaticamente, sem necessidade de alterações, afirmou a xAI.