xAI lanzó Grok Voice 3.0 a través de su API alojada Voice Agent el 14 de octubre. Para un equipo que elige un agente de voz para atención al cliente, la tabla actual de voz a voz de Artificial Analysis muestra una mejora de 15,1 puntos porcentuales frente a Grok Voice 2.0 en tareas de soporte simuladas, un pequeño cambio en su medida independiente de éxito de tareas y una primera respuesta de audio más lenta.

xAI afirma que el alias grok-voice-latest ahora dirige automáticamente a 3.0. La guía actual de la API también ofrece el nombre con versión grok-voice-3.0 para los equipos que necesitan fijar la versión. El punto de conexión WebSocket, los parámetros de sesión y los eventos siguen siendo los mismos que en 2.0, según xAI. Quienes usan el alias no necesitan migrar la aplicación, aunque un modelo nuevo detrás de un alias cambiante justifica repetir las pruebas de llamadas de la propia aplicación.

El gran cambio

  • Qué cambió: Grok Voice 3.0 sustituyó a 2.0 detrás del alias de la API grok-voice-latest. Artificial Analysis ahora informa de un 71,6% en su prueba comparativa de atención al cliente simulada, frente al 56,5% de 2.0.
  • Por qué importa: Esa medida comprueba si un agente alcanza el estado correcto de la base de datos en problemas guionizados de aerolíneas, comercio minorista y telecomunicaciones. Es más pertinente para un flujo de soporte que una puntuación general de razonamiento de audio, aunque sigue siendo una simulación.
  • Qué conviene observar: El mismo evaluador midió 0,81 segundos hasta el primer audio en 3.0, frente a 0,70 segundos en 2.0. Los equipos deberían comprobar sus propios tiempos de respuesta, la finalización de tareas y la duración facturable de las sesiones antes de cambiar un despliegue con versión fijada.

La puntuación de soporte y la demora de respuesta

La metodología de Artificial Analysis describe su prueba τ-Voice como un cliente simulado que llama a un agente dotado de un documento de políticas y herramientas específicas del sector. Las tareas de aerolíneas, comercio minorista y telecomunicaciones tienen estados finales definidos en la base de datos, y la puntuación promedia tres ensayos. La tabla actual otorga a Grok Voice 3.0 un 71,6%, frente al 56,5% de Grok Voice 2.0: un aumento de 15,1 puntos porcentuales bajo esas condiciones de prueba. La evaluación utiliza un cliente simulado, voz generada, transcripción y un modelo evaluador. No mide la proporción de personas reales que llaman y cuyos problemas resuelve un servicio desplegado.

La cifra independiente de éxito de tareas de Speech Agent Arena solo pasa del 94,6% en 2.0 al 94,8% en 3.0. Cuenta las conversaciones aptas con las llamadas finales correctas a herramientas que completan la tarea; utiliza una prueba distinta de τ-Voice. El índice general de Artificial Analysis sube de 81,3 a 86,9. Su versión actual da el mismo peso al razonamiento de audio, τ-Voice, la preferencia a ciegas de quienes llaman y el éxito de tareas en Arena. Ninguna de esas cifras por sí sola demuestra mejoras en todas las tareas de atención al cliente.

En velocidad, Artificial Analysis informa del tiempo medio hasta el primer audio en sus preguntas de Big Bench Audio. Grok Voice 3.0 tarda 0,81 segundos y 2.0 tarda 0,70 segundos. Por tanto, el nuevo modelo tardó 0,11 segundos más en empezar a hablar en esa prueba, aunque xAI califica su latencia de «menos de un segundo» en el anuncio del lanzamiento. La medición termina con la primera salida de audio; no mide la latencia de toda la llamada ni el tiempo de resolución.

Qué cubre el precio de voz anunciado

xAI anuncia ambas versiones a 0,08 dólares por minuto, o 4,80 dólares por hora, para audio de voz a voz. Su página de precios de modelos añade 0,004 dólares por cada evento de texto facturable conversation.item.create. Con la detección de turnos predeterminada server_vad, el contador de audio mide la duración de la sesión. Con pulsar para hablar, cuenta el audio enviado y recibido. Una sesión de diez minutos siempre abierta a la tarifa de duración anunciada genera, por tanto, 0,80 dólares en cargos de audio antes de cualquier evento de texto facturado aparte. Ese cálculo se basa en la lista de tarifas de xAI, no en una factura de BIG CHANGE ni en una llamada probada.

Los desarrolladores necesitan una clave de API de xAI para una conexión WebSocket del lado del servidor, o un token de corta duración para una aplicación cliente. La guía de la API documenta wss://api.x.ai/v1/realtime, un parámetro de consulta model, un evento session.update para instrucciones, voz y detección de turnos, y eventos de audio transmitidos en respuesta. xAI establece un límite de diez sesiones simultáneas por equipo y una duración máxima de 120 minutos por sesión. Un equipo de soporte aún tendría que aportar sus propias políticas, herramientas, límites sobre datos de clientes y flujo de derivación; la configuración publicada de la prueba no demuestra cómo rendirá esa implementación concreta.

xAI también informa de que Starlink atiende 20.000 llamadas diarias con Grok Voice y resuelve alrededor del 70% sin intervención humana. Son cifras operativas comunicadas por la empresa; las pruebas sintéticas de Artificial Analysis no las verifican. BIG CHANGE revisó la documentación del lanzamiento, de la API y de las pruebas comparativas. No utilizamos la API, llamamos a un agente de soporte ni reprodujimos la evaluación.

Fuentes y lecturas adicionales