A xAI lançou o Grok Voice 3.0 pela sua Voice Agent API hospedada em 14 de outubro. Para uma equipe que escolhe um agente de voz para atendimento ao cliente, a tabela atual de fala para fala da Artificial Analysis mostra um ganho de 15,1 pontos percentuais em tarefas de suporte simuladas em relação ao Grok Voice 2.0, uma pequena mudança na medida separada de sucesso das tarefas e uma primeira resposta de áudio mais lenta.

A xAI diz que o alias grok-voice-latest agora encaminha automaticamente para a versão 3.0. O guia atual da API também oferece o nome com versão grok-voice-3.0 para equipes que precisam fixar a versão. Segundo a xAI, o endpoint WebSocket, os parâmetros de sessão e os eventos continuam iguais aos da versão 2.0. Os usuários do alias não precisam migrar o aplicativo, embora um novo modelo por trás de um alias variável justifique repetir os testes de chamadas do próprio aplicativo.

A grande mudança

  • O que mudou: O Grok Voice 3.0 substituiu a versão 2.0 por trás do alias da API grok-voice-latest. A Artificial Analysis agora informa uma pontuação de 71,6% em seu benchmark de atendimento ao cliente simulado, ante 56,5% para a versão 2.0.
  • Por que importa: Essa medida testa se um agente alcança o estado correto do banco de dados em problemas com roteiros definidos de companhias aéreas, varejo e telecomunicações. Ela é mais relevante para um fluxo de suporte que uma pontuação geral de raciocínio de áudio, embora continue sendo uma simulação.
  • O que observar: O mesmo avaliador mediu 0,81 segundo até o primeiro áudio para a versão 3.0, contra 0,70 segundo para a versão 2.0. As equipes devem verificar seu próprio tempo de resposta, a conclusão das tarefas e a duração faturável das sessões antes de alterar uma implantação com versão fixa.

A pontuação de suporte e a demora da resposta

A metodologia da Artificial Analysis descreve o teste τ-Voice como um cliente simulado que liga para um agente equipado com um documento de políticas e ferramentas específicas do domínio. As tarefas de companhias aéreas, varejo e telecomunicações têm estados finais definidos no banco de dados, e a pontuação é a média de três tentativas. A tabela atual atribui ao Grok Voice 3.0 71,6%, ante 56,5% para o Grok Voice 2.0: alta de 15,1 pontos percentuais nessas condições de teste. A avaliação usa um cliente simulado, fala gerada, transcrição e um modelo avaliador. Não mede a proporção de pessoas reais que ligam e têm seus problemas resolvidos por um serviço implantado.

O indicador separado de sucesso nas tarefas do Speech Agent Arena passa apenas de 94,6% na versão 2.0 para 94,8% na versão 3.0. Ele conta as conversas elegíveis com as chamadas finais corretas às ferramentas que concluem a tarefa; usa um teste diferente do τ-Voice. O índice geral da Artificial Analysis sobe de 81,3 para 86,9. A versão atual dá o mesmo peso ao raciocínio de áudio, ao τ-Voice, à preferência dos interlocutores em avaliação cega e ao sucesso das tarefas no Arena. Nenhum desses números, isoladamente, comprova melhora em todas as tarefas de atendimento ao cliente.

Em velocidade, a Artificial Analysis informa o tempo médio até o primeiro áudio em suas perguntas do Big Bench Audio. O Grok Voice 3.0 leva 0,81 segundo, e a versão 2.0 leva 0,70 segundo. Portanto, o novo modelo demorou 0,11 segundo a mais para começar a falar nesse teste, embora a xAI descreva sua latência como “inferior a um segundo” no anúncio de lançamento. A medição termina na primeira saída de áudio; não mede a latência da chamada completa nem o tempo de resolução.

O que o preço anunciado da voz cobre

A xAI informa US$ 0,08 por minuto, ou US$ 4,80 por hora, para áudio de fala para fala em ambas as versões. Sua página de preços dos modelos acrescenta US$ 0,004 por evento de texto faturável conversation.item.create. Com a detecção de turnos padrão server_vad, a medição de áudio conta a duração da sessão. Com pressionar para falar, conta o áudio enviado e recebido. Assim, uma sessão de dez minutos mantida aberta à tarifa de duração anunciada gera US$ 0,80 em cobranças de áudio, antes de quaisquer eventos de texto faturados separadamente. Esse cálculo se baseia na tabela de tarifas da xAI, e não em uma fatura da BIG CHANGE ou em uma chamada testada.

Os desenvolvedores precisam de uma chave de API da xAI para uma conexão WebSocket do lado do servidor ou de um token de curta duração para um aplicativo cliente. O guia da API documenta wss://api.x.ai/v1/realtime, um parâmetro de consulta model, um evento session.update para instruções, voz e detecção de turnos, e eventos de áudio transmitidos em fluxo como resposta. A xAI informa um limite de dez sessões simultâneas por equipe e no máximo 120 minutos por sessão. Uma equipe de suporte ainda precisaria fornecer suas próprias políticas, ferramentas, limites para os dados de clientes e fluxo de escalonamento; a configuração publicada do benchmark não comprova o desempenho dessa implementação específica.

A xAI também afirma que a Starlink atende 20.000 chamadas por dia com o Grok Voice e resolve cerca de 70% sem intervenção humana. São números operacionais informados pela empresa; os testes sintéticos da Artificial Analysis não os verificam. A BIG CHANGE analisou a documentação do lançamento, da API e dos benchmarks. Não usamos a API, não ligamos para um agente de suporte nem reproduzimos a avaliação.

Fontes e leituras adicionais