Grok Voice 3.0: qué es, qué ha cambiado y cómo usarlo

¿Qué es Grok Voice 3.0?

Grok Voice 3.0 (nombre del modelo grok-voice-3.0) es un modelo de voz a voz para agentes de voz en tiempo real, que se vende a través de la API de xAI. xAI ahora firma su documentación como SpaceXSI, así que verás ambos nombres en torno al lanzamiento.

"Voz a voz" es la parte en la que vale la pena detenerse. Los bots de voz más antiguos encadenan tres sistemas: voz a texto, luego un modelo de texto y luego texto a voz, y cada traspaso entre ellos añade retraso y también pierde el tono. Un modelo de voz a voz hace los tres trabajos de una sola pasada, así que puede notar que el llamante está molesto y responder antes de que empiece a repetirse. Si quieres la versión larga de ese intercambio, mi explicación de Grok Voice 2.0 lo recorre.

Construyo agentes de IA en eesel, así que leo lanzamientos como este desde la tubería: qué entra, qué sale y dónde vive realmente el conocimiento. Leído así, Grok Voice 3.0 es varias cosas a la vez:

• Un modelo al que llamas por WebSocket, en wss://api.x.ai/v1/realtime, según la documentación de voz a voz.
• Un entorno de ejecución de agentes, porque puede buscar en documentos subidos, llamar a tus propias funciones o conectarse a un servidor MCP durante la llamada.
• Un sistema de producción que ya está bajo carga. La publicación de lanzamiento de xAI dice que gestiona millones de conversaciones al día en coches Tesla, impulsa el modo de voz de Grok Bot y atiende 20 000 llamadas de soporte de Starlink al día, cerca del 70 % sin intervención humana.

Una pequeña cosa que noté en la página de inicio: afirma ser "#1 Tau Voice Leaderboard", mientras que la propia ejecución de τ-Voice de Artificial Analysis pone a Grok Voice 3.0 en el n.º 2, por detrás de GPT-Live-1 (Astra). Puede que citen clasificaciones distintas. Aun así, si pones un puesto en un caso de negocio, cita la tabla de Artificial Analysis, que muestra su método.

¿Qué cambió respecto a Grok Voice 2.0?

En resumen: el modelo mejoró mucho en completar tareas de soporte y tarda un poco más en empezar a hablar, mientras que nada de la API ni de la factura se ha movido. Las notas de la versión lo dicen en una línea: "The API is unchanged."

Aquí está el antes y el después completo, con todas las cifras de benchmark de Artificial Analysis y el resto de la documentación de xAI:

El salto se ve mejor poniendo toda la línea una al lado de la otra. Grok Voice 1.0 obtuvo 73,7 en el índice hace menos de seis meses, y la puntuación en tareas de soporte apenas se movió entre 1.0 y 2.0 antes de este lanzamiento.

Lo interesante es que 2.0 fue la versión de la velocidad y 3.0 es la versión del cerebro. 2.0 redujo el primer audio de 1,25 s a 0,70 s, y ahora 3.0 devuelve aproximadamente una décima de segundo y la gasta en acertar con la tarea. Para una línea de soporte, creo que es el intercambio correcto.

Los benchmarks, en palabras sencillas

Los nombres de los benchmarks hacen difíciles de leer las publicaciones de lanzamiento, así que esto es lo que mide cada uno:

• τ-Voice pone al modelo en una llamada de soporte simulada (aerolínea, comercio, telecomunicaciones) con herramientas y un documento de políticas. Solo puntúa cuando el estado final de la cuenta es exactamente correcto. Este es el que deberían mirar los responsables de soporte.
• Task Success Rate viene de personas reales que mantienen llamadas en vivo con dos modelos ocultos en la arena de Artificial Analysis y luego juzgan si se hizo el trabajo.
• Arena Elo es la misma arena, puntuada según con qué modelo prefirió hablar la gente.
• Big Bench Audio prueba el razonamiento con preguntas habladas. Grok Voice 3.0 obtiene un 98,5 %, así que este está casi saturado.
• Full Duplex Bench mide el turno de palabra: pausas, interrupciones y no hablar por encima del llamante.

Artificial Analysis resumió el lanzamiento en su propio hilo:

"Grok Voice 3.0 debuts at #1 at 86.9, ahead of GPT-Live-1 (Astra, medium) at 83.2, Gemini 3.8 Live Extended Thinking (High) at 82.6 and GPT-Live-1 (Sol, low) at 80.1."

Artificial Analysis, X

En benchmarks externos, xAI también señala EVA-Bench, el benchmark abierto de ServiceNow con más de 200 escenarios de voz empresariales, donde indica que Grok Voice 3.0 logra la mayor precisión, con un 74 %. Y en costes, la publicación de lanzamiento cita el coste por tarea medido por Artificial Analysis de 0,025 $, frente a 0,030 $ de GPT-Live-1 (Astra) y 0,055 $ de GPT-Realtime-2.1.

Cómo funciona realmente una llamada con Grok Voice 3.0

Esta es la parte que la mayoría de la cobertura de lanzamientos se salta, y sinceramente es la que decide si tu agente es bueno. Cada conversación es una sesión. Tu app (o un operador telefónico) la abre, envía un session.update con la configuración y luego transmite audio en ambos sentidos hasta que termina la llamada.

Los ajustes de sesión que más importan para un agente de soporte, todos de la tabla de parámetros de sesión:

Las herramientas son el punto en el que el modelo deja de ser un hablante y empieza a ser un agente. file_search lee las colecciones de documentos que subes, function llama a tu propio código y mcp se conecta a un servidor MCP remoto. Quien haya construido sobre llamadas a herramientas en tiempo real sabe que lo difícil es el silencio mientras se ejecuta una función, y la documentación tiene una sección entera sobre cómo evitar el solapamiento de audio durante las llamadas a herramientas, lo que me dice que xAI lo ha puesto en manos de llamantes reales.

Las llamadas telefónicas pasan por tu propio operador

Para una línea telefónica, Grok Voice 3.0 recibe llamadas por SIP. La guía de SIP es específica sobre cómo: registras un número que ya posees (origin: "byo_trunk"), apuntas el troncal SIP de tu operador a xAI y recibes un webhook firmado por cada llamada entrante. No se admite aprovisionar números de teléfono SpaceXSI mediante la API, así que cuenta con una cuenta de operador. La guía tiene pasos de configuración para Twilio y Telnyx, y funciona con cualquier proveedor SIP.

Hay dos detalles telefónicos que me gustaron. Las pulsaciones de teclas (DTMF) se almacenan en búfer y se pasan al modelo como texto, así que "pulse 1 para facturación" sigue funcionando. Y una llamada refer transfiere al llamante a otro número y te dice de forma síncrona si el lado humano contestó, justo lo que necesita un traspaso a un humano.

Idiomas

La documentación enumera 20 entradas de idioma con acentos nativos, y el modelo detecta el idioma del llamante sin configuración. La página de inicio dice más de 25. Otros idiomas funcionan "with varying degrees of accuracy", según la lista de idiomas admitidos. Si tus llamantes hablan algo fuera de la lista, haz llamadas de prueba antes del lanzamiento.

Cómo empezar a usar Grok Voice 3.0

Hay tres vías de entrada y todas ejecutan el mismo modelo, así que la que elijas depende sobre todo de si tienes desarrolladores.

1. Crea una clave de API. En la consola de xAI, crea una clave. Todas las vías siguientes necesitan una cuenta.
2. Escúchalo primero en el Playground. El playground de voz de la consola te permite hablar con el modelo antes de escribir código. Diez minutos aquí te dicen más sobre las voces que cualquier benchmark.
3. ¿Sin código? Usa el Voice Agent Builder. Es la herramienta de la consola de xAI para configurar un agente de voz con conocimiento, herramientas y telefonía, sin código. Mi guía del Voice Agent Builder lo recorre, y la reseña del builder cubre sus límites.
4. Desarrolladores: conéctate a la Realtime API. Abre un WebSocket a wss://api.x.ai/v1/realtime?model=grok-voice-3.0, envía session.update con tus instrucciones, voz y herramientas, y luego transmite audio. Para navegadores y apps móviles, usa tokens efímeros en lugar de tu clave de API.
5. Línea telefónica: configura SIP. Registra tu número, apunta el troncal de tu operador a xAI y gestiona el webhook de llamada entrante, como se explicó arriba.

xAI también publica apps de prueba en GitHub para un agente web por WebSocket, un agente WebRTC, una app de iOS y un agente telefónico con Twilio, enlazadas desde la documentación de voz a voz. Partir del ejemplo de Twilio es la forma más rápida que conozco de hacer que un número de teléfono real hable con el modelo.

La configuración mínima es corta. Esta es la forma del primer mensaje después de abrir el socket, recortada del inicio rápido de la documentación:

{
  "type": "session.update",
  "session": {
    "voice": "eve",
    "instructions": "You are the support agent for Acme. Verify the caller before discussing an order.",
    "turn_detection": { "type": "server_vad" }
  }
}

Dos consejos de migración de la documentación de xAI merecen leerse dos veces. Primero, "pin to a versioned model name in production", con lo que estoy de acuerdo: un alias que se actualiza solo está bien hasta que un prompt ajustado empieza a comportarse distinto. Segundo, si trasladas un prompt desde otro modelo, xAI dice que lo hagas mucho más corto y elimines las instrucciones de apaño escritas para modelos anteriores.

Si tu app ya funciona con la OpenAI Realtime API, la documentación dice que la mayoría de las bibliotecas cliente funcionan tras cambiar la URL base y la clave de API. Algunos eventos de OpenAI tienen otro nombre o no se emiten, y la tabla de compatibilidad los enumera. Mi explicación de Realtime API vs WebRTC cubre la elección de transporte, que funciona igual aquí.

¿No sabes qué cambiar de tu lado? Elige lo que ejecutas hoy:

Qué cuesta y los límites que debes prever

El precio es una sola línea en la página de precios de xAI, lo que hace fácil la previsión:

Una línea de soporte que atiende 300 llamadas de cuatro minutos al día usa 36 000 minutos al mes, lo que son 2880 $ en tiempo de voz antes de llamadas a herramientas o tarifas del operador. Para el cálculo completo de costes, con calculadora incluida, consulta mi reseña de Grok Voice 3.0, y mi comparativa de coste por llamada pone esa cifra junto a un salario.

El límite con el que más equipos chocan primero es la concurrencia, es decir, cuántas llamadas pueden funcionar a la vez. La página de límites de uso limita las sesiones de voz a voz por nivel de gasto, según el gasto acumulado en la API desde el 1 de enero de 2026. Los niveles se desbloquean automáticamente y nunca bajan.

El problema para los pilotos: una cuenta nueva no puede hacer una prueba de carga con 50 llamadas simultáneas sin comprar antes suficientes créditos para llegar al Tier 2. Por encima del Tier 4, solicitas un aumento desde la consola.

Las regiones son lo otro que debes prever. La página del modelo Grok Voice 3.0 enumera us-east-1, eu-west-1 y us-saltlake-2. Cuando cubrí los precios de 2.0 en agosto, el modelo de voz funcionaba solo en us-east-1, así que ahora los equipos de la UE tienen un camino para evaluarlo.

Para quién encaja Grok Voice 3.0 y para quién no

La respuesta corta a si la IA puede atender llamadas de soporte es ahora que sí, a nivel de modelo. Lo pondría delante de tres tipos de equipos:

• Equipos de soporte que construyen un agente telefónico que tiene que hacer cosas. Verificar a un cliente, buscar un pedido, emitir un abono, reservar una cita. Eso es exactamente lo que mide τ-Voice y donde 3.0 más mejoró. Las cifras de Starlink muestran el techo cuando un solo agente tiene acceso profundo a herramientas, la misma lección que enseña cada despliegue de un agente de call center con IA.
• Equipos que ya usan Grok Voice 2.0. Misma API, mismo precio y una mejora de 15,1 puntos en tareas de soporte por el coste de una ronda de llamadas de prueba.
• Líneas sensibles a la latencia. Entre los modelos que puntúan por encima del 65 % en τ-Voice, es el único por debajo de un segundo hasta el primer audio. Todos los modelos cercanos en ese benchmark tardan más de 1,3 segundos.

Y tres en los que miraría primero otras opciones:

• Sin desarrolladores en el equipo. El modelo es una API. Empieza con el Builder, o con una plataforma como Retell AI o Vapi que añade flujos de llamadas y analítica. Mi recopilación de los mejores agentes de voz con IA compara las opciones empaquetadas.
• Equipos que viven dentro de un solo helpdesk. Revisa opciones nativas como los agentes de voz con IA de Zendesk o los agentes de voz de Freshcaller antes de construir una pila a medida.
• Equipos cuyo problema real son las respuestas. Si tus agentes tienen dificultades porque las políticas viven en cinco sitios, una mejor voz leerá la política equivocada con más fluidez. Es el punto más común en cualquier lista de problemas de los chatbots.

Si todavía estás decidiendo si automatizar el soporte telefónico, mi guía de agentes de voz para soporte es mejor punto de partida que cualquier modelo en concreto.

Para el resto del panorama, consulta mi lista de la mejor IA para soporte por voz o la página más amplia de alternativas a xAI.

Las dos preguntas que la gente hizo el día del lanzamiento

Bajo las publicaciones de lanzamiento en X, las respuestas de gente que había usado versiones anteriores fueron más prácticas que los aplausos, y dos de ellas aparecieron una y otra vez.

"Have they made it less verbose?"

Spencer, X

xAI no publica una métrica de verbosidad. Lo que sí dicen sus notas de migración es que 3.0 necesita un prompt de sistema mucho más corto que los modelos anteriores. Según mi experiencia, la mayoría de los agentes de voz que divagan lo hacen por un prompt largo lleno de reglas, así que unas instrucciones más cortas junto con una línea como "responde en una o dos frases" es lo primero que probaría.

"have they improved the ability to interrupt?"

Rich Brandwein, X

Aquí sí hay una cifra. Full Duplex Bench, que puntúa pausas e interrupciones, pasó del 95,1 % al 97,0 %, según Artificial Analysis. En una línea telefónica, activa la detección de turnos server_vad para que los llamantes puedan intervenir con naturalidad, algo que la documentación lista como una de las principales recomendaciones de producción.

Y una respuesta que disfruté bajo el anuncio de Elon Musk, que todo comprador debería tener presente al leer publicaciones de lanzamiento, incluida esta:

"I bet you say that to all the voice model providers."

Donvalderath, X

Justo. Haz tus propias llamadas, con ruido de fondo real, antes de fiarte de cualquier benchmark.

Grok Voice 3.0 habla. eesel sabe qué decir.

Un modelo de voz da a tu línea telefónica un hablante rápido y de sonido natural. No conoce tu plazo de devolución, los límites de tu plan ni qué clientes reciben el abono de cortesía. Ese conocimiento tiene que venir de algún sitio. En las llamadas de demo de eesel, la petición que más aparece es entrenar la IA con los tickets anteriores del equipo, y creo que ese instinto también es correcto para la voz.

Eso es lo que hace eesel. Es un compañero de helpdesk con IA que se une a Zendesk, Freshdesk o Gorgias, aprende de tus tickets anteriores y tu centro de ayuda, y trabaja la cola de correo y chat que hay detrás de toda línea telefónica. Antes de ponerlo en marcha, puedes ejecutarlo contra tus propios tickets pasados y ver cómo se comparan sus respuestas con lo que tu equipo envió realmente.

Para quienes construyen, encaja bien con la herramienta mcp de Grok. Cada espacio de trabajo de eesel es también un servidor MCP, y eesel mcp token en la CLI de eesel imprime lo que un cliente MCP necesita para conectarse. La CLI maneja el mismo agente que ves en el panel, cada comando imprime JSON, y agentes de programación como Claude Code, Cursor o Codex pueden ejecutar la configuración por ti. No he ejecutado eesel detrás de una línea telefónica real de Grok, así que considéralo una construcción prometedora, y vigila la latencia extra de una llamada a herramienta en mitad de una frase.

El precio es un plan mensual fijo de créditos, desde 299 $ al mes por 500 créditos, con 100 créditos gratis para probar y sin tarjeta. Prueba eesel con una parte de tu cola, para que la voz que conteste tu teléfono tenga las respuestas correctas que dar.