As 10 melhores alternativas ao Grok Voice Think Fast 2 em 2026

Resumo

Em 5 de agosto de 2026, o alias grok-voice-latest passou a apontar de Think Fast 1.0 para 2.0, o que levou o caminho padrão de $0.05/min para $0.08/min, um aumento de 60% sem nenhum deploy do seu lado. Outras duas coisas empurram as pessoas a procurar alternativas. O teto de concorrência é de 10 sessões por equipe, publicado. E a voz roda apenas em us-east-1, em nenhum outro lugar.

Agora a parte incômoda. Pelos números, nada supera o Grok Voice Think Fast 2.0 em qualidade e velocidade ao mesmo tempo. O Qwen Audio 3.0 Realtime Plus é o único modelo que pontua mais alto na Artificial Analysis, mas leva 4.02 segundos para chegar ao primeiro áudio contra 0.70 do Grok. O que torna a resposta honesta uma escada e não uma lista de compras. Degrau mais barato: fixar o grok-voice-think-fast-1.0, pagar $3.00/hr. Próximo degrau, trocar para outra API de modelo. Último degrau, comprar uma plataforma inteira e pagar de 30% a 75% mais por minuto pelos números de telefone e pelas ferramentas de teste.

Última coisa, e digo isso como alguém que trabalha numa fila de suporte todos os dias. O melhor modelo de voz do quadro conclui 56.5% das tarefas de suporte. Então, antes de gastar um trimestre escolhendo entre esses dez, pergunte-se quantas dessas chamadas existem só porque um email ou chat ficou sem resposta. A eesel cuida dessa parte, cobrando por resolução em vez de por assento. Também um ponto de partida muito mais barato.

Por que alguém procura uma alternativa ao Grok Voice Think Fast 2

Primeiro, justiça à xAI: o modelo é bom. Medidos de forma independente, os números publicados pela xAI se confirmam. 97.2% em raciocínio de voz e 95.1% no Full Duplex Bench, com o primeiro áudio chegando em 0.70 segundo. Quem estava construindo um agente telefônico em 2025 não tinha nada parecido. Eu desmontei o modelo no meu review do Think Fast 2.0, e o mecanismo está detalhado no resumo do lançamento.

Qualidade, então, não é o motivo de ninguém sair. Os três motivos que realmente aparecem são todos estruturais, e o motivo financeiro eu cobri de ponta a ponta no meu artigo sobre os preços do Think Fast 2.0.

O preço do caminho padrão subiu 60%. O Speech to Speech está na página de preços da xAI a $0.05/min para o grok-voice-think-fast-1.0 e $0.08/min para o 2.0, ambos mais $0.004 por evento de entrada de texto. Não há segredo na tarifa do 2.0. O que pegou as pessoas de surpresa é que o grok-voice-latest costumava resolver para 1.0, e o guia de speech-to-speech situa a mudança para 2.0 em 5 de agosto de 2026. Então, se sua string de produção é esse alias, o custo por minuto subiu 60% da noite para o dia sem que nada no seu repositório mudasse.

Dez sessões simultâneas é um teto real. A ficha do modelo publica 10 sessões simultâneas por equipe, mais uma sessão máxima de 120 minutos. A xAI aumenta isso se você pedir. Normal o suficiente, exceto que o valor padrão é o número em torno do qual você realmente planeja um lançamento. Dez chamadas de uma vez é uma tarde de terça-feira agitada para uma equipe de dez agentes. Não é um teste de estresse.

Uma única região, sem via rápida, sem desconto. A voz roda em us-east-1, e apenas ali. Também fica fora das duas palancas de custo da xAI. O desconto de 20% em lote é para modelos de texto; o nível de prioridade 2x cobre Chat Completions e Responses. A voz não tem nenhum dos dois, o que não deixa nenhuma forma de reduzir o custo ou aumentar a vazão.

Cada um desses problemas tem uma solução diferente. A maioria das listas de alternativas achata essa distinção, então aqui ela está detalhada.

Como escolhi esses dez

Três regras. Mais uma ressalva que prefiro dizer em voz alta do que esconder.

Regra um: os números vêm das próprias páginas dos fornecedores, ou da Artificial Analysis. A AA aplica os mesmos três benchmarks a cada modelo. Big Bench Audio para raciocínio de voz, Full Duplex Bench para alternância de turnos de fala, e depois o tau-Voice, que pergunta se uma tarefa de suporte realmente foi concluída. Esse último é o menos citado e o que mais importa. É por isso que construí meu resumo de suporte por voz em torno dele, e não das afirmações de contenção dos fornecedores.

Regra dois: trocas de modelo e trocas de plataforma ficam separadas, porque não são compras concorrentes. Uma API de modelo entrega um WebSocket e nada mais. Uma plataforma entrega números de telefone, registros de chamadas e ferramentas de teste, com uma conta de 30% a 75% mais alta por minuto. Misturar as duas numa única lista classificada acaba comparando $0.08 com $0.14 como se comprassem a mesma coisa.

E então a ressalva: as quatro opções da camada de modelo não têm nenhuma interface de produto para mostrar, porque são endpoints de API. A documentação e os posts de lançamento da xAI não trazem nenhuma captura de tela. É por isso que as seções de modelos se apoiam em linhas de benchmark e comportamento documentado, enquanto as seções de plataformas abrem com capturas reais do produto. Melhor dizer isso do que preencher quatro seções com imagens de banco.

Alternativas ao Grok Voice Think Fast 2 comparadas

Leia a coluna de custo medido duas vezes. Esse número vem da Artificial Analysis rodando uma carga de trabalho fixa e reportando o que a hora realmente custou, o que é diferente do preço de tabela numa página de preços. A Grok cobra um medidor fixo por minuto, então seu $4.80 medido bate com seu $4.80 de tabela. Modelos cobrados por tokens se distanciam bastante do deles.

As colunas de benchmark e custo medido vêm da tabela speech-to-speech da Artificial Analysis. Os números por hora das plataformas são meus, uma simples conversão aritmética da tarifa por minuto publicada de cada fornecedor, então leia-os como uma conversão equivalente e não como um resultado medido.

Quatro trocas diretas de modelo

As quatro são o mesmo tipo de compra que o Grok Voice. Um WebSocket, uma string de modelo, uma conta por minuto. O esforço de migração vai de uma linha de configuração até uma reescrita completa do cliente.

Um gráfico antes das avaliações individuais, e é a coisa mais útil que fiz para este artigo. Fui procurar um modelo que fosse ao mesmo tempo melhor e mais rápido que o Think Fast 2.0. Não existe.

1. Grok Voice Think Fast 1.0

Melhor para: cortar 37.5% da conta de voz ainda hoje à tarde, sem nenhuma migração.

Quase ninguém lista este, acho que porque parece trapaça. O grok-voice-think-fast-1.0 ainda está na página de preços a $0.05/min, e fixá-lo é uma mudança de uma única string. A Artificial Analysis mede $3.00 por hora de áudio de entrada, contra os $4.80 do 2.0.

Você abre mão de algo, sim. Vale a pena saber exatamente do quê. O raciocínio de voz é praticamente idêntico, 97%, e o tau-Voice cai de 56.5% para 52.1%, ou seja, cerca de quatro pontos de conclusão de tarefas. A dinâmica conversacional é onde a lacuna real se abre. O Full Duplex Bench cai de 95.1% para 77.8%, a diferença entre um modelo que lida bem com interrupções e backchannels e um que fala por cima das pessoas. O tempo até o primeiro áudio quase dobra também, de 0.70s para 1.25s.

Preços: $0.05/min ($3.00/hr) mais $0.004 por evento de entrada de texto. Mesmo teto de 10 sessões, mesmo us-east-1.

Veredito: um fluxo roteirizado e com poucas interrupções (status de pedido, confirmação de agendamento, horário de funcionamento) torna a troca para 1.0 quase dinheiro de graça. Com usuários que interrompem, ou resolução de problemas em aberto, é outra história. Essa lacuna de 17 pontos em alternância de turnos é exatamente onde uma chamada dá errado, e ali eu pagaria os três centavos extras. Uma nota de rodapé: os posts mais antigos sobre o Voice Agent Builder todos citam a tarifa do 1.0, então sua página de preços parece baixa agora.

2. GPT-Realtime-2.1

Melhor para: equipes que querem sair da xAI completamente com a menor reescrita de cliente possível.

A xAI construiu seu endpoint em tempo real para ser compatível a nível de protocolo com a API Realtime da OpenAI, deliberadamente. Isso corta para os dois lados. Adotar a Grok foi fácil; saída também é fácil pelo mesmo motivo. A configuração com melhor pontuação da OpenAI é o GPT-Realtime-2.1 High, 79.1% no índice, com a pontuação de alternância de turnos mais alta de toda a tabela, 95.7%.

Duas coisas para saber antes de decidir. O tau-Voice fica em 45.7% contra 56.5% do Grok, então no benchmark que mede tarefas de suporte concluídas você cede quase 11 pontos. Depois o custo se vira contra você. A Artificial Analysis mede o GPT-Realtime-2.1 High a $10.75 por hora, mais do que o dobro do Grok Voice 2.0.

O botão de esforço também escondia uma pegadinha. O GPT-Realtime-2.1 Minimal mede $11.31/hr, mais do que os $10.75 do High, enquanto pontua 6.6 pontos mais baixo. Reduzir o raciocínio não é uma palanca de custo em voz cobrada por tokens. Um modelo mais fraco simplesmente gasta mais tokens para chegar ao mesmo lugar.

Preços: baseado em tokens, então a conta segue o formato da conversa. O GPT-Realtime-2 mais antigo lista $1.15/hr de áudio de entrada e $4.61/hr de áudio de saída, e depois mede $4.14 tudo incluído. Mostra o quanto a tarifa de entrada citável significa pouco aqui.

Veredito: a escolha certa quando compatibilidade é a restrição e orçamento não é. Sair da Grok especificamente para economizar dinheiro? Direção errada, e o GPT-Realtime-2 High, com $4.14/hr medido, é de qualquer forma o irmão com melhor relação custo-benefício. A peça complementar na camada de fornecedores é meu resumo de suporte telefônico.

3. Qwen Audio 3.0 Realtime Plus

Melhor para: o modelo de voz de mais alta qualidade disponível, em canais onde ninguém está esperando na linha.

Um modelo na tabela supera o Grok Voice Think Fast 2.0 no índice principal, e é este, 84.1% contra 82.9%. Ele lidera também os dois benchmarks componentes ao longo do caminho, 99% em raciocínio de voz e 98.4% em alternância de turnos. A Alibaba Cloud lista a $0.03 por hora de áudio de entrada, a tarifa de entrada publicada mais barata da categoria.

Depois vem o número que o descarta para uma linha telefônica. O tempo até o primeiro áudio é de 4.02 segundos. Quatro segundos de silêncio depois que um usuário para de falar parece uma conexão caída. As pessoas dizem "alô?" e desligam. E o custo medido tudo incluído chega a $4.42/hr, apesar dessa tarifa de entrada minúscula, então a etiqueta de preço barato não sobrevive ao contato com uma carga de trabalho real.

Se você esperava que a variante Flash resolvesse a latência, ela não resolve. O Qwen Audio 3.0 Realtime Flash é de 4.16 segundos, ligeiramente mais lento, e 76.3% no índice.

Preços: como listado, $0.03/hr de áudio de entrada e $0.18/hr de áudio de saída. Medido numa carga de trabalho fixa, $4.42/hr.

Veredito: para trabalho de voz assíncrono, este é o melhor modelo aqui. Triagem de mensagens de voz, resumo de chamadas, tratamento de mensagens gravadas, revisão de qualidade de chamadas. Suporte de entrada em tempo real, não: quatro segundos de silêncio morto não se resolvem com uma vantagem de índice.

4. Gemini 3.1 Flash

Melhor para: o custo por hora mais barato e crível quando você pode aceitar uma queda real de qualidade.

A entrada do Google é a jogada de valor, e ela não finge outra coisa. O Gemini 3.1 Flash High mede $1.75/hr, 64% abaixo do Grok Voice 2.0, e os 97% de raciocínio de voz se mantêm bem nesse preço. O Minimal roda a $1.50/hr e responde em 0.96 segundo.

Alternância de turnos é o ponto fraco. O Full Duplex Bench fica em 74.3% no High e 72.3% no Minimal, ambos bem atrás dos 95.1% do Grok, com o tau-Voice em 37.7%. Dito claramente: ele entende a pergunta, é mais lento para descobrir de quem é a vez de falar, e conclui aproximadamente dois terços das tarefas de suporte. A opção de áudio nativo mais rápida do Google é outro modelo, o Gemini 2.5 Flash Native Audio Dialog, respondendo em 0.63 segundo com um medido $1.42/hr. Sem pontuação de índice para esse, já que não rodou nos três benchmarks.

Preços: listado a $0.35/hr de áudio de entrada e $1.38/hr de áudio de saída. Medido, $1.75/hr no High e $1.50/hr no Minimal.

Veredito: a escolha honesta de orçamento. Chamadas de alto volume e baixo risco, onde uma interrupção torpe não custa nada, encaixam bem com ele. Eu manteria fora de uma linha de cobrança ou cancelamento, porém. A linha mais ampla do Google está em alternativas ao Gemini.

Um detalhe de migração morde independente da direção que você tomar. A xAI renomeou o evento da OpenAI ...input_audio_transcription.delta para .updated, e o payload é cumulativo em vez de incremental. Então um cliente escrito para a OpenAI, que anexa cada evento a um buffer, produz silenciosamente uma transcrição com cada palavra repetida. Uma falha silenciosa. O peor tipo.

Seis trocas completas de plataforma

Uma compra completamente diferente. O que esses fornecedores vendem é a orquestração em torno do modelo. Telefonia, registros de chamadas, bases de conhecimento, ferramentas de teste, transferências assistidas, e alguém para ligar quando a linha cai. Você paga por minuto por tudo isso, e o adicional sobre o modelo puro é maior do que a maioria das páginas de preços deixa transparecer.

Eu também olhei a Sierra, e depois a deixei fora da lista numerada. Ela cobra por conversa resolvida em vez de por minuto e não publica tabela de preços, então uma comparação equivalente não é possível. A pesquisa sobre tau-voice que ela publicou vale a leitura, porém, e eu a cito mais abaixo.

5. ElevenLabs Agents

Melhor para: equipes que querem as melhores vozes do setor mais uma plataforma de agentes completa, exatamente ao novo preço da Grok.

Essa é a coincidência que tornou este artigo interessante de escrever. Cada plano pago do ElevenLabs Agents se divide em quase exatamente $0.08 por minuto incluído: $6 por 75 minutos, $22 por 275, $99 por 1,238, $299 por 3,738, $990 por 12,375. No plano mais alto a aritmética é exata, 12,375 vezes $0.08 é igual a $990.00. Até 5 de agosto, a Grok era 37.5% mais barata que a ElevenLabs. Agora são o mesmo número até o centavo.

Então a escolha deixou de ser sobre preço. Agora é sobre o formato de cobrança. Os minutos da ElevenLabs são pré-pagos e expiram; a Grok é pague-pelo-uso. Com 500 minutos por mês, a Grok custa $40, enquanto o plano da ElevenLabs que cobre isso é o Pro de $99, motivo pelo qual volume instável ou baixo ainda favorece o pague-pelo-uso. Com volume alto e constante, é cara ou coroa. E acima de 12,375 minutos por mês, a ElevenLabs passa a ser só sob consulta.

O que o mesmo dinheiro compra é substancial. Telefonia está presente em todos os planos, incluindo o gratuito, assim como bases de conhecimento e RAG, e o console reporta sua própria taxa de sucesso (75.1% na captura acima) em vez de fazer você construir esse painel sozinho. O Business permite 40 chamadas simultâneas contra o padrão de 10 da Grok. Uma contradição no próprio site deles vale ser destacada: o catálogo de texto para voz anuncia mais de 70 idiomas enquanto a configuração de agentes lista 31.

Preços: Free $0 por 15 minutos, Starter $6 por 75, Creator $22 por 275 (meio preço no primeiro mês), Pro $99 por 1,238, Scale $299 por 3,738, Business $990 por 12,375, Enterprise sob consulta. Mensagens de texto $0.003 cada. Não há desconto por volume em nenhum plano, porque as cotas foram derivadas do preço desde o início.

Veredito: a troca de plataforma mais sólida no geral aqui, e a primeira que eu colocaria na minha lista curta se quisesse qualidade de voz com um console integrado. Se o tráfego for instável, evite: minutos pré-pagos que expiram punem exatamente esse padrão. O campo mais amplo está em alternativas ao ElevenLabs.

6. Vapi

Melhor para: engenheiros que querem escolher cada camada da pilha eles mesmos e ver cada item de custo.

A Vapi cobra $0.05/min pela própria hospedagem, e depois repassa o que você escolher para reconhecimento de voz, síntese de voz, o modelo e telefonia. Ao montar uma estrutura de suporte realista, você chega perto de $0.105/min, o que significa que a taxa da própria Vapi é aproximadamente 48% de um minuto realista. Na telefonia, as opções baratas são a Telnyx a $0.0055/min e a Twilio entrante a $0.008/min. A concorrência custa um fixo de $10 por linha, o que eu gosto. É o único fornecedor aqui que coloca preço na coisa exata que o teto de 10 sessões da Grok limita.

Duas coisas para planejar. O construtor Visual Workflows se aposenta em 19 de agosto de 2026, então qualquer coisa construída ali precisa de um caminho de migração. Chamadas de teste também são cobradas em tarifas de produção, o que significa que uma semana de avaliação intensa aparece na fatura. Separadamente: a base de conhecimento é apenas upload de arquivo com recuperação exclusiva do Gemini, e não há integrações de ticketing de nenhum tipo, então qualquer coisa que toque seu helpdesk se torna trabalho personalizado.

Preços: $0.05/min de hospedagem Vapi, $0.005/mensagem em SMS e chat, mais o repasse por provedor. $10/mês por linha simultânea. Add-ons de conformidade são cobrados separadamente.

Veredito: a escolha certa quando você tem um engenheiro que quer controle e uma planilha. A escolha errada quando você quer que o fornecedor tome as decisões de pilha por você, e um risco real se sua lógica de fluxo vive no construtor que se aposenta este mês. Para o mapa da categoria, AI voice companies tem o campo completo.

7. Retell AI

Melhor para: equipes que querem controles de QA e conformidade vendidos como interruptores em vez de construí-los internamente.

A Retell anuncia $0.07 a $0.31/min. A composição importa mais do que o intervalo. A infraestrutura de voz custa $0.055/min e é inevitável, mais da metade do custo de uma montagem barata antes mesmo de você ter escolhido um único componente. Adicione a síntese de voz da plataforma a $0.015/min, adicione um modelo, e um agente de suporte realista fica em torno de $0.135/min. Com 5,000 minutos, isso é cerca de $675 por mês.

Os add-ons são onde fica interessante, nas duas direções. A remoção de PII a $0.01/min e as salvaguardas de segurança a $0.005/min são incomumente granulares, e úteis se você está num setor regulado. O QA com IA custa $0.10/min, adicionando cerca de 74% ao minuto, então essa é uma decisão de orçamento real e não uma caixinha para marcar. A Retell declara conformidade SOC 2 Type II, HIPAA e GDPR no nível da plataforma; o BAA e o MSA contratuais são restritos ao Enterprise.

Dois limites honestos. A integração com Zendesk está listada como em breve em vez de entregue, e não há conector de Freshdesk nem de Gorgias, então o trabalho de helpdesk se reduz a cola via API. O medidor também para na transferência, o que é generoso, e mostra onde termina a responsabilidade do produto. Achei digno de nota que a própria FAQ deles responde "a IA pode substituir agentes de central de atendimento?" com um não categórico.

Preços: $0.055/min infraestrutura de voz, $0.015/min vozes da plataforma ($0.040 para vozes ElevenLabs), mais modelo e telefonia. Remoção de PII $0.01/min, salvaguardas $0.005/min, QA com IA $0.10/min. Agentes de chat a partir de $0.002/mensagem.

Veredito: escolha quando controles de conformidade e QA de chamadas são a exigência, e você prefere comprá-los em vez de construí-los. Pule quando sua lista de integrações começa com um helpdesk, pois é aí que está a lacuna. Alternativas à Retell AI cobre o resto dessa lista curta.

8. Bland AI

Melhor para: chamadas de saída de alto volume e chamadas de entrada numa única tarifa empacotada, com SLA em todos os planos.

A Bland empacota em vez de montar: $0.14/min no Start sem taxa de plataforma, $0.12/min no Build a $299/mês, $0.11/min no Scale a $499/mês. Uma tarifa única, sem pilha para cotar separadamente. O que eu recomendaria a um comprador verificar é a partir de quando esses planos realmente começam a valer a pena. O Build só supera o Start acima de 14,950 minutos por mês, e o Scale só acima de 16,633. Abaixo desses volumes, o plano sem taxa acaba mais barato, apesar da tarifa por minuto mais alta. Em 12,000 minutos, as taxas efetivas ficam em $0.148, $0.151 e $0.156, então ambos os planos pagos são piores.

O verdadeiro diferencial: 99.9% de disponibilidade em todos os planos, incluindo o gratuito, algo que mais nenhum aqui faz. Os testes também se sustentam. O construtor Pathways acima executa cenários nomeados como portões de deploy, um caminho feliz e um cliente irritado, cada um com uma pontuação.

A Bland publica algo que a maioria dos fornecedores prefeririam esconder. É a captura mais útil de todo este artigo.

408 execuções de ferramentas, 142 erros, uma taxa de erro de 34.8%, detalhado por ferramenta. É aqui que os agentes de voz realmente vazam. O modelo entendeu o usuário perfeitamente; a consulta ao calendário retornou nulo. Os números de todos os fornecedores se parecem com isso. Só a Bland te dá o painel para ver isso.

Dois limites. A transferência assistida é exclusiva do Enterprise, e o diretório de conectores tem 19 entradas, sem nenhum helpdesk entre elas.

Preços: Start $0.14/min, $0 de taxa. Build $0.12/min, $299/mês. Scale $0.11/min, $499/mês. Enterprise contratado. SLA de 99.9% em todos os planos.

Veredito: a melhor escolha para volume, e a matemática dos planos mostra que a maioria das equipes deveria ficar no Start por muito mais tempo do que a página de preços sugere. Faça a conta dos 14,950 minutos, mais a matemática do ROI de central de atendimento, antes de fazer upgrade.

9. PolyAI

Melhor para: linhas telefônicas empresariais onde a garantia de disponibilidade é o produto.

A PolyAI cobra por minuto e só dá cotações, então nenhuma tarifa da minha parte. O que posso dizer é o que a cotação inclui, que é justamente o que APIs de modelo estruturalmente não conseguem vender: um SLA telefônico de 99.9%, e uma linha de emergência 24/7. O Grok Voice não publica nenhum compromisso de disponibilidade, e também nenhum canal de suporte para uma queda de voz. Quando sua linha telefônica ficar em silêncio conta como um evento de receita, essa diferença é toda a decisão.

Certificações não são segmentadas por plano aqui, o que é raro nesta categoria. Um comprador de médio porte termina com a mesma postura de conformidade que um grande. O Agent Studio, na captura acima, é um construtor conversacional: você descreve a mudança e depois testa num sandbox com um contador de custo em tempo real, em vez de arrastar nós.

Preços: só sob consulta, por minuto, SLA e suporte de emergência incluídos. Certificações não segmentadas por plano.

Veredito: o candidato da lista curta para uma linha telefônica regulada ou de alta receita. Não vale o ciclo de vendas para uma equipe pequena que espera lançar este mês, e a tarifa ausente torna o orçamento complicado. Tecnologia de central de atendimento cobre onde essa camada se encaixa.

10. Parloa

Melhor para: equipes que não vão lançar um agente telefônico sem testá-lo primeiro contra suas próprias chamadas passadas.

Aviso justo sobre essa imagem. A Parloa não publica capturas de tela de sua aplicação real, então o que está acima é a ilustração própria da empresa da visão de conversa, não uma captura. Para um comprador, isso é um achado real, e eu gostaria que fosse divulgado se fosse eu quem estivesse avaliando.

A Parloa está na lista mesmo assim, por causa de uma coluna que nenhum outro consegue preencher. É o único fornecedor aqui cuja simulação reproduz suas transcrições históricas reais, misturadas com cenários sintéticos, com rastreamento de causa raiz mais correções em nível de linha aplicadas na plataforma. A "simulação" de todos os outros roda com cenários que você mesmo escreveu, então ela testa sua imaginação e não seu volume real de chamadas. Você já lançou um agente que passou em todos os testes que você mesmo inventou e depois quebrou no primeiro usuário real? Então você já sabe o valor dessa diferença.

Nos números, a empresa também é confiável. Uma Série D de $350M com avaliação de $3B em janeiro de 2026, mais de $50M de ARR, 150% de retenção líquida de receita.

Preços: baseado em consumo por complexidade da tarefa, só sob consulta. A página de preços não está no ar.

Veredito: numa migração grande, essa é a opção pela qual eu mais defenderia, porque testar antes do lançamento contra o histórico real é a diferença entre um rollout controlado e um incidente público. Para uma equipe pequena que se move rápido, encaixa mal, entre o ciclo de vendas e a ausência de tabela de preços. Seja o que você escolher, combine com um design de transferência deliberado.

O que nenhuma dessas dez realmente resolve

Essa é a parte que mais me importa. Ela vem de trabalhar numa fila de suporte, não de ler tabelas de benchmark.

O tau-Voice é um benchmark de suporte, não um teste de áudio genérico. Um usuário simulado liga para o modelo com um problema real, e a pontuação é se o banco de dados terminou no estado final correto. Literalmente "o problema do cliente foi resolvido". Melhor pontuação de toda a tabela: Grok Voice Think Fast 2.0, 56.5%. Toda página de fornecedor deste artigo anuncia de 70% a 95% de contenção.

Duas direções corroboram essa lacuna. A pesquisa de tau-voice da Sierra encontra que todo fornecedor perde de 5 a 14 pontos percentuais na transição de texto limpo para áudio telefônico realista, e coloca 79% dos primeiros erros críticos no agente, não no usuário. Operadores de central de atendimento no Reddit colocam a automação total real entre 15% e 30%. O que se alinha com o que vejo no trabalho de resolução automatizada de tickets no lado texto.

Sobre a Grok especificamente, o sentimento da comunidade é mais caloroso do que meus números sugerem. Ambos vale a pena ler:

"Grok voice is surprisingly good, actually. It's still a dumber model than the thinking modes of frontier models, but it's less dumb than the voice modes of other providers."

modeless, Hacker News

"Don't know why this post isn't more popular, this is a SOTA voice model, beating dedicated labs like ElevenLabs"

haaz, Hacker News

Ambos verdadeiros. Nenhum muda os 56.5%. O modelo é o melhor disponível, e ainda assim conclui pouco mais da metade das tarefas de suporte.

Então, antes de gastar um trimestre nessa decisão, a pergunta que eu faria é quantas dessas chamadas existem porque algo lá atrás nunca foi respondido. Na pesquisa própria de clientes da eesel, o padrão que continuo encontrando é o inverso do que os fornecedores vendem. Uma equipe colocou isso claramente:

"The lack of voice recording support requires agents to summarize voice interactions for Eesel. Implementing this feature would significantly increase our usage."

Uma terceirizada de suporte em gestão de propriedades usando a IA como copiloto do Zendesk

Leia isso de novo. O gargalo não era o bot de voz. O conteúdo da chamada nunca chegava à IA de texto, então uma pessoa retranscrevia manualmente cada conversa telefônica antes que a automação pudesse tocar nela. Essa é a forma real da voz no trabalho de suporte. Chamadas e tickets são uma única fila usando duas fantasias, e o canal mais caro é o que todo mundo tenta automatizar primeiro.

A ordem de operações mais barata, geralmente: automatizar os canais de texto vem antes da linha telefônica. Depois a primeira resposta, e voz por último. Ainda dimensionando a categoria? Agentes de IA versus chatbots é o ponto de partida mais claro.

A pergunta de orçamento merece o mesmo cuidado. Um minuto de voz a $0.08-$0.14 não se compara a um ticket resolvido, então rode os números de custo de agente versus agente humano contra seu próprio volume em vez da calculadora de um fornecedor. Um helpdesk com IA moderno resolve muito mais volume por dólar do que qualquer agente telefônico desta lista. E o software de atendimento ao cliente com IA é onde a maior parte desse gasto deveria ir primeiro.

Experimente a eesel para os tickets por trás das chamadas

Sendo direto com você: a eesel não está nesta lista, porque a eesel não vende um modelo de voz nem uma linha telefônica. O que ela faz é o canal que alimenta sua linha telefônica.

Ela se conecta ao helpdesk que você já usa, Zendesk e Freshdesk incluídos. Ela aprende com a central de ajuda e o histórico de tickets já existentes ali, e depois resolve o volume de email e chat antes que qualquer parte dele se transforme numa chamada às 16h.

Também existe um conector com o Front, mais Slack e o resto da pilha. Ela se posiciona como uma camada de IA conversacional sobre qualquer helpdesk que você use, não como um substituto dele.

A parte relevante para tudo acima: simulamos cada rollout contra seus próprios tickets históricos antes que ele responda a um único cliente real. Isso existe porque já vimos um bot de tom confiante dar uma resposta errada. Numa chamada telefônica não há rascunho para revisar, nada para retratar. A mesma disciplina pela qual a Parloa cobra preços de Enterprise, e o motivo pelo qual eu não lançaria nenhum canal sem ela.

A cobrança é por resolução em vez de por assento, então um mês tranquilo custa menos em vez de custar o mesmo. Experimente a eesel gratuitamente, ou agende uma demo se preferir ver primeiro como ela funciona contra seu próprio histórico de tickets.