Grok Voice 3.0: o que é, o que mudou e como usar

O que é o Grok Voice 3.0?

O Grok Voice 3.0 (nome do modelo grok-voice-3.0) é um modelo de voz para voz para agentes de voz em tempo real, vendido pela API da xAI. A xAI agora assina a documentação como SpaceXSI, então você verá os dois nomes em torno do lançamento.

"Voz para voz" é a parte em que vale a pena desacelerar. Os bots de voz mais antigos encadeiam três sistemas: voz para texto, depois um modelo de texto, depois texto para voz, e cada passagem entre eles adiciona atraso e também perde o tom. Um modelo de voz para voz faz os três trabalhos de uma vez, então consegue perceber que quem liga está irritado e responder antes que a pessoa comece a se repetir. Se quiser a versão longa dessa troca, meu explicador do Grok Voice 2.0 percorre o assunto.

Eu construo agentes de IA na eesel, então leio lançamentos como este pela parte hidráulica: o que entra, o que sai e onde o conhecimento realmente fica. Lido assim, o Grok Voice 3.0 é várias coisas ao mesmo tempo:

• Um modelo que você chama por WebSocket, em wss://api.x.ai/v1/realtime, segundo a documentação de voz para voz.
• Um ambiente de execução de agentes, porque ele pode buscar em documentos enviados, chamar suas próprias funções ou alcançar um servidor MCP durante a chamada.
• Um sistema de produção que já está sob carga. O post de lançamento da xAI diz que ele lida com milhões de conversas por dia em carros da Tesla, alimenta o modo de voz do Grok Bot e atende 20.000 chamadas de suporte da Starlink por dia, cerca de 70% sem nenhum humano.

Uma coisa pequena que notei na página inicial: ela afirma "#1 Tau Voice Leaderboard", enquanto a própria execução do τ-Voice da Artificial Analysis coloca o Grok Voice 3.0 em 2º, atrás do GPT-Live-1 (Astra). Pode ser que citem rankings diferentes. Ainda assim, se for colocar uma posição num business case, cite a tabela da Artificial Analysis, que mostra seu método.

O que mudou em relação ao Grok Voice 2.0?

Resumindo: o modelo ficou muito melhor em concluir tarefas de suporte e um pouco mais lento para começar a falar, enquanto nada na API nem na fatura mudou. As notas de versão dizem isso numa linha: "The API is unchanged."

Aqui está o antes e depois completo, com todos os números de benchmark da Artificial Analysis e o resto da documentação da xAI:

O salto fica mais fácil de ver colocando a linha inteira lado a lado. O Grok Voice 1.0 marcou 73,7 no índice há menos de seis meses, e a pontuação em tarefas de suporte quase não se mexeu entre o 1.0 e o 2.0 antes deste lançamento.

O ponto interessante é que o 2.0 foi a versão da velocidade e o 3.0 é a versão da inteligência. O 2.0 cortou o primeiro áudio de 1,25 s para 0,70 s, e agora o 3.0 devolve cerca de um décimo de segundo e gasta isso em acertar a tarefa. Para uma linha de suporte, acho que é a troca certa.

Os benchmarks, em palavras simples

Os nomes dos benchmarks dificultam a leitura dos posts de lançamento, então aqui está o que cada um mede:

• τ-Voice coloca o modelo numa chamada de suporte simulada (companhia aérea, varejo, telecom) com ferramentas e um documento de políticas. Só pontua quando o estado final da conta está exatamente certo. Este é o que líderes de suporte devem observar.
• Task Success Rate vem de pessoas reais fazendo chamadas ao vivo com dois modelos ocultos na arena da Artificial Analysis e julgando se o trabalho foi feito.
• Arena Elo é a mesma arena, pontuada por qual modelo as pessoas preferiram conversar.
• Big Bench Audio testa raciocínio em perguntas faladas. O Grok Voice 3.0 marca 98,5%, então este já está quase saturado.
• Full Duplex Bench mede a troca de turnos: pausas, interrupções e não falar por cima de quem liga.

A Artificial Analysis resumiu o lançamento em sua própria thread:

"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

Em benchmarks externos, a xAI também aponta o EVA-Bench, o benchmark aberto da ServiceNow com mais de 200 cenários de voz corporativos, onde informa que o Grok Voice 3.0 tem a maior precisão, 74%. E em custo, o post de lançamento cita o custo por tarefa medido pela Artificial Analysis de US$ 0,025, contra US$ 0,030 do GPT-Live-1 (Astra) e US$ 0,055 do GPT-Realtime-2.1.

Como uma chamada do Grok Voice 3.0 realmente funciona

Esta é a parte que a maior parte da cobertura de lançamento pula, e, honestamente, é a que decide se seu agente é bom. Cada conversa é uma sessão. Seu app (ou uma operadora) a abre, envia um session.update com a configuração e depois transmite áudio nos dois sentidos até a chamada terminar.

As configurações de sessão que mais importam para um agente de suporte, todas da tabela de parâmetros de sessão:

As ferramentas são o ponto em que o modelo deixa de ser um falante e passa a ser um agente. file_search lê coleções de documentos que você envia, function chama seu próprio código e mcp conecta a um servidor MCP remoto. Quem já construiu sobre chamadas de ferramentas em tempo real sabe que o difícil é o silêncio enquanto uma função roda, e a documentação tem uma seção inteira sobre como evitar sobreposição de áudio durante chamadas de ferramentas, o que me diz que a xAI já colocou isso na mão de clientes reais.

Chamadas telefônicas passam pela sua própria operadora

Para uma linha telefônica, o Grok Voice 3.0 recebe chamadas por SIP. O guia de SIP é específico sobre como: você registra um número que já possui (origin: "byo_trunk"), aponta o tronco SIP da sua operadora para a xAI e recebe um webhook assinado a cada chamada recebida. Provisionar números de telefone SpaceXSI pela API não é suportado, então conte com uma conta de operadora. O guia traz passos de configuração para Twilio e Telnyx e funciona com qualquer provedor SIP.

Dois detalhes de telefonia me agradaram. Toques de tecla (DTMF) são armazenados em buffer e passados ao modelo como texto, então "tecle 1 para cobrança" continua funcionando. E uma chamada refer transfere quem ligou para outro número e informa de forma síncrona se o lado humano atendeu, exatamente o que uma transferência para humano precisa.

Idiomas

A documentação lista 20 entradas de idioma com sotaques nativos, e o modelo detecta o idioma de quem liga sem configuração. A página inicial diz mais de 25. Outros idiomas funcionam "with varying degrees of accuracy", segundo a lista de idiomas suportados. Se seus clientes falam algo fora da lista, faça chamadas de teste antes do lançamento.

Como começar a usar o Grok Voice 3.0

Há três formas de entrar e todas rodam o mesmo modelo, então a escolha depende principalmente de você ter desenvolvedores ou não.

1. Crie uma chave de API. No xAI Console, crie uma chave. Todos os caminhos abaixo precisam de uma conta.
2. Ouça primeiro no Playground. O playground de voz do console permite falar com o modelo antes de escrever qualquer código. Dez minutos aqui dizem mais sobre as vozes do que qualquer benchmark.
3. Sem código? Use o Voice Agent Builder. É a ferramenta do console da xAI para configurar um agente de voz com conhecimento, ferramentas e telefonia, sem código. Meu guia do Voice Agent Builder percorre o processo, e a análise do builder cobre seus limites.
4. Desenvolvedores: conecte-se à Realtime API. Abra um WebSocket para wss://api.x.ai/v1/realtime?model=grok-voice-3.0, envie session.update com suas instruções, voz e ferramentas e depois transmita áudio. Para navegadores e apps móveis, use tokens efêmeros em vez da sua chave de API.
5. Linha telefônica: configure o SIP. Registre seu número, aponte o tronco da sua operadora para a xAI e trate o webhook de chamada recebida, como visto acima.

A xAI também publica apps de teste no GitHub para um agente web por WebSocket, um agente WebRTC, um app iOS e um agente telefônico com Twilio, linkados a partir da documentação de voz para voz. Partir do exemplo do Twilio é a forma mais rápida que conheço de fazer um número de telefone real falar com o modelo.

A configuração mínima é curta. Este é o formato da primeira mensagem depois que o socket abre, reduzido do quick start da documentação:

{
  "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" }
  }
}

Dois trechos do conselho de migração na documentação da xAI merecem ser lidos duas vezes. Primeiro, "pin to a versioned model name in production", com o que concordo: um alias que se atualiza sozinho é ótimo até um prompt ajustado começar a se comportar de outro jeito. Segundo, se você está levando um prompt de outro modelo, a xAI diz para torná-lo bem mais curto e remover instruções de contorno escritas para modelos mais antigos.

Se seu app já roda na OpenAI Realtime API, a documentação diz que a maioria das bibliotecas cliente funciona depois que você troca a URL base e a chave de API. Alguns eventos da OpenAI têm nome diferente ou não são emitidos, e a tabela de compatibilidade os lista. Meu explicador de Realtime API vs WebRTC cobre a escolha de transporte, que funciona do mesmo jeito aqui.

Não sabe o que mudar do seu lado? Escolha o que você roda hoje:

Quanto custa e os limites a considerar

O preço é uma linha na página de preços da xAI, o que facilita a previsão:

Uma linha de suporte que atende 300 chamadas de quatro minutos por dia usa 36.000 minutos por mês, o que dá US$ 2.880 em tempo de voz antes de chamadas de ferramentas ou tarifas da operadora. Para a conta completa de custos, incluindo uma calculadora, veja minha análise do Grok Voice 3.0, e minha comparação de custo por chamada coloca esse número ao lado de um salário.

O limite que a maioria das equipes encontra primeiro é a concorrência, ou seja, quantas chamadas podem rodar ao mesmo tempo. A página de limites de uso restringe as sessões de voz para voz por faixa de gasto, com base no gasto acumulado na API desde 1º de janeiro de 2026. As faixas são liberadas automaticamente e nunca rebaixam.

O problema para pilotos: uma conta nova não consegue fazer teste de carga com 50 chamadas simultâneas sem antes comprar créditos suficientes para chegar ao Tier 2. Acima do Tier 4, você pede um aumento pelo console.

As regiões são o outro ponto a considerar. A página do modelo Grok Voice 3.0 lista us-east-1, eu-west-1 e us-saltlake-2. Quando cobri os preços do 2.0 em agosto, o modelo de voz rodava só em us-east-1, então equipes da UE agora têm um caminho para avaliá-lo.

Para quem o Grok Voice 3.0 serve e para quem não

A resposta curta para a IA consegue atender chamadas de suporte é agora sim, na camada do modelo. Eu o colocaria diante de três tipos de equipe:

• Equipes de suporte montando um agente telefônico que precisa fazer coisas. Verificar um cliente, consultar um pedido, emitir um crédito, agendar um horário. É exatamente o que o τ-Voice mede e onde o 3.0 mais melhorou. Os números da Starlink mostram o teto quando um único agente tem acesso profundo a ferramentas, a mesma lição de toda implantação de um agente de call center com IA.
• Equipes que já usam o Grok Voice 2.0. Mesma API, mesmo preço e ganho de 15,1 pontos em tarefas de suporte pelo custo de uma rodada de chamadas de teste.
• Linhas sensíveis à latência. Entre os modelos que pontuam acima de 65% no τ-Voice, é o único abaixo de um segundo até o primeiro áudio. Todo modelo próximo nesse benchmark leva mais de 1,3 segundo.

E três em que eu olharia outras opções primeiro:

• Sem desenvolvedores na equipe. O modelo é uma API. Comece pelo Builder ou por uma plataforma como a Retell AI ou a Vapi, que adicionam fluxos de chamada e análises. Meu panorama dos melhores agentes de voz com IA compara as opções prontas.
• Equipes que vivem dentro de um único helpdesk. Confira opções nativas como os agentes de voz com IA do Zendesk ou os agentes de voz do Freshcaller antes de montar uma stack própria.
• Equipes cujo problema real são as respostas. Se seus agentes têm dificuldade porque as políticas ficam em cinco lugares, uma voz melhor só vai ler a política errada com mais fluência. É o item mais comum em qualquer lista de problemas de chatbots.

Se você ainda está decidindo se vai automatizar o suporte telefônico, meu guia de agentes de voz para suporte é um ponto de partida melhor do que qualquer modelo isolado.

Para o restante do mercado, veja minha lista de melhor IA para suporte por voz ou a página mais ampla de alternativas à xAI.

As duas perguntas que as pessoas fizeram no dia do lançamento

Sob os posts de lançamento no X, as respostas de quem usou versões anteriores foram mais práticas do que a comemoração, e duas delas apareceram várias vezes.

"Have they made it less verbose?"

Spencer, X

A xAI não publica uma métrica de verbosidade. O que as notas de migração dizem é que o 3.0 precisa de um prompt de sistema bem mais curto do que os modelos anteriores. Na minha experiência, a maioria dos agentes de voz que enrolam faz isso por causa de um prompt longo cheio de regras, então instruções mais curtas e uma linha como "responda em uma ou duas frases" é a primeira coisa que eu testaria.

"have they improved the ability to interrupt?"

Rich Brandwein, X

Este tem um número. O Full Duplex Bench, que pontua pausas e interrupções, foi de 95,1% para 97,0%, segundo a Artificial Analysis. Em uma linha telefônica, ative a detecção de turnos server_vad para que quem liga possa interromper naturalmente, o que a documentação lista como uma das principais recomendações de produção.

E uma resposta que apreciei sob o anúncio de Elon Musk, que todo comprador deve ter em mente ao ler posts de lançamento, inclusive este:

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

Donvalderath, X

Justo. Faça suas próprias chamadas, com ruído de fundo real, antes de confiar em qualquer benchmark.

O Grok Voice 3.0 fala. A eesel sabe o que dizer.

Um modelo de voz dá à sua linha telefônica um falante rápido e de som natural. Ele não conhece seu prazo de devolução, os limites do seu plano nem quais clientes recebem o crédito de cortesia. Esse conhecimento precisa vir de algum lugar. Nas chamadas de demo da eesel, o pedido que mais aparece é treinar a IA com os tickets anteriores da equipe, e acho que esse instinto também está certo para voz.

É isso que a eesel faz. É um colega de helpdesk com IA que entra no Zendesk, Freshdesk ou Gorgias, aprende com seus tickets anteriores e sua central de ajuda e trabalha a fila de e-mail e chat que existe por trás de toda linha telefônica. Antes de entrar no ar, você pode rodá-lo contra seus próprios tickets passados e ver como as respostas dele se comparam com o que sua equipe realmente enviou.

Para quem constrói, há um encaixe interessante com a ferramenta mcp do Grok. Todo workspace da eesel também é um servidor MCP, e eesel mcp token na CLI da eesel imprime o que um cliente MCP precisa para se conectar. A CLI controla o mesmo agente que você vê no painel, todo comando imprime JSON, e agentes de programação como Claude Code, Cursor ou Codex podem executar a configuração por você. Não rodei a eesel atrás de uma linha telefônica real do Grok, então trate isso como uma montagem promissora e fique de olho na latência extra de uma chamada de ferramenta no meio de uma frase.

O preço é um plano mensal fixo de créditos, a partir de US$ 299 por mês por 500 créditos, com 100 créditos grátis para testar e sem cartão. Teste a eesel em uma parte da sua fila, para que a voz que atende seu telefone tenha as respostas certas para dar.