Análise do Grok Voice Think Fast 2.0: rápido, afiado, limitado

O que eu realmente testei, e o que não consegui

Quero ser direto sobre a base disso tudo, porque "eu testei" é usado com bastante liberdade quando se trata de modelos de voz.

O que eu explorei a fundo: a documentação de speech-to-speech da xAI de ponta a ponta, além da ficha do modelo com seus limites publicados e a tabela de preços na página de preços.

Além disso, o post de lançamento e a avaliação independente da Artificial Analysis, que o pontuou contra outros 27 modelos. Depois li o que as pessoas que constroem sobre ele estão dizendo.

O que não posso afirmar: não fiz mil chamadas de produção passarem por ele em uma linha telefônica real. Ninguém fora da xAI fez isso, exceto a Starlink. Então, quando este post disser algo sobre comportamento sob carga, isso vem de um limite publicado, e não de uma história real de guerra, e eu vou dizer qual das duas coisas é, caso a caso.

Eu construo agentes de IA na eesel para viver, principalmente as partes que ficam entre um modelo e uma conversa real com o cliente. Essa é a lente aqui. A pergunta não é "isso impressiona em uma demo". É "o que quebra quando é terça-feira à tarde e 40 pessoas ligam ao mesmo tempo".

O placar

Aqui está todo o veredito em um só lugar, antes dos detalhes.

Veredito: o modelo merece uma recomendação forte, e a plataforma merece um "verifique seu volume primeiro". São dois produtos diferentes, e as análises tendem a pontuar só o primeiro.

Onde ele vence

Quatro coisas se destacaram, e apenas uma delas é o número que a xAI usou para abrir o lançamento. Juntas, elas descrevem um tipo específico de modelo: não o mais inteligente disponível, mas o que se mantém afiado enquanto responde rápido o suficiente para uma linha telefônica.

Interrupções deixaram de ser o ponto fraco

A maior mudança única em relação ao 1.0 é o Full Duplex Bench, que mede como um modelo lida com as partes confusas de uma conversa real: interrupções, sobreposições, sinais de escuta, alguém que muda de ideia no meio de uma frase. O 1.0 obteve 77,8%. O 2.0 obtém 95,1%.

Esse é o número que separa um agente de voz que as pessoas toleram de um que elas esquecem ser uma máquina. Qualquer pessoa que já ouviu gravações de chamadas conhece essa falha específica: quem liga começa a se corrigir, o bot continua falando por cima, e essa pessoa acaba se repetindo mais alto ou pedindo para falar com um humano. Isso fica próximo do topo de qualquer lista de problemas de chatbots que fazem os clientes desistirem, e os padrões de transferência em toda implantação séria existem principalmente para capturar esse momento exato.

Vale reconhecer, com justiça: esta é a única linha em que o Grok perde para a OpenAI. O GPT-Realtime-2.1 High pontua 95,7%. Uma diferença de 0,6 ponto não é algo que quem liga jamais perceberia, mas a tabela de lançamento também não vai se oferecer para mencionar isso.

A pontuação agêntica é a manchete real

O τ-voice mede se um modelo consegue de fato concluir uma tarefa por voz, em vez de apenas parecer bom enquanto tenta. Consultar um pedido, verificar uma política, depois chamar uma função e voltar com a resposta correta. O Grok Voice Think Fast 2.0 marca 56,5% aqui, o número mais alto de toda a tabela da Artificial Analysis.

Isso importa mais que o índice geral para quem constrói um agente real, porque um agente de voz que não consegue usar ferramentas de forma confiável é um leitor de FAQ muito caro. É a mesma distinção que separa agentes de IA de chatbots de IA em texto, e a mesma razão pela qual os exemplos de agentes de IA úteis são sempre aqueles que tocam um sistema real em vez de recitar um artigo.

A ressalva honesta: o Qwen Audio 3.0 Realtime Plus fica em 54,6% no mesmo benchmark. Então a vantagem do Grok é de 1,9 ponto, não o abismo que o enquadramento sugere. A diferença em relação ao melhor da OpenAI, com 45,7%, é maior, e é daí que vem a frase "10 pontos de vantagem", mas o Qwen está bem ali atrás.

A combinação de velocidade e inteligência

0,70s até o primeiro áudio, abaixo dos 1,25s do 1.0. O Deepslate Opal é mais rápido, com 0,44s, e uma variante do Gemini Flash com 0,63s, então o Grok fica em terceiro. Mas o Qwen, o modelo que o vence no índice geral, leva 4,02s até o primeiro áudio. Em uma linha telefônica, isso é uma pausa morta longa o suficiente para quem liga dizer "alô?".

Essa troca é o verdadeiro produto. Alguém no Hacker News resumiu isso melhor do que o próprio post de lançamento:

"O Grok voice é o melhor assistente de voz com IA e nem é por pouco.

A relação entre velocidade e inteligência está exatamente certa. Enquanto a voz do GPT parece presunçosa e artificial, mesmo se esforçando muito para parecer humana."

simianwords, Hacker News

A xAI também afirma que os tokens de raciocínio rodam a 0,4x o P50 do antecessor, o que explica como ele se tornou mais rápido ao mesmo tempo em que ficou mais inteligente, em vez de simplesmente pensar menos.

A transcrição é a parte subestimada

Escondido no post de lançamento: a precisão de transcrição é 1,4x melhor que a do 1.0, e de 1,5 a 2,0x melhor que a do Deepgram Nova 3 e do ElevenLabs Scribe v2 em 24 idiomas. Em áudio ruidoso ou de telefonia, a diferença alegada é de aproximadamente 10x.

Áudio de telefonia é justamente onde a transcrição costuma falhar, e é exatamente o tipo de áudio que uma linha de suporte enfrenta o dia inteiro. Se você está avaliando isso contra o ElevenLabs ou um fornecedor dedicado de speech-to-text, esse número de áudio ruidoso merece mais peso do que os benchmarks conversacionais. Esse também é o eixo em que o endpoint de transcrição da OpenAI tem sido a escolha padrão, principalmente por inércia.

Agora há 26 vozes no catálogo, depois que 21 foram adicionadas em julho de 2026, e qualquer uma delas pode ser substituída por um ID de voz clonada. Se você já teve que lutar para manter um bot com a mesma cara da sua empresa em diferentes canais, o problema da voz de marca não desaparece só porque a saída é áudio.

Onde a tabela de benchmarks exagera

Três coisas que o enquadramento do lançamento não conta.

82,9% é o segundo lugar. O Qwen Audio 3.0 Realtime Plus está em 84,1%. O Grok é competitivo com ele, e bem mais rápido, mas "estado da arte" está fazendo bastante trabalho no texto de marketing. Se você olhou recentemente para a família de modelos do Qwen ou o que a Alibaba cobra, vai saber que eles têm entregado forte.

Não compare entre si os dois números de τ-voice da xAI. O post de Voice Agent Builder de 1º de julho relata que o Think Fast 1.0 obtém 67,3% em sua própria avaliação τ-voice. A Artificial Analysis pontua o mesmo modelo em 52,1%. Metodologias diferentes, escalas diferentes. Quem empilhar esses dois números em um gráfico de "olha quanto melhorou" não está comparando nada. O mesmo cuidado se aplica aos números em Voice Agent Builder pricing, que ainda citam a tarifa antiga.

Os números da Starlink pertencem ao 1.0. Os amplamente citados 20% de conversão de vendas e 70% de resolução autônoma, da linha +1 888 GO STARLINK com 28 ferramentas conectadas, são resultados do Think Fast 1.0. Para o 2.0, a xAI diz que testes A/B na mesma linha mostraram "um aumento significativo" em conversão e contenção, sem publicar um número. Também é uma implantação interna dentro da mesma estrutura de propriedade, o que a torna mais um melhor cenário possível do que um caso representativo.

Construindo sobre ele: a API é a parte boa

Eu esperava que a documentação fosse o ponto fraco aqui, e aconteceu o contrário. Em termos de design, é a API de voz em tempo real mais bem pensada que já li.

Ela é compatível a nível de protocolo com o OpenAI Realtime em wss://api.x.ai/v1/realtime, então, se você tem uma aplicação existente, a migração se resume a uma URL base e uma chave. Você pode até manter o SDK da OpenAI e simplesmente apontá-lo para https://api.x.ai/v1. Quatro coisas não são mantidas: conversation.item.done, rate_limits.updated e a maioria dos eventos output_audio_buffer.* não são emitidos, e ...input_audio_transcription.delta é renomeado para .updated e passa a ser cumulativo, o que vai corromper silenciosamente sua exibição de transcrição se você estava concatenando os deltas.

Onde a coisa fica interessante é nas extensões exclusivas da xAI, e elas parecem escritas por gente que já tinha lançado um agente de telefone e se queimado com isso:

• force_message fala uma linha fixa via TTS sem envolver o modelo de forma alguma. Ao definir interruptible: false, o áudio de quem liga é descartado até que a fala termine. Isso resolve corretamente o problema da divulgação obrigatória de conformidade, em vez de simplesmente rezar para que o system prompt aguente.
• replace é um mapa de pronúncia aplicado antes do TTS, de forma que o áudio diz "Acme Mobull" enquanto a transcrição continua mostrando "Acme Mobile". A correspondência não diferencia maiúsculas de minúsculas, respeita limites de palavra completa, e a correspondência mais longa prevalece.
• resumption armazena em cache os turnos por conversation_id e os reproduz de novo na reconexão. Desativado por padrão, as duas partes precisam optar por ativá-lo, e o histórico expira após 30 minutos de inatividade.
• keyterms direciona a transcrição para até 100 termos de domínio de 50 caracteres cada, atualizáveis no meio da sessão. Para uma linha de suporte repleta de SKUs e nomes de planos, essa é a diferença entre uma transcrição utilizável e um caos.
• idle_timeout_ms se rearma após cada resposta, permitindo que o agente volte a engajar quem liga e está em silêncio repetidamente, em vez de simplesmente ficar ali parado.

O parâmetro reasoning.effort aceita exatamente dois valores: "high" (o padrão) e "none". Não existe uma configuração intermediária, o que é uma lacuna real. Alguém trouxe exatamente esse ponto no Hacker News sobre um lançamento anterior do Grok voice:

"O modelo de voz do Grok também é um modelo de raciocínio. Concordo que é muito melhor que os outros modelos de voz.

Só me deem uma opção de ter uma resposta mais lenta mas um modelo melhor…"

artdigital, Hacker News

Outra coisa que a documentação faz corretamente e que a maioria dos fornecedores deixa você descobrir em produção: eles dizem explicitamente para esperar a reprodução do áudio terminar antes de enviar response.create após uma chamada de ferramenta, porque o servidor entrega todos os deltas de áudio antes dos eventos de chamada de função. Pule essa etapa e você terá falas se sobrepondo. Eles até sugerem mostrar um indicador de "pensando" durante essa lacuna. Esse é um detalhe conquistado com esforço, e registrado por escrito.

O próprio conselho do guia de migração é tornar seu system prompt mais curto, não mais longo, o que diz algo sobre como o modelo foi ajustado.

Os três limites que realmente vão te impedir de lançar

Se eu fosse quem está avaliando, esta é a seção que eu leria primeiro.

10 sessões simultâneas por equipe. Este é o padrão publicado na ficha do modelo, passível de aumento sob solicitação. Dez chamadas simultâneas é simplesmente a manhã de segunda-feira de uma pequena equipe de suporte. Todo benchmark acima é irrelevante se a chamada de número onze não conseguir se conectar, e "passível de aumento sob solicitação" é uma conversa de vendas, não um botão de configuração. Quem estiver dimensionando um agente de IA para call center deveria tratar isso como a primeira pergunta, não como uma nota de rodapé.

Para comparação, os produtos de voz empacotados construídos sobre um helpdesk não publicam nenhum teto de sessões, porque a concorrência é problema do fornecedor, não seu. Isso vale para os agentes de voz com IA do Zendesk, para a configuração do Freshcaller, e para o agente de voz da Salesforce. Você troca flexibilidade por deixar outra pessoa cuidar do planejamento de capacidade.

Somente us-east-1. Uma única região, sem opção na UE. Se você tem compromissos de residência de dados, isso decide a questão antes mesmo de você avaliar qualquer outra coisa.

Sem nível de prioridade e sem desconto por lote. O nível de prioridade 2x é apenas para Chat Completions e Responses. O desconto de 20% por lote é apenas para modelos de texto. A voz não recebe nem uma via expressa nem uma redução por volume, então a tarifa que você vê é a tarifa que você paga em qualquer escala. Também há uma duração máxima de sessão de 120 minutos, generosa para suporte e apertada para algo como uma linha monitorada.

Duas coisas menores que vale a pena saber. O armazenamento é cobrado separadamente se seu agente fizer recuperação de dados: coleções custam 0,10 $/GiB/dia, arquivos 0,025 $, downloads 0,20 $/GiB. E há uma taxa de 0,05 $ por violação das diretrizes de uso para cada solicitação de Responses bloqueada antes da geração.

Você deve migrar para o 2.0, ou fixar o 1.0?

A troca de alias em 5 de agosto significa que não fazer nada já é, em si, uma decisão. Escolha a linha que descreve você.

O que quem constrói sobre ele realmente diz

O X é o lar natural para reações à xAI, e atualmente é difícil ler por lá com profundidade, então o sinal útil está no Hacker News. Dois tópicos carregam a maior parte disso.

O comentário mais votado no tópico do Think Fast 2.0 é, basicamente, uma reclamação de que o lançamento passou despercebido:

"Não sei por que este post não é mais popular, é um modelo de voz estado da arte, superando laboratórios especializados como o ElevenLabs"

haaz, Hacker News

Essa é uma leitura justa sobre capacidade, e vale notar que os preços também convergiram agora. Cada nível pago do ElevenLabs Agents dá quase exatamente 0,08 $ por minuto incluído, o que corresponde ao centavo com a nova tarifa do Grok. Até 5 de agosto, o Grok era mais barato em 37,5%.

A visão mais ponderada, de alguns meses antes, ainda se sustenta bem:

"O Grok voice é surpreendentemente bom, na verdade. Ainda é um modelo mais burro que os modos de raciocínio dos modelos de fronteira, mas é menos burro que os modos de voz de outros fornecedores."

modeless, Hacker News

É mais ou menos onde eu também caio. Um modelo de voz sempre é um compromisso frente a um modelo de texto que tem o luxo de pensar por dez segundos, e o Grok faz um compromisso melhor do que o resto do campo. Leia as análises do lado do consumidor e você verá o mesmo veredito formulado com menos cuidado.

A frustração recorrente nesses tópicos é o uso de ferramentas no modo de voz, e vale esclarecer porque isso corta dos dois lados:

"O que sinto falta neste anúncio é a capacidade de usar conectores e ferramentas. Eu realmente não entendo - NENHUM dos assistentes de fronteira consegue usar ferramentas/conectores no modo de voz"

artdigital, Hacker News

Isso é sobre assistentes de voz para consumidores, e no lado da API isso não é verdade para o Grok: as sessões suportam ferramentas function, file_search, web_search, x_search, e mcp remotas, com as do lado do servidor sendo executadas para você. As ferramentas de servidor cobram por invocação, a 5 $ por 1.000 para busca na web e no X, 2,50 $ por 1.000 para coleções, e 10 $ por 1.000 para busca de anexos. A lacuna que o comentário descreve é real no app do Grok para consumidores, não no que você construiria. É a mesma divisão que percorre o lançamento de voz do ChatGPT: a API está na frente do aplicativo já há um bom tempo.

Quem deveria adotar isso, e quem deveria esperar

Adote se você está construindo um agente de telefone ou de voz que precisa fazer coisas, não apenas falar. A pontuação τ-voice, o suporte a ferramentas, as extensões force_message e keyterms, e o medidor fixo por minuto se somam ao stack de voz mais amigável para desenvolvedores disponível atualmente. Migrar do áudio em tempo real da OpenAI é quase de graça.

Adote se a previsibilidade de custo importa para sua equipe de finanças. A Artificial Analysis mede o custo real do Grok em 4,80 $ por hora de áudio de entrada, idêntico ao de tabela, porque o medidor é fixo por minuto. O GPT-Realtime-2 lista 1,15 $/h de entrada e mede 4,14 $/h no total. Faturas de voz que correspondem à etiqueta de preço são mais raras do que deveriam ser, o que é metade do motivo pelo qual a pergunta sobre custo de agente versus agente humano é tão difícil de responder honestamente.

Adote se você quer construir a orquestração você mesmo. Se você prefere arrastar caixas de um lado para o outro, os preços do Voiceflow e as alternativas ao Voice Agent Builder são a ponta sem código do mesmo mercado.

Espere se seu volume passar de dez chamadas simultâneas e você ainda não tiver um limite ampliado por escrito. Espere se você precisa de uma região na UE. Espere se você dependia da tarifa de 0,05 $ e não tinha notado o alias mudando debaixo dos seus pés; nesse caso, fixe hoje mesmo o grok-voice-think-fast-1.0 e decida no seu próprio ritmo.

Não compre isso como uma solução de suporte. Isso é um modelo e uma API, não um agente de helpdesk. Não tem noção do seu histórico de tickets, suas macros, suas regras de escalonamento, ou de quais perguntas sua equipe já decidiu que a IA não deve tocar. Tudo acima é sobre a camada de voz, e a camada de voz é talvez 20% do que faz uma automação de suporte realmente funcionar. O resto é a parte chata: conhecer seu produto, saber quando parar, e fazer a transferência de forma limpa.

Uma líder de CX de uma marca de suplementos DTC colocou a restrição melhor do que qualquer ficha técnica:

"A IA nunca vai conseguir responder 100% das perguntas... Eu preciso de uma IA que só lide com os tickets nos quais ela tem confiança e deixe todos os outros de lado."

Nenhum benchmark de voz mede isso. É uma questão de política, e é ela que decide se uma implantação sobrevive ao primeiro mês.

A voz é a metade ruidosa de uma fila de suporte

A maioria dos tickets que se tornam ligações já eram respondíveis por texto uma hora antes. A automação de primeira resposta e um chatbot de base de conhecimento que a IA consegue realmente ler evitam mais chamadas do que qualquer modelo de voz. É isso que vale a pena corrigir antes de sair comprando um.

A eesel é um agente de IA que se conecta ao helpdesk que você já usa, treina com seus tickets anteriores e sua central de ajuda em vez de um system prompt que você tem que escrever à mão, e permite simular todo o processo contra seu histórico real de tickets antes de um único cliente entrar em contato com ele. Essa última parte é intencional. Passei anos observando bots que soam confiantes darem respostas erradas, e um teste a seco sobre tickets que você já resolveu é a única forma honesta de descobrir o que o seu vai fazer. Também é a etapa que separa um agente de IA real de um bot baseado em regras quando os caminhos roteirizados se esgotam.

É a mesma decisão de construir versus comprar à qual muitas equipes chegam depois de ler uma página de documentação como a da xAI e entender o quanto disso teriam que manter sozinhas:

"Poderíamos ter tentado escrever nossa própria aplicação de LLM, mas não queríamos investir nosso tempo nisso. Queríamos algo que não precisássemos manter."

Karel, GENERAL BYTES

Se você também quer a camada de voz, continue lendo sobre o Voice Agent Builder do Grok e o campo mais amplo de empresas de IA de voz. Se você quer resolver primeiro a fila que fica atrás disso, a eesel é gratuita para testar e leva apenas alguns minutos para se conectar ao seu helpdesk. Equipes que usam Gorgias ou Zendesk geralmente a têm respondendo tickets reais na mesma tarde.

Três leituras que vale a pena fazer a seguir, dependendo de em qual parte disso você está travado:

• Ainda decidindo sobre o modelo: a visão geral do Think Fast 2.0 cobre o mecanismo com mais profundidade.
• Calculando a conta: o detalhamento completo de preços faz a matemática em quatro volumes diferentes.
• Comparando o campo: alternativas ao ElevenLabs é o confronto direto mais próximo pelo mesmo preço.