GPT-Live-1 vs Grok Voice Think Fast 2.0: Dos API de voz que avanzan en direcciones de precio opuestas

El dato más útil sobre esta comparación es una dirección, no un número. Cuando xAI lanzó Grok Voice Think Fast 2.0 a finales de julio de 2026, aumentó la tarifa de audio por minuto un 60 %, de los $0.05 que cobraba Think Fast 1.0 a $0.08. Seis semanas después, el 10 de septiembre de 2026, OpenAI puso GPT-Live-1 en la API para desarrolladores exactamente al precio que xAI acababa de abandonar. Eso da lugar a la rara situación en la que las dos principales APIs de voz dúplex completo se pueden comparar directamente por precio, y en la que el recién llegado es el más barato, mientras que el modelo más antiguo y más caro es el que cuenta con el respaldo de puntuaciones de benchmark de terceros.

El libro mayor, antes de cualquier benchmark

Ambos son modelos de voz a voz creados para cargas de trabajo propias del teléfono: una conversación en vivo con un cliente, una interrupción, una llamada a una herramienta y una factura medida en minutos. Más allá de eso, divergen rápidamente.

• Precio por minuto de audio — GPT-Live-1 $0.05 vs Gr​ok Voice Think Fast 2.0 $0.08

• Unidad de facturación — GPT-Live-1 factura por segundo, sin redondear al siguiente minuto completo; Gr​ok Voice Think Fast 2.0 tiene un precio por minuto de audio y equivale a aproximadamente $4.80 por hora

• Lanzamiento — GPT-Live-1 se lanzó dentro de ChatGPT el 8 de julio de 2026 y llegó a la API el 10 de septiembre de 2026; Gr​ok Voice Think Fast 2.0 se anunció alrededor del 29–30 de julio de 2026, aproximadamente tres meses después de Think Fast 1.0

• Puntos finales — GPT-Live-1 es solo Live Sessions, en v1/live/sessions, sobre WebRTC; Gr​ok Voice Think Fast 2.0 se ejecuta en la API Speech-to-Speech de x​AI tanto sobre WebSocket como sobre WebRTC

• Superficie de herramientas — GPT-Live-1 delega en un modelo de razonamiento backend a través de la API de Responses; Gr​ok Voice Think Fast 2.0 tiene búsqueda web, búsqueda en X, búsqueda de archivos, servidores MCP y funciones del lado del cliente disponibles dentro de la sesión

• Portabilidad de voz — GPT-Live-1 utiliza el conjunto remasterizado de doce voces de OpenAI; Grok Voice Think Fast 2.0 admite voces integradas y personalizadas

La línea WebSocket es más pequeña de lo que parece y importa más de lo que debería. Una gran parte de la infraestructura de telefonía —la canalización de flujos de medios dentro de la mayoría de los productos CPaaS— habla WebSocket, no WebRTC. Gr​ok Voice Think Fast 2.0 se encuentra con esa infraestructura donde está; GPT-Live-1 no, y llegar a WebRTC desde una ruta de llamada solo con WebSocket es un verdadero trabajo de ingeniería, no una bandera de configuración.

La asimetría de los benchmarks es la verdadera historia

Aquí es donde la comparación deja de ser un empate, y donde la mayoría de los análisis lo entienden al revés al tratar ambos conjuntos de números como el mismo tipo de evidencia.

Los puntajes destacados de Grok Voice Think Fast 2.0 provienen del Speech-to-Speech Quality Index de Artificial Analysis, una medición de terceros que sitúa al modelo en 82,9 %, frente al 75,7 % de la versión 1.0, por delante de GPT-Realtime-2.1 con 79,1 % y de Gemini 3.1 Flash con 69,5 %. xAI también informa de un primer puesto en el τ-voice Bench por comportamiento agéntico con 56,5 %, por delante de GPT-Realtime-2.1 con 45,7 %. Esas son mediciones realizadas externamente del modelo de xAI.

Las puntuaciones destacadas de GPT-Live-1 son de la propia OpenAI. La compañía informa una interactividad de dúplex completo del 80,1 % frente al 45,4 % de GPT-Realtime-2.1, una latencia de toma de turnos reducida de 1,4 segundos a 0,8, y una precisión de invocación de herramientas que sube del 60 % al 87 %. Cada una de esas cifras está reportada por el proveedor, no ha sido reproducida por un laboratorio independiente y compara el nuevo modelo de OpenAI con el modelo anterior de la propia OpenAI en lugar de con un competidor.

Eso no es razón para descartar las cifras —la dirección de la tendencia coincide con lo que reportan los primeros implementadores—, pero sí significa que la única comparación entre proveedores disponible actualmente favorece al modelo de xAI en pruebas realizadas de forma independiente, mientras que la única cifra disponible para la ventaja de latencia de OpenAI es la de OpenAI. No trates 0.8 segundos y 0.70 segundos como una contienda real; solo una de esas dos cifras fue medida por alguien sin interés en el resultado.

La trampa del alias, y por qué la subida de precios pilló por sorpresa a la gente

El aumento del 60 % habría sido un error de redondeo en la mayoría de las notas de la versión si xAI no lo hubiera implementado también a través de un alias. Las aplicaciones que apuntaban al alias grok-voice-latest heredaron automáticamente tanto el nuevo modelo como la tarifa más alta el 5 de agosto de 2026, a menos que hubieran fijado explícitamente grok-voice-think-fast-1.0. Es una decisión de diseño que conviene entender más que reprochar: los alias flotantes te brindan actualizaciones gratuitas y también modifican tu economía unitaria sin consultarte.

El remedio obvio es más débil de lo que parece. Gr​ok Voice Think Fast 1.0 —el modelo a $0,05 por minuto, lanzado el 23 de abril de 2026— ahora está marcado como obsoleto en la propia lista de modelos de x​AI. Fijarlo te protege de la actualización automática y te da tiempo en lugar de una vía más barata permanente, porque un modelo obsoleto tiene una fecha de retirada en algún punto por delante. Planifica la migración según tu propio calendario, no según el del alias.

La propia superficie de precios merece leerse con atención antes de comprometerte con una cifra. La página de modelos de xAI enumera explícitamente las tarifas versionadas —grok-voice-think-fast-2.0 a $0.08 por minuto de audio, $4.80 por hora, más $0.004 por entrada de texto—, mientras que la tarjeta separada de Voice API en la misma página anuncia un precio de agente de "a partir de $0.05 por minuto", que es el punto de entrada y no la tarifa a la que factura el modelo 2.0. Si tu planificación de capacidad se hizo con el número de marketing, se queda corta en aproximadamente un 60 %.

El modelo de OpenAI no tiene este problema de la misma forma, porque no hay nada a lo que flotar. GPT-Live-1 tiene exactamente un ID de modelo, gpt-live-1, que también es su propia instantánea predeterminada: no hay variantes con fecha que fijar y, por lo tanto, ningún alias que pueda cambiar silenciosamente ni el modelo ni el precio. La contrapartida es que tampoco puedes congelar un comportamiento validado y seguir con él mientras algo nuevo se asienta.

Ambos modelos facturan la capa de razonamiento por separado de la capa de voz, y aquí es donde la tarifa anunciada deja de ser el costo total. Las llamadas delegadas a Responses de GPT-Live-1 se facturan según las tarifas normales por token del modelo de backend configurado. xAI añade $0.004 por entrada de texto en la sesión de voz, además de llamadas a herramientas, un número de teléfono aprovisionado a alrededor de $0.01 por minuto cuando se necesita uno, telefonía y almacenamiento, sobre la tarifa de audio por minuto. Un agente de voz que sobre todo escucha y de vez en cuando consulta algo se mantendrá cerca de su tarifa anunciada; uno que recurre a herramientas en cada turno no lo hará, y los dos no divergirán en la misma dirección, porque el diseño de backend delegado y el diseño de herramientas en sesión consumen tokens en lugares distintos.

De nuestro lado, la razón por la que vale la pena seguir de cerca los cambios en las tarifas por minuto es que OrcaRouter transfiere el precio de lista del proveedor sin margen de beneficio. Cuando un proveedor cambia una tarifa publicada, la cifra de nuestro lado cambia el mismo día en lugar de en el siguiente ciclo de contrato.

Lo que te cuesta en ingeniería la división de la delegación

Si estás eligiendo entre estos dos por la arquitectura y no por el precio, la pregunta decisiva es dónde se sitúa la costura.

El modelo de xAI mantiene las herramientas dentro de la sesión. Eso es más sencillo de razonar —una conexión, una conversación, un único lugar donde ocurre una llamada a función— y significa que el modelo puede decidir a mitad de frase que necesita buscar y seguir hablando mientras espera.

El modelo de OpenAI delega ese trabajo. La capa de voz mantiene viva la conversación y le pasa la tarea a un modelo de razonamiento aparte a través de la API Responses, lo que significa que tus definiciones de herramientas, tu recuperación y tu lógica de negocio viven en una integración normal con un modelo de texto en lugar de dentro de un flujo de eventos de sesión. Son más piezas móviles, y también es más portable: la mitad delegada es una llamada API ordinaria que puedes intercambiar, asignar precio y conmutar por error de forma independiente de la capa de voz.

Eso importa por exactamente una razón. Ni GPT-Live-1 ni Gr​ok Voice Think Fast 2.0 son servidos por nadie que no sea su propio proveedor — ambos son de fuente única, y un router no puede ayudarte con la mitad de audio. Lo que un router sí puede hacer es consolidar la mitad que realmente puedes elegir. GPT-5.6 Terra, el backend en el propio ejemplo de delegación de Ope​nAI, está disponible a través de OrcaRouter a $2.00 por millón de tokens de entrada y $12.00 por millón de salida con tanto /v1/chat/completions como /v1/responses expuestos, junto con aproximadamente otros 190 modelos en una sola clave. Si tu agente de voz llama a un modelo de razonamiento por turno, esa es la partida con apalancamiento de enrutamiento.

El veredicto, desglosado por carga de trabajo

• Elige GPT-Live-1 si el precio por minuto es la limitación, si tu ruta de llamada ya habla WebRTC, o si quieres que el cerebro de razonamiento detrás de la voz sea un modelo de texto intercambiable en lugar de una parte fija de la sesión.

• Elige Gr​ok Voice Think Fast 2.0 si necesitas calidad verificada de forma independiente sobre la mesa antes de comprometerte, si tu stack de telefonía es nativo de WebSocket, o si las herramientas dentro de la sesión —la búsqueda en X en particular— son fundamentales para el producto y no algo incidental.

• Vigila el alias si ya estás en xAI. Fijar un ID de modelo versionado es lo único que se interpone entre tú y el próximo cambio automático de tarifas, y la misma disciplina merece aplicarse en cualquier lugar donde aparezca un alias flotante.

El resumen incómodo es que el modelo más barato es el que no tiene pruebas de terceros que lo respalden, y el modelo mejor documentado es el que acaba de encarecerse un 60 %. Si estás lo bastante al principio del desarrollo como para que ninguna de las dos integraciones esté decidida, la opción de menor riesgo es crear prototipos con ambas —la ruta de audio son unos cientos de líneas en cualquier caso— y dejar que la calidad de tus propias transcripciones lo decida, porque la evidencia pública actual no lo resuelve.