Grok Voice 3.0 encabeza el Índice de Voz a Voz con 86.9 — y devuelve el récord de latencia

El número que todos citarán es 86.9. Ahí es donde Grok Voice 3.0 quedó en el Artificial Analysis Speech to Speech Index cuando se volvió a ejecutar la tabla el 13 de octubre de 2026, cinco puntos y medio por delante del modelo al que reemplaza, Grok Voice 2.0, que se situó en 81.3. También está por delante de GPT-Live-1 en su configuración Astra medium con 83.2 y de Gemini 3.8 Live Extended Thinking con 82.6, lo que lo convierte en el primer modelo de voz de xAI en ocupar en solitario la primera posición en lugar de compartirla. SpaceXAI lo anunció el 14 de octubre, el mismo día en que cambiaron las notas de la versión de la API, y al mismo precio por minuto que el modelo al que retira.

El número que nadie citará, porque xAI no lo puso en el titular, es 0,70. Ese es el tiempo hasta el primer audio, en segundos, de Grok Voice 2.0, y es más rápido que el 0,81 de Grok Voice 3.0. La empresa que ha pasado un año vendiendo turnos de conversación por debajo del segundo ahora presenta un buque insignia que empieza a hablar 0,11 segundos más tarde que su propio modelo saliente. Sigue siendo aproximadamente un 40 % más rápido al arrancar que la configuración GPT-Live-1 que Artificial Analysis midió en 1,34 segundos, así que la afirmación de marketing se sostiene en una lectura directa. Sencillamente, no se sostiene al compararla con la versión anterior.

Lo que realmente se lanzó, y lo que cuesta

Grok Voice 3.0 es un modelo de voz a voz que se sirve a través del mismo endpoint WebSocket en tiempo real que su predecesor, con los mismos parámetros de sesión y los mismos nombres de eventos. No hay un SDK nuevo ni un documento de migración, porque no hay nada que migrar. La cadena del modelo cambió y el comportamiento que hay detrás también.

• Precio — $0.08 por minuto de audio, o $4.80 por hora, más $0.004 por entrada de texto. Idéntico a Grok Voice 2.0. Se trata de una actualización de capacidades a precio constante, no de un cambio de precio.

• Comportamiento de alias — grok-voice-latest ahora se resuelve en grok-voice-3.0. Cualquiera que haya desplegado contra el alias fue movido automáticamente al nuevo modelo, sin un cambio de código y sin un pin de versión.

• Obsolescencia — grok-voice-2.0 está marcado como obsoleto. La ruta de actualización que documenta xAI es establecer el campo model en grok-voice-3.0 o dejar el alias tal como está.

• Endpoint y autenticación — sin cambios. La misma URL de tiempo real, el mismo handshake con token de portador, los mismos tokens efímeros de corta duración para las conexiones del lado del cliente.

• Voces: el conjunto de voces integradas y el endpoint de voces personalizadas no han cambiado; las voces personalizadas se entrenan a partir de un clip de referencia de hasta 120 segundos, y el voice_id resultante funciona en la API en tiempo real y en la conversión de texto a voz por streaming.

Esa última lista es la razón por la que el cambio de alias importa más de lo que parece. Grok Voice 2.0 solo pasó a ser el destino del alias el 5 de agosto de 2026 —unas diez semanas antes de este lanzamiento—. Un equipo que desarrolló contra grok-voice-latest en agosto ya ha pasado por dos cambios de modelo silenciosos en un solo trimestre, lo cual es una propiedad aceptable para un experimento de chatbot y menos aceptable para un sistema telefónico cuya suite de regresión se escribió contra la sincronización de una voz específica.

El índice, componente por componente

Los índices compuestos ocultan el argumento, así que vale la pena desglosar Grok Voice 3.0. Todas las cifras a continuación provienen de las propias pruebas de Artificial Analysis, con fecha del 13 de octubre de 2026.

• Razonamiento de voz, Big Bench Audio — 98,5%, frente al 97,2% de Grok Voice 2.0.

• Dinámica conversacional, Full Duplex Bench — 97,0 %, frente al 95,1 %.

• Preferencia de Speech Agent Arena — Elo 1070, en ascenso desde 1011, y la más alta de la tabla.

• Éxito en la tarea — 94,8 %, frente al 94,6 %. Este es el menor de los cinco movimientos y vale la pena señalarlo como tal: en la finalización bruta de la tarea, los dos modelos son, dentro del margen de medición, el mismo modelo.

• Rendimiento agéntico, τ-Voice — 71,6 %, frente al 56,5 %. Este es el mayor avance individual de la versión, un salto de 15 puntos en el único componente que mide si un agente puede completar realmente una tarea de múltiples turnos en lugar de simplemente parecer competente al hacerlo.

• Tiempo hasta el primer audio: 0,81 segundos, frente a los 0,70 de Grok Voice 2.0.

Leerlos en conjunto cuenta una historia más útil que la del compuesto. El aumento de 5,6 puntos en el índice no está distribuido de manera uniforme: casi todo corresponde al rendimiento agéntico y a la preferencia en la arena, mientras que el razonamiento y el manejo dúplex suben ligeramente y el éxito bruto en tareas se mantiene plano. Grok Voice 3.0 es un mejor agente, no un mejor conversador. Si tu producto de voz es una línea de soporte que agenda citas y consulta el estado de los pedidos, esa es precisamente la diferencia que buscas. Si es un compañero o una interfaz de rol, el aumento en el índice es en gran medida irrelevante, y has pagado una penalización de latencia por él.

La única prueba en la que el líder no es el líder

τ-Voice es el componente del que xAI debería estar hablando, y aquel en el que todavía va por detrás. Con un 71,6 %, Grok Voice 3.0 mejora enormemente respecto al 56,5 % de su predecesor —y sigue por detrás de GPT-Live-1 configurado con Astra en razonamiento medio, que Artificial Analysis sitúa en el 74,5 %. Gemini 3.8 Live se queda en el 68,6 % en la misma prueba.

Así que la forma de la categoría tras este lanzamiento es: xAI tiene el composite y la arena; OpenAI tiene la prueba de completación de tareas agénticas; Google no tiene ninguno de los dos y es más barato que ambos. Ninguna de esas tres afirmaciones contradice a las otras, y cualquier artículo que reporte solo la primera está reportando una clasificación en lugar de un resultado.

El proveedor afirma que ninguna junta cubre

Las afirmaciones sobre el rendimiento vienen acompañadas de una segunda capa de cifras que Artificial Analysis no mide y no puede medir, porque describen el tráfico de producción dentro de los productos de una sola empresa. Estas son las cifras de xAI, reportadas por xAI, sin verificación independiente disponible y sin que sea probable que la haya:

• Tesla — Se dice que Grok Voice impulsa millones de conversaciones al día en vehículos, gestionando acciones de calendario y correo electrónico a través de conectores y pedidos de comida mediante el modo de voz de Grok Bot.

• Soporte de Starlink — 20.000 llamadas de clientes al día en varios idiomas, con aproximadamente el 70 % resuelto sin intervención humana y alrededor de una de cada cuatro llamadas de ventas que termina en una compra. Se describe que el mismo agente se encarga de la verificación de identidad, la resolución de problemas de hardware, los créditos de cuenta y los envíos de reemplazo en un solo flujo.

• ServiceNow EVA-Bench — una cifra de precisión redondeada del 74%, reportada como la más alta en ese benchmark y la mejor cuando la precisión y la experiencia del cliente se puntúan conjuntamente. EVA-Bench abarca el servicio al cliente con 15 herramientas y 50 escenarios, la gestión de servicios de TI con 59 herramientas y 80 escenarios, y RR. HH. con 47 herramientas y 83 escenarios.

Considera los dos primeros como una descripción de intención y no como evidencia. Son la prueba más sólida posible de que un modelo de voz funciona —una empresa que encamina sus propias llamadas de ingresos a través de él tiene intereses en juego— y, al mismo tiempo, la evidencia más débil posible para un lector, porque nada de ello es auditable desde fuera y nada de ello separa el modelo de los prompts, la recuperación y la política de escalado que lo envuelven. La cifra de contención del 70 % en particular es un número a nivel de sistema con un disfraz de nivel de modelo.

Lo que te dice un precio que no se movió

Mantener la tarifa en $0.08 por minuto es lo más estratégicamente interesante del lanzamiento. La lectura obvia es la presión competitiva: Google ha pasado el año posicionando Gemini Live como la opción barata de esta categoría, y la generación anterior de la línea de voz de xAI ya había absorbido un aumento de precio del 60% cuando la línea Think Fast pasó de $3.00 a $4.80 por hora. Subir de nuevo la tarifa del producto estrella no era una opción.

El efecto de segundo orden recae en cualquiera que modele costes. La medición por tarea de Artificial Analysis sitúa a Grok Voice 3.0 en $0.025 por completar una tarea de Big Bench Audio, frente a $0.030 de GPT-Live-1 Astra medium y $0.055 de GPT-Realtime-2.1 High. Más barato por tarea y más preciso por tarea es la combinación que pone fin a los debates de adquisición, y es la primera vez en esta categoría que un solo modelo ha ocupado ambos extremos.

El punto en el que una capa de enrutamiento entra en escena es más limitado de lo que parece, y merece la pena ser exactos. OrcaRouter no sirve el endpoint en tiempo real de Grok Voice 3.0 — eso proviene de la propia API de xAI, al igual que el equivalente de Gemini Live y GPT-Live-1. Lo que sí operamos es el lado de texto: más de 200 modelos de lenguaje tras una sola clave al precio de lista del proveedor y sin ningún margen añadido, que es donde suelen residir la limpieza de transcripciones, el resumen posterior a la llamada, la clasificación de una transcripción en un código de disposición y la lógica de llamada a herramientas que el modelo de voz delega. Esos son modelos ordinarios facturados por solicitud, son exactamente la carga de trabajo para la que sirve un enrutador y, como el precio de lista se transmite sin cambios, cualquier bajada de precio de un proveedor en cualquiera de ellos está activa en nuestro lado el mismo día en lugar de en tu próxima renovación.

¿Qué queda aún sin medir?

Tres cosas, y son las que deberían decidir si mueves ahora o fijas.

La primera es la estabilidad en sesiones largas. Todas las cifras anteriores provienen de interacciones cortas y puntuadas. Nada de lo publicado abarca qué le hace una llamada de 20 minutos a las tasas de error, y el modo de fallo interesante de un modelo dúplex —deriva acumulativa, o una política de turnos de palabra que se degrada ante interrupciones— solo se manifiesta a lo largo de minutos, no de turnos.

La segunda es la afirmación del canal ruidoso. La generación predecesora de xAI se comercializó en función de la tasa de error de palabras en condiciones telefónicas, y esa es la afirmación más refutable de todo el lanzamiento. Cualquiera con un corpus de grabaciones de llamadas y una tarde puede comprobarlo.

El tercero es si la cifra de 0,81 segundos se mantiene bajo carga. El tiempo hasta el primer audio se mide en un sistema sin carga. Producción no es un sistema sin carga.

Hasta que eso llegue, el resumen honesto de Grok Voice 3.0 es este: es el mejor modelo de voz en la tabla pública por un margen que es real pero está concentrado en una dimensión, cuesta lo mismo que el modelo al que reemplaza, es más lento para empezar a hablar que ese modelo, y trasladó todas las implementaciones existentes de grok-voice-latest a sí mismo sin preguntar. Los primeros tres son razones para probarlo. El cuarto es una razón para tener un pin de versión en tu configuración antes de hacerlo.

El lanzamiento de un modelo de voz es también el momento de revisar lo que ha fallado antes: los incidentes de IA documentados y los fallos de agentes en torno a modelos de esta clase se recopilan en el Archivo de Incidentes de IA de OrcaRouter , donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.