Grok Voice 3.0: «Bajo un segundo» es cierto, y «40% menos» se mide contra el modelo equivocado

SpaceXAI anunció Grok Voice 3.0 el 14 de octubre de 2026, y la frase con la que lo presentó fue que el modelo responde en menos de un segundo a la vez que reduce la latencia un 40 %. Ambas mitades resisten el contraste con las cifras, y por eso vale la pena leer qué cifras. La afirmación de menos de un segundo es real: 0,81 segundos hasta el primer audio, la cifra más rápida que publica hoy cualquier modelo de voz a voz de frontera. La afirmación del 40 % también es real, y compara Grok Voice 3.0 contra GPT-Live-1 configurado con Astra con un esfuerzo de razonamiento medio, que el panel mide en 1,34 segundos. Lo que el material de lanzamiento no dice es que el modelo al que este reemplaza, Grok Voice 2.0, empieza a hablar en 0,70 segundos — 0,11 segundos más rápido que el buque insignia que lo retiró.

Eso no es un desmentido. Es la forma de este lanzamiento, y cada parte de él es un intercambio. Grok Voice 3.0 es un agente sustancialmente mejor que su predecesor y uno un poco más lento a la hora de abrir la boca, y esos dos hechos apuntan en direcciones opuestas según para qué sirva tu línea telefónica.

Los cuatro números que se movieron, y los dos que no

Artificial Analysis volvió a ejecutar su tablero de Speech to Speech el 13 de octubre de 2026, el día antes del anuncio, por lo que la medición es anterior al marketing. Todas las cifras a continuación son del tablero, no de SpaceXAI.

• Índice compuesto: 86.9, frente a 81.3 de Grok Voice 2.0, y la puntuación más alta de la tabla. GPT-Live-1 en su configuración media Astra se sitúa en 83.2 y Gemini 3.8 Live Extended Thinking en 82.6.

• Rendimiento agéntico, τ-Voice — 71,6 %, frente al 56,5 % anterior. Este es, con diferencia, el mayor avance de la versión: un salto de 15 puntos en el componente que evalúa si un agente completa una tarea de varios pasos en lugar de simplemente parecer competente al hacerlo.

• Preferencia de Arena — Elo 1070, subiendo desde 1011, y el más alto de la tabla.

• Tiempo hasta el primer audio: 0,81 segundos, frente a los 0,70 segundos del modelo al que reemplaza. Más lento, y aun así aproximadamente un 40 % más rápido en arrancar que la configuración GPT-Live-1 con la que SpaceXAI se está comparando.

• Éxito en la tarea — 94,8 %, frente a 94,6 %. Dos décimas de punto. En la finalización bruta de tareas, dentro del error de medición, son el mismo modelo.

• 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. Esta es una actualización de capacidad con una tarifa constante, no un cambio de precios.

La descomposición importa más que el titular. La mayor parte de la ganancia compuesta de 5,6 puntos provino del rendimiento agéntico y la preferencia en la arena, con un ligero empujón en el razonamiento del habla —el componente de razonamiento de la tabla de clasificación se sitúa entre 98,5 y 99 según la instantánea, lo que en cualquier caso es un techo— y el éxito bruto en tareas se mantuvo plano. Grok Voice 3.0 es un mejor agente. No es un mejor conversador, y no es más rápido.

A qué se refiere realmente "customer calls"

El informe que reveló este lanzamiento lo describía como diseñado para llamadas de clientes, y el material del proveedor respalda esa interpretación con cifras de implementación que ninguna parte externa puede auditar. SpaceXAI afirma que Grok Voice impulsa millones de conversaciones diarias en vehículos Tesla y en SpaceX, que el soporte de Starlink gestiona 20.000 llamadas de clientes al día en varios idiomas, con aproximadamente un 70 % resueltas sin intervención humana y alrededor de una de cada cuatro llamadas de ventas que terminan en una compra, y 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 dentro de un mismo flujo. También reporta un 74 % redondeado en EVA-Bench de ServiceNow.

Lee con atención la tasa de contención, porque es la cifra con más probabilidades de citarse como una capacidad del modelo cuando es un resultado del sistema. Cuántas llamadas cierra un agente de soporte sin escalamiento depende del diseño de los prompts, de la calidad de la recuperación y de la política de escalamiento que escribiste, no solo del modelo subyacente. Que un proveedor enrute sus propias llamadas de ingresos a través de su propio modelo es la señal más fuerte disponible de que la cosa funciona y, al mismo tiempo, la evidencia más débil disponible para un lector, porque nada de eso separa el modelo del wrapper.

El movimiento τ-Voice es la parte del lanzamiento que aborda la misma pregunta con una cifra que alguien externo puede verificar. Pasar del 56,5 % al 71,6 % en un benchmark agéntico de múltiples turnos es la diferencia entre un modelo de voz que puede mantener una conversación y uno que puede terminar una tarea dentro de ella. Esa es la afirmación que vale la pena comprar; la cifra de contención es la que vale la pena esperar.

La migración que nadie tuvo que consentir

Grok Voice 3.0 se ejecuta sobre el mismo endpoint WebSocket en tiempo real que su predecesor, con los mismos parámetros de sesión, los mismos nombres de eventos, el mismo handshake de token de portador y el mismo conjunto de voces integradas, además del endpoint de voz personalizada. No hay cambios en el SDK ni documento de migración, porque no hay nada que migrar. La cadena del modelo cambió y el comportamiento detrás de ella cambió.

Luego está el alias. grok-voice-latest ahora se resuelve a Grok Voice 3.0, y grok-voice-2.0 está marcado como obsoleto. Cualquiera que haya desplegado contra el alias fue movido automáticamente al nuevo modelo, sin cambios en el código y sin fijar una versión — y eso importa más de lo que parece, porque el alias solo apuntaba a Grok Voice 2.0 el 5 de agosto de 2026. Un equipo que construyó contra él en agosto ha pasado por dos cambios silenciosos de modelo en un solo trimestre. Para un experimento de chatbot, eso es una comodidad. Para un sistema telefónico cuya suite de regresión se escribió contra la temporización de una voz específica y un tiempo hasta el primer audio específico, es un cambio de configuración que alguien más hizo en tu nombre.

El segundo elemento del mismo informe

El lanzamiento no llegó solo. El marketplace de Grok Bot ya está abierto para que los desarrolladores envíen conectores y plugins, lo cual es un tipo de noticia distinto y merece mención porque ambos anuncios interactúan entre sí. Grok Bot es el producto de agente cuyos ordenadores en la nube inician sesión en las herramientas que un equipo ya utiliza; un canal de envío de conectores es lo que convierte su lista de integraciones en lo que sea que escribió SpaceXAI en lo que sus clientes necesitan.

Si unimos las dos cosas, la consecuencia interesante es arquitectónica más que comercial. Si la voz es la interfaz de un agente, y el alcance del agente está definido por los conectores que puede invocar, entonces la superficie que decide si una llamada se resuelve es cada vez más la capa de herramientas. Esa es la capa que un proveedor de voz no posee ni evalúa con benchmarks. No hay una cifra pública para ello, y no la habrá, porque es distinta para cada cliente.

Donde un router realmente soporta la carga aquí

OrcaRouter no da servicio al endpoint en tiempo real de Grok Voice 3.0. Ese endpoint pertenece a SpaceXAI y nada puede interponerse en una sesión de audio dúplex propiedad de un solo proveedor; cualquiera que afirme lo contrario está describiendo una capacidad que no tiene. Lo que nosotros operamos es la capa de texto que hay debajo: el resumidor que redacta el registro después de la llamada, el clasificador que asigna un código de disposición, la recuperación que responde a lo que el modelo de voz traspasó, y las llamadas a herramientas detrás de los conectores que el marketplace ahora acepta. Ese trabajo se factura por solicitudes y es donde se acumula una parte significativa del costo por llamada: 207 modelos de más de una docena de proveedores upstream detrás de una sola clave, al precio de lista del proveedor con cero margen, con conmutación automática por error cuando un proveedor se degrada y un DSL de enrutamiento que compone varios modelos en una sola llamada. Como no se aplica ningún margen, una rebaja de precio de un proveedor en cualquiera de esos modelos está activa de nuestro lado el mismo día en lugar de en su próxima renovación.

¿Qué queda aún sin medir?

Tres cosas, y son lo que debería decidir si migras ahora o fijas tu versión primero.

Lo primero es la estabilidad en sesiones largas. Todas las cifras anteriores provienen de interacciones breves y puntuadas. Nada de lo publicado abarca lo que una llamada de 20 minutos les hace a las tasas de error, y los modos de fallo que importan para un modelo dúplex —la deriva acumulativa, una política de turnos que se degrada bajo interrupciones repetidas— solo aparecen a lo largo de minutos, no de turnos.

El segundo es si los 0,81 segundos se mantienen bajo carga. El tiempo hasta el primer audio se mide en un sistema en reposo, y producción no es un sistema en reposo. Los 0,70 segundos del predecesor se midieron de la misma manera, por lo que la comparación entre ambos es al menos homogénea, y la comparación con un despliegue en vivo no lo es.

La tercera es la afirmación del canal ruidoso. La generación anterior de esta línea se comercializó con la tasa de error de palabras en condiciones de telefonía y en 24 idiomas, y eso es lo más falsable que el proveedor ha dicho jamás sobre un modelo de voz. El material de lanzamiento más reciente no lo repite, lo cual es o un descuido o una admisión, y nadie de fuera puede decirte actualmente cuál de las dos cosas es. Cualquiera que tenga un corpus de grabaciones de llamadas y una tarde puede comprobarlo, y hasta que alguien lo haga, el resumen honesto de Grok Voice 3.0 es este: la mejor puntuación compuesta de la tabla pública, concentrada en rendimiento agéntico; el mismo precio que el modelo al que reemplaza; más lento para empezar a hablar que ese modelo; y desplegado a todos los usuarios de alias existentes sin preguntar. Las tres primeras son razones para probarlo, y la cuarta es una razón para tener fijada una versión en tu configuración antes de hacerlo.