Grok Voice 3.0 vs GPT-Live-1: xAI ha vinto l'Index e perso il test che conta

Due flagship, a 3,7 punti di distanza nello Speech to Speech Index di Artificial Analysis, ed entrambi battuti sull'unica componente che decide se un voice agent vale la pena di essere implementato. Grok Voice 3.0 registra 86,9 sull'indice che SpaceXAI ha annunciato il 14 ottobre 2026, contro 83,2 di GPT-Live-1 nella sua configurazione Astra medium, la versione verso cui la documentazione ufficiale di OpenAI indirizza un'integrazione WebRTC quando una sessione delega il ragionamento a un backend. Su τ-Voice — il benchmark per il servizio clienti che valuta se un agente porta effettivamente a termine un compito articolato in più passaggi — Grok Voice 3.0 si attesta al 71,6% e GPT-Live-1 Astra medium al 74,5%. Il modello con il miglior punteggio composito della categoria non detiene la componente che correla con il lavoro portato a termine, e nemmeno OpenAI ha pubblicato un titolo in merito.

La seconda cosa che vale la pena notare è la direzione del prezzo. GPT-Live-1 fattura 0,05 $ al minuto di voce, con addebito al secondo, cioè 3,00 $ all'ora. Grok Voice 3.0 fattura 0,08 $ al minuto, cioè 4,80 $ all'ora. Il modello più recente costa il 60% in più al minuto di audio, ed è il modello il cui fornitore ha passato l'ultimo trimestre della vita del suo predecessore ad assorbire un aumento delle tariffe anziché annunciare un taglio.

La divisione architetturale che nessuno mette nella tabella di confronto

Nessuno dei due è un modello vocale che pensa. Entrambi sono layer vocali che delegano, e i due design di delega non sono la stessa cosa — ed è per questo che il costo di integrazione differisce molto più di quanto faccia il prezzo al minuto.

GPT-Live-1 passa il lavoro attraverso un confine asincrono a un backend specificato nella configurazione della sessione. L'esempio WebRTC pubblicato da OpenAI collega quel backend a GPT-5.6 Terra tramite l'API Responses. Il livello vocale mantiene viva la conversazione mentre il backend elabora, e reinserisce la risposta quando arriva. Di conseguenza, la metà dedicata al ragionamento è una normale chiamata di testo a consumo di token che puoi scegliere, prezzare e sostituire in modo indipendente. La metà vocale non è affatto portabile: esiste un solo ID modello, gpt-live-1, un solo endpoint su v1/live/sessions, WebRTC invece del trasporto WebSocket su cui erano basate la maggior parte delle integrazioni Realtime, e nessun percorso attraverso Chat Completions, Responses, Batch o gli endpoint di fine-tuning. I limiti di frequenza sono espressi in sessioni simultanee — 25 su Tier 1, che salgono a 50, 200, 300 e 500 — il che ti fa capire che OpenAI considera l'unità di scala una linea telefonica anziché una richiesta.

Grok Voice 3.0 è più limitato e meno costoso da adottare. Funziona sullo stesso endpoint WebSocket in tempo reale di Grok Voice 2.0, con gli stessi parametri di sessione, gli stessi nomi degli eventi e lo stesso handshake con token bearer, e l'uso degli strumenti passa attraverso un array tools nell'aggiornamento di sessione come faceva prima. Non c'è migrazione del trasporto. Non esiste inoltre alcun pattern documentato di delega al backend del tipo pubblicato da GPT-Live-1, il che significa che il ragionamento di cui hai bisogno deve essere raggiungibile come strumento che il modello vocale chiama in modo sincrono anziché come job in background che supervisiona.

Quella differenza determina più deployment di quanto faccia l’indice. Un team già sull’API realtime di xAI passa a Grok Voice 3.0 cambiando una stringa del modello — o senza fare nulla, perché grok-voice-latest ora punta a esso e i deployment esistenti basati su alias sono stati spostati automaticamente. Un team che usa i modelli Realtime più vecchi di OpenAI e passa a GPT-Live-1 deve mettere in conto una riscrittura del trasporto più una riscrittura della delega.

Non vedo il testo da tradurre. Inviami il messaggio che vuoi farmi tradurre in italiano, includendo i relativi marcatori di span, e provvederò a restituirlo con i marcatori intatti.

Ogni dato riportato di seguito è una misurazione di Artificial Analysis datata 13 ottobre 2026, salvo quanto diversamente indicato nella riga.

• Indice Speech to Speech — Grok Voice 3.0 86,9 vs GPT-Live-1 (Astra, medium) 83,2. Esiste anche una configurazione GPT-Live-1 inferiore misurata a 80,1 nella sua variante Sol low-effort, e il divario dell'indice dipende interamente da quale si intende.

• Prestazioni agentiche, τ-Voice — GPT-Live-1 Astra medium 74,5% contro Grok Voice 3.0 71,6%. O​penAI guida questa categoria, e la guida sulla componente che predice se il problema di chi chiama viene risolto.

• Ragionamento vocale, Big Bench Audio — Grok Voice 3.0 98,5% vs GPT-Live-1 Astra medium, che si colloca nella stessa fascia. Entrambi sono abbastanza vicini al tetto che questo asse non separa più nessuno.

• Preferenza arena — Grok Voice 3.0 detiene il punteggio Elo più alto della classifica, a 1070. GPT-Live-1 non detiene l'arena in nessuna configurazione.

• Tempo al primo audio — Grok Voice 3.0 0,81 secondi contro GPT-Live-1 Astra medium a 1,34 secondi. Circa il 40% più veloce a iniziare a parlare, e la dichiarazione sulle prestazioni più concreta che uno dei due fornitori faccia.

• Costo per attività completata, Big Bench Audio — Grok Voice 3.0 $0,025 vs GPT-Live-1 Astra medium $0,030. Economico e accurato per attività è la combinazione che chiude i dibattiti sugli acquisti.

• Prezzo al minuto di audio — GPT-Live-1 0,05 $, fatturato al secondo, senza arrotondamento per eccesso dei minuti parziali e con un addebito di 15 secondi per l'inizializzazione della sessione che viene accreditato sulla durata successiva anziché sommato; Grok Voice 3.0 0,08 $ al minuto più 0,004 $ per input di testo.

• Input multimodale — GPT-Live-1 accetta audio e testo, e la sua documentazione elenca immagini e video come esplicitamente non supportati; neanche Grok Voice 3.0 ha un grounding visivo. Nessuno dei due può vedere, e nessuno dei due fornitori ha pubblicato una data per cambiare la situazione.

• Voci — GPT-Live-1 ne include 12; Grok Voice 3.0 mantiene il set integrato di xAI e l'endpoint per voci personalizzate che addestra una voce da una clip di riferimento fino a 120 secondi.

Il conto, per un carico di lavoro che puoi immaginare

Diecimila minuti di conversazione al giorno in trenta giorni sono 300.000 minuti al mese.

• GPT-Live-1 — 0,05 $ al minuto di voce, quindi 15.000 $ al mese solo per il livello vocale.

• Grok Voice 3.0 — 0,08 $ al minuto, quindi 24.000 $ al mese, più 0,004 $ per input di testo.

Entrambi i numeri sono solo la metà vocale. Il ragionamento backend di GPT-Live-1, le sue chiamate agli strumenti e qualsiasi ricerca web vengono fatturati separatamente alle tariffe proprie del modello backend, e una sessione indirizzata a un reasoner di frontiera che esegue ricerche a ogni turno può costare più in delega che in audio. Le chiamate sincrone agli strumenti di Grok Voice 3.0 vengono eseguite sul backend che risponde loro, secondo la stessa regola. In entrambi i casi il «prezzo del modello vocale» è una frazione della chiamata, e tale frazione dipende da quanto intensamente pensano i tuoi chiamanti.

Questo è il livello in cui un router è davvero utile, e vale la pena essere precisi sul confine. OrcaRouter non serve nessuno dei due endpoint realtime — gpt-live-1 vive dietro la Live Sessions API di OpenAI e Grok Voice 3.0 dietro quella di xAI, e nulla può interporsi su una sessione audio duplex che appartiene a un solo fornitore. Quello che gestiamo è la metà della delega. GPT-5.6 Terra, l'esatto backend nell'esempio pubblicato da OpenAI stessa, è servito tramite OrcaRouter al prezzo di listino di OpenAI di 2,00 $ per milione di token in input e 12,00 $ per milione in output, con entrambi gli endpoint chat e Responses esposti, insieme a oltre 200 altri modelli su un'unica chiave, al prezzo di listino del fornitore e senza alcun ricarico e failover automatico quando un fornitore peggiora. Poiché nulla viene maggiorato, un taglio di prezzo del fornitore sul livello di reasoning è attivo dalla nostra parte lo stesso giorno — il che conta in una categoria in cui un modello di punta ha aumentato la propria tariffa al minuto del 60% nell'arco di tre mesi, mentre un altro l'ha mantenuta invariata.

Ciò che ogni fornitore dice che nessuna scheda copre

Entrambi i fornitori pubblicano cifre sul proprio traffico di produzione. Nessuno dei due è verificabile in modo indipendente, e il modo onesto di leggerle è come prova di fiducia in sé stessi anziché di capacità.

Le cifre di OpenAI, pubblicate con il rilascio delle API e che nessuno ha riprodotto: interattività full-duplex all'80,1% contro il 45,4% di GPT-Realtime-2.1, latenza di turn-taking ridotta da 1,4 secondi a 0,8, precisione del tool-calling dal 60% all'87%. Yelp è citata per la gestione migliorata delle prenotazioni telefoniche, e la piattaforma di apprendimento linguistico Speak ha riportato quasi l'80% in meno di interruzioni rispetto al suo precedente sistema a turni — autodichiarato da un'azienda con un interesse nel risultato, e comunque il dato di implementazione più concreto del rilascio.

Le cifre di SpaceXAI, pubblicate insieme al suo lancio e anch'esse non riprodotte: Grok Voice 3.0 alimenta milioni di conversazioni quotidiane su veicoli Tesla e SpaceX, i call center Starlink gestiscono 20.000 chiamate clienti al giorno in più lingue, con circa il 70% risolte senza un operatore umano e circa una chiamata di vendita su quattro che si conclude con un acquisto, e un 74% arrotondato su EVA-Bench di ServiceNow. Considera il tasso di contenimento come un numero a livello di sistema travestito da numero a livello di modello — riflette il design dei prompt, le policy di retrieval ed escalation tanto quanto il modello, e nessuna parte esterna può separarli.

Quale scegliere davvero

Scegli Grok Voice 3.0 quando la latenza è il vincolo e lo stack è già su xAI. Il tempo al primo audio di 0,81 secondi è il dato pubblicato più rapido tra i modelli vocali di frontiera, il percorso WebSocket non comporta alcuna riscrittura del trasporto e il costo di migrazione è una stringa di modello. Scegliilo anche se chi chiama giudica l'esperienza anziché il risultato: detiene il primato nell'arena per la preferenza e nel composito per la qualità, e chi apprezza la conversazione riattacca più felice anche quando il compito diventa più impegnativo.

Scegli GPT-Live-1 quando il compito è il prodotto stesso. Supera τ-Voice con il 74,5% contro il 71,6%, il suo schema di delega è documentato e il suo backend di ragionamento è una chiamata portabile con conteggio dei token anziché uno strumento opaco, e per attività completata è competitivo sul costo nonostante il divario nell'indice. Sceglilo anche se stai costruendo da zero e non hai alcuna integrazione WebSocket da preservare, perché la questione del trasporto gioca contro di te solo quando ne hai già una.

L'unica risposta da scartare è quella che si basa sul composito. Un divario di 3,7 punti nell'indice e un divario di 2,9 punti in τ-Voice puntano in direzioni opposte, e la differenza di costo ne indica una terza: GPT-Live-1 costa il 37,5% in meno al minuto di audio prima di contare l'input di testo. Chi sceglie tra questi due in base a 86,9 contro 83,2 sta scegliendo in base al numero meno legato al fatto che la sua linea telefonica funzioni.

Cosa risolverebbe la questione: un impegno di disponibilità generale e un valore di latenza pubblicato da OpenAI per la configurazione Astra che occupa la vetta della classifica, dato che il confronto tra 0,81 e 1,34 poggia attualmente sul dato di xAI rispetto a una configurazione che la documentazione di OpenAI stessa considera un esempio; oppure una mossa sul prezzo da una delle due parti. Il listino prezzi è l'unica parte di questo confronto che si è già mossa in passato, e si è mossa al rialzo.

Confronti come questo sono anche il punto in cui emergono le modalità di fallimento: gli incidenti AI documentati e i fallimenti degli agenti relativi ai modelli di questa classe sono raccolti in l'Archivio degli Incidenti AI di OrcaRouter, dove ogni voce riporta le proprie fonti, il livello di gravità, il grado di affidabilità e l'indicatore di contestazione.