Grok Voice 3.0 lidera o Speech to Speech Index com 86,9 — e devolve o recorde de latência

O número que todos vão citar é 86,9. Foi aí que o Grok Voice 3.0 ficou no Artificial Analysis Speech to Speech Index quando o ranking foi rodado novamente em 13 de outubro de 2026, cinco pontos e meio à frente do modelo que ele substitui, o Grok Voice 2.0, que estava em 81,3. Ele também está à frente do GPT-Live-1 em sua configuração Astra medium, com 83,2, e do Gemini 3.8 Live Extended Thinking, com 82,6, o que o torna o primeiro modelo de voz da xAI a ocupar a primeira posição de forma isolada, em vez de dividi-la com outro. A SpaceXAI o anunciou em 14 de outubro, no mesmo dia em que as notas de versão da API mudaram, e pelo mesmo preço por minuto do modelo que ele aposenta.

O número que ninguém vai citar, porque a xAI não o colocou na manchete, é 0,70. Esse é o tempo até o primeiro áudio, em segundos, do Grok Voice 2.0, e é mais rápido que os 0,81 do Grok Voice 3.0. A empresa que passou um ano vendendo alternância de turnos abaixo de um segundo agora apresenta um carro-chefe que começa a falar 0,11 segundo mais tarde do que seu próprio modelo que está de saída. Ainda assim, é cerca de 40% mais rápido na largada do que a configuração GPT-Live-1 que a Artificial Analysis mediu em 1,34 segundo, então a alegação de marketing sobrevive a uma leitura literal. Só não sobrevive a uma comparação com a versão anterior.

O que realmente foi lançado, e quanto custa

O Grok Voice 3.0 é um modelo de fala para fala servido pelo mesmo endpoint WebSocket em tempo real que o seu antecessor, com os mesmos parâmetros de sessão e os mesmos nomes de eventos. Não há SDK novo nem documento de migração, porque não há nada para migrar. A string do modelo mudou e o que está por trás dela mudou.

• Preço — $0.08 por minuto de áudio, ou $4.80 por hora, mais $0.004 por entrada de texto. Idêntico ao Grok Voice 2.0. Esta é uma atualização de capacidade a preço constante, não uma alteração de preços.

• Comportamento do alias — grok-voice-latest agora é resolvido para grok-voice-3.0. Qualquer pessoa que tenha implantado usando o alias foi movida automaticamente para o novo modelo, sem alteração de código e sem fixação de versão.

Descontinuação — grok-voice-2.0 está marcado como obsoleto. O caminho de atualização que a xAI documenta é definir o campo model como grok-voice-3.0 ou deixar o alias como está.

• Endpoint e autenticação — inalterados. Mesma URL em tempo real, mesmo handshake de token bearer, mesmos tokens efêmeros de curta duração para conexões do lado do cliente.

• Vozes — o conjunto de vozes integrado e o endpoint de voz personalizada permanecem inalterados; as vozes personalizadas são treinadas a partir de um clipe de referência de até 120 segundos, e o voice_id resultante funciona na API em tempo real e na síntese de voz em streaming.

Essa última lista é a razão pela qual a mudança do alias importa mais do que parece. O Grok Voice 2.0 só se tornou o alvo do alias em 5 de agosto de 2026 — cerca de dez semanas antes deste lançamento. Uma equipe que desenvolveu com base no grok-voice-latest em agosto já passou por duas trocas silenciosas de modelo em um único trimestre, o que é uma característica ótima para um experimento de chatbot e uma característica menos ótima para um sistema telefônico cuja suíte de regressão foi escrita com base no timing de uma voz específica.

O índice, componente por componente.

Os índices compostos escondem o argumento, por isso vale a pena destrinchar o Grok Voice 3.0. Todos os números abaixo vêm dos próprios testes da Artificial Analysis, datados de 13 de outubro de 2026.

• Raciocínio de fala, Big Bench Audio — 98,5%, acima dos 97,2% do Grok Voice 2.0.

• Dinâmica conversacional, Full Duplex Bench — 97,0%, acima de 95,1%.

• Preferência do Speech Agent Arena — Elo 1070, acima de 1011, e o mais alto do ranking.

• Sucesso na tarefa — 94,8%, acima de 94,6%. Esta é a menor variação entre os cinco e vale a pena destacar isso: na conclusão bruta de tarefas, os dois modelos são, dentro da medição, o mesmo modelo.

• Desempenho agêntico, τ-Voice — 71,6%, ante 56,5%. Este é o maior avanço isolado do lançamento, um salto de 15 pontos no único componente que mede se um agente consegue de fato concluir uma tarefa de vários turnos, em vez de apenas parecer competente ao fazê-la.

• Tempo até o primeiro áudio — 0,81 segundos, contra 0,70 do Grok Voice 2.0.

Ler esses dados em conjunto conta uma história mais útil do que a métrica composta. O ganho de 5,6 pontos no índice não está distribuído de forma uniforme: quase todo ele vem de desempenho agêntico e preferência na arena, com raciocínio e tratamento duplex subindo ligeiramente e sucesso bruto em tarefas estagnado. O Grok Voice 3.0 é um agente melhor, não um conversador melhor. Se seu produto de voz é uma linha de suporte que agenda compromissos e verifica o status de pedidos, é exatamente esse delta que você quer. Se ele é um companheiro ou um front-end de roleplay, o ganho no índice é em grande parte irrelevante, e você pagou uma penalidade de latência por isso.

O único teste em que o líder não é o líder

τ-Voice é o componente sobre o qual a xAI deveria estar falando, e aquele em que ela ainda fica atrás. Com 71,6%, o Grok Voice 3.0 cresceu enormemente em relação aos 56,5% do seu antecessor — e ainda está atrás do GPT-Live-1 configurado com Astra em raciocínio médio, que a Artificial Analysis coloca em 74,5%. O Gemini 3.8 Live fica em 68,6% no mesmo teste.

Então, o formato da categoria após este lançamento é: a xAI detém o composto e a arena; a OpenAI detém o teste de conclusão de tarefas agênticas; o Google não detém nenhum dos dois e é mais barato que ambos. Nenhuma dessas três afirmações contradiz as outras, e qualquer artigo que relate apenas a primeira está relatando um ranking, e não um resultado.

O fornecedor afirma que nenhum conselho cobre

As alegações de desempenho vêm com uma segunda camada de números que a Artificial Analysis não mede e não pode medir, porque descrevem o tráfego de produção dentro dos próprios produtos de uma empresa. Estes são os números da xAI, relatados pela xAI, sem verificação independente disponível e provavelmente sem nenhuma:

• Tesla — Diz-se que o Grok Voice alimenta milhões de conversas por dia nos veículos, lidando com ações de calendário e e-mail por meio de conectores e com pedidos de comida por meio do modo de voz do Grok Bot.

• Suporte da Starlink — 20.000 chamadas de clientes por dia em vários idiomas, com cerca de 70% resolvidas sem um humano e aproximadamente uma em cada quatro chamadas de vendas terminando em uma compra. O mesmo agente é descrito como responsável por verificação de identidade, solução de problemas de hardware, créditos na conta e envios de substituição em um único fluxo.

• ServiceNow EVA-Bench — um índice de precisão arredondado de 74%, divulgado como o mais alto nesse benchmark e o melhor quando precisão e experiência do cliente são avaliadas em conjunto. O EVA-Bench abrange atendimento ao cliente em 15 ferramentas e 50 cenários, gestão de serviços de TI em 59 ferramentas e 80 cenários, e RH em 47 ferramentas e 83 cenários.

Trate os dois primeiros como uma descrição de intenção, e não como evidência. Eles são a prova mais forte possível de que um modelo de voz funciona — uma empresa que encaminha suas próprias chamadas de receita por meio dele tem interesse direto no resultado — e, ao mesmo tempo, a evidência mais fraca possível para um leitor, porque nada disso é auditável de fora e nada disso separa o modelo dos prompts, da recuperação e da política de escalonamento que o envolvem. O número de 70% de contenção, em particular, é um número de nível de sistema vestindo uma fantasia de nível de modelo.

O que um preço que não se moveu lhe diz

Manter a tarifa em US$ 0,08 por minuto é a coisa mais estrategicamente interessante no lançamento. A interpretação óbvia é pressão competitiva: o Google passou o ano posicionando o Gemini Live como a opção barata nesta categoria, e a geração anterior da linha de voz da xAI já havia absorvido um aumento de preço de 60% quando a linha Think Fast passou de US$ 3,00 para US$ 4,80 por hora. Aumentar a tarifa do carro-chefe novamente não era uma opção.

O efeito de segunda ordem recai sobre quem modela custos. A medição por tarefa da Artificial Analysis coloca o Grok Voice 3.0 em US$ 0,025 para concluir uma tarefa do Big Bench Audio, contra US$ 0,030 do GPT-Live-1 Astra medium e US$ 0,055 do GPT-Realtime-2.1 High. Mais barato por tarefa e mais preciso por tarefa é a combinação que encerra debates de aquisição, e é a primeira vez nesta categoria que um único modelo detém as duas pontas.

Onde uma camada de roteamento entra nesse quadro é mais restrito do que parece, e vale a pena ser exato. O OrcaRouter não serve o endpoint em tempo real do Grok Voice 3.0 — isso vem da própria API da xAI, assim como o equivalente Gemini Live e GPT-Live-1. O que nós operamos é o lado do texto: mais de 200 modelos de linguagem atrás de uma única chave, pelo preço de lista do provedor e sem nenhuma margem, que é onde costumam ficar a limpeza da transcrição, o resumo após a chamada, a classificação de uma transcrição em um código de desfecho e a lógica de chamada de ferramentas que o modelo de voz delega. Esses são modelos comuns medidos por requisição, são exatamente a carga de trabalho para a qual um roteador existe e, como o preço de lista passa inalterado, um corte de preço de um fornecedor em qualquer um deles entra em vigor do nosso lado no mesmo dia, e não na sua próxima renovação.

O que ainda não foi medido

Três coisas, e são elas que devem decidir se você se move agora ou faz uma cravada.

A primeira é a estabilidade em sessões longas. Todos os números acima vêm de interações curtas e avaliadas. Nada publicado aborda o que uma chamada de 20 minutos faz com as taxas de erro, e o modo de falha interessante para um modelo duplex — a deriva acumulada, ou uma política de tomada de turno que se degrada sob interrupção — só se manifesta ao longo de minutos, não de turnos.

A segunda é a alegação do canal ruidoso. A geração antecessora da xAI foi comercializada com base na taxa de erro de palavras em condições de telefonia, e essa é a alegação mais falsificável de todo o lançamento. Qualquer pessoa com um corpus de gravações de chamadas e uma tarde pode verificá-la.

O terceiro é se o valor de 0,81 segundo se mantém sob carga. O tempo até o primeiro áudio é medido em um sistema silencioso. Produção não é um sistema silencioso.

Até que isso chegue, o resumo honesto do Grok Voice 3.0 é este: ele é o melhor modelo de voz do leaderboard público por uma margem que é real, mas concentrada em uma única dimensão; custa o mesmo que o modelo que substitui; é mais lento para começar a falar do que esse modelo; e migrou todas as implantações existentes de grok-voice-latest para si mesmo sem pedir. Os três primeiros são motivos para testá-lo. O quarto é um motivo para ter um pin de versão na sua configuração antes de fazer isso.

O lançamento de um modelo de voz é também o momento de verificar o que já correu mal antes: os incidentes de IA documentados e as falhas de agentes em torno de modelos desta classe estão reunidos em the OrcaRouter AI Incident Archive, onde cada entrada traz as suas próprias fontes, a sua gravidade, o seu grau de confiança e a sua indicação de contestação.