SpaceXAI acaba de lanzar Grok Voice 3.0. Grok Voice 3.0 es un modelo de voz a voz de SpaceXAI que escucha, razona, llama a herramientas y habla. Ahora ocupa el primer puesto en el Artificial Analysis Speech-to-Speech Index con una puntuación de 86.9. Para los desarrolladores, el endpoint, los eventos y el precio de $0.08 por minuto no cambian respecto a Grok Voice 2.0.
TL;DR
- Se ejecuta en: la Voice Agent API alojada de SpaceXAI únicamente. Sin pesos abiertos, sin variantes locales ni cuantizadas.
- Rendimiento: La puntuación más alta del índice de cualquier modelo que Artificial Analysis clasifica actualmente.
- Lo mejor: 86.9 en el AA Speech-to-Speech Index, en el puesto #1.
- Lo peor: 71.6% en τ-Voice, por detrás de GPT-Live-1 (Astra, medium) con 74.5%.
- En resumen:
- Lo mejor: la puntuación compuesta más alta con 0.81 s hasta el primer audio.
- Lo peor: no es el líder en resolución de tareas agénticas ni en razonamiento de voz puro.
¿Qué es Grok Voice 3.0?
Grok Voice 3.0 es el modelo de voz en tiempo real insignia de SpaceXAI, expuesto como grok-voice-3.0 en el /v1/realtime WebSocket endpoint. El alias grok-voice-latest ya apunta a él, por lo que los agentes existentes cambiaron automáticamente.
SpaceXAI no ha publicado recuentos de parámetros ni detalles de la arquitectura. El razonamiento está activado por defecto (reasoning.effort: "high") y puede configurarse en "none" para turnos más rápidos. La detección de actividad de voz del lado del servidor gestiona las interrupciones. Las herramientas se ejecutan dentro de la sesión: búsqueda en colecciones, búsqueda web, búsqueda en X, servidores MCP remotos y funciones personalizadas.
¿Cómo rinde Grok Voice 3.0 en los benchmarks?
El índice Speech-to-Speech de AA es un promedio de pesos iguales de 4 componentes. Estos son Big Bench Audio reasoning, el rendimiento agéntico de τ-Voice, la preferencia en Speech Agent Arena y la tasa de éxito de tareas.
Grok Voice 3.0 obtiene 86.9. GPT-Live-1 (Astra, medium) obtiene 83.2, Gemini 3.8 Live Extended Thinking 82.6. Grok Voice 2.0 obtuvo 81.3.
Los resultados por componente son sólidos, pero no primeros de manera uniforme:
- Big Bench Audio: 98.5%, clasificado en el puesto 4. StepAudio 3 Realtime lidera con 99.7%.
- Full Duplex Bench: 97.0%, clasificado en el puesto 4. StepAudio 3 Realtime lidera con 98.9%.
- Tasa de éxito de tareas: 94.8%, frente al 94.6% de Grok Voice 2.0.
- Elo de Speech Agent Arena: 1070, el más alto entre los 4 modelos comparados aquí.
- τ-Voice: 71.6%, frente al 56.5%, pero por debajo de GPT-Live-1 (Astra, medium) con 74.5%.
El EVA-Bench de ServiceNow evalúa agentes de voz empresariales en precisión y experiencia. SpaceXAI reporta una puntuación de precisión máxima de 74%.
¿Es Grok Voice 3.0 rápido y barato?
Artificial Analysis mide 0.81 s de tiempo hasta el primer audio. GPT-Live-1 (Astra, medium) mide 1.34 s, por lo que la afirmación de SpaceXAI de una "latencia 40% menor" se verifica. Sin embargo, Grok Voice 2.0 era más rápido, con 0.70 s.
En cuanto al costo, SpaceXAI cita el costo por tarea de Big Bench Audio de Artificial Analysis. Grok Voice 3.0 cuesta $0.025 por tarea, frente a $0.030 para GPT-Live-1 (Astra, medium) y $0.055 para GPT-Realtime-2.1 (High). Según el costo por hora de audio de entrada de AA, Gemini 3.8 Live Extended Thinking es más barato: $3.50 frente a $4.80.
Los precios de lista no son directamente comparables. GPT-Live-1 cuesta $0.05 por minuto, pero el modelo de backend y el uso de herramientas se facturan por separado. Gemini 3.8 Live factura el audio por minuto más los tokens de texto.
Atrás</button><button class="btn" id="gvNext">Siguiente </button><button class="btn" id="gvPlay">Reproducción automática</button></div> </div> <div class="pnl" id="p2"> <div class="chips" id="gvChips"></div> <div id="gvBars"></div> <p class="note" id="gvNote"></p> </div> <div class="pnl" id="p3"> <svg viewBox="0 0 640 330" width="100%" role="img" aria-label="Tasa de éxito de τ-Voice frente al tiempo hasta el primer audio"> <rect x="0" y="0" width="640" height="330" fill="transparent"/> <g stroke="#2a2a2a"> <line x1="70" y1="30" x2="70" y2="280"/><line x1="70" y1="280" x2="610" y2="280"/> <line x1="70" y1="196.7" x2="610" y2="196.7" stroke-dasharray="3 4"/><line x1="70" y1="113.3" x2="610" y2="113.3" stroke-dasharray="3 4"/> <line x1="70" y1="30" x2="610" y2="30" stroke-dasharray="3 4"/> </g> <g fill="#9a9a9a" font-size="11"> <text x="62" y="284" text-anchor="end">50%</text><text x="62" y="201" text-anchor="end">60%</text><text x="62" y="117" text-anchor="end">70%</text><text x="62" y="34" text-anchor="end">80%</text> <text x="70" y="298" text-anchor="middle">0.5 s</text><text x="205" y="298" text-anchor="middle">0.75 s</text><text x="340" y="298" text-anchor="middle">1.0 s</text><text x="475" y="298" text-anchor="middle">1.25 s</text><text x="610" y="298" text-anchor="middle">1.5 s</text> <text x="340" y="320" text-anchor="middle">Tiempo hasta el primer audio (menor es más rápido)</text> <text x="16" y="155" text-anchor="middle" transform="rotate(-90 16 155)">Éxito de τ-Voice</text> </g> <text x="84" y="50" fill="#ffffff" font-size="12" font-weight="700"> mejor</text> <g id="gvDots"></g> </svg> <p class="note">Fuente: Artificial Analysis, consultado el 14 de octubre de 2026. Grok Voice 3.0 queda 2.9 puntos por detrás de GPT-Live-1 (Astra, medium) en τ-Voice, pero alcanza el primer audio 0.53 s antes.</p> </div> <div class="pnl" id="p4"> <div class="kv"> <div class="k"><b>$0.08/min</b><span>$4.80/hr, igual que Grok Voice 2.0</span></div> <div class="k"><b>0.81 s</b><span>tiempo hasta el primer audio (AA)</span></div> <div class="k"><b>28</b><span>voces integradas, además de clonación</span></div> <div class="k"><b>20</b><span>configuraciones regionales listadas, detectadas automáticamente</span></div> <div class="k"><b>5</b><span>tipos de herramientas: archivos, web, X, MCP, funciones</span></div> <div class="k"><b>SIP</b><span>enrutamiento telefónico y para centros de contacto</span></div> </div> <pre><code>wss://api.x.ai/v1/realtime?model=grok-voice-3.0 {"type": "session.update", "session": { "voice": "eve", "reasoning": {"effort": "high"}, "turn_detection": {"type": "server_vad"}, "tools": [{"type": "web_search"}] }}</code></pre> <p class="note">El alias <code>grok-voice-latest</code> ya apunta a <code>grok-voice-3.0</code>. Fija el nombre con versión en producción. Grok Voice 2.0 está obsoleto.</p> </div> <div class="ft"><span>Datos: <a href="https://x.ai/news/grok-voice-3" target="_blank" rel="noopener">SpaceXAI</a>, <a href="https://artificialanalysis.ai/speech-to-speech" target="_blank" rel="noopener">Artificial Analysis</a>, <a href="https://docs.x.ai/developers/model-capabilities/audio/speech-to-speech" target="_blank" rel="noopener">documentación de SpaceXAI</a></span><span class="brand">© Marktechpost</span></div> </div> <script> (function(){ var R=document.getElementById('mtp-gv3'); function post(){try{parent.postMessage({mtpEmbed:'gv3',height:R.offsetHeight+40},'*')}catch(e){}} R.querySelectorAll('.tab').forEach(function(t){t.addEventListener('click',function(){ R.querySelectorAll('.tab').forEach(function(x){x.classList.remove('on')}); R.querySelectorAll('.pnl').forEach(function(x){x.classList.remove('on')}); t.classList.add('on');document.getElementById(t.dataset.p).classList.add('on'); if(t.dataset.p==='p2')drawBars();if(t.dataset.p==='p3')drawDots();setTimeout(post,60);});}); /* wave */ var w=document.getElementById('gvWave');for(var i=0;i<48;i++){var b=document.createElement('i');b.style.animationDelay=(i*0.045)+'s';w.appendChild(b);} /* pipeline */ var S=[ ['El llamante habla','El audio se transmite por un WebSocket (o SIP para llamadas telefónicas) como PCM a 8 a 48 kHz, G.711 u Opus.'], ['Detección de turno','La detección de actividad de voz del lado del servidor decide cuándo el llamante ha terminado y gestiona las interrupciones (barge-in).'], ['Razonamiento','El razonamiento está activado por defecto con reasoning.effort establecido en "high". Configúralo en "none" para turnos más rápidos y simples.'], ['Herramientas','El agente puede llamar a búsqueda de colecciones, búsqueda web, búsqueda en X, servidores MCP remotos y tus propias funciones durante la llamada.'], ['La respuesta se transmite','Los deltas de audio se transmiten de vuelta tan pronto como están listos. Artificial Analysis mide 0.81 s hasta el primer audio.']]; var F=document.getElementById('gvFlow'),cur=0,timer=null; S.forEach(function(s,i){var b=document.createElement('button');b.className='st';b.innerHTML='<div class="n">PASO '+(i+1)+'</div><div class="t">'+s[0]+'</div>'; b.addEventListener('click',function(){stop();show(i)});F.appendChild(b);}); function show(i){cur=(i+S.length)%S.length;F.querySelectorAll('.st').forEach(function(x,j){x.classList.toggle('on',j===cur)}); document.getElementById('gvDt').textContent=S[cur][0];document.getElementById('gvDp').textContent=S[cur][1];} function stop(){if(timer){clearInterval(timer);timer=null;document. getElementById('gvPlay').textContent='Reproducción automática';}} document.getElementById('gvPrev').onclick=function(){stop();show(cur-1)}; document.getElementById('gvNext').onclick=function(){stop();show(cur+1)}; document.getElementById('gvPlay').onclick=function(){if(timer){stop();return}this.textContent='Pausa';timer=setInterval(function(){show(cur+1)},2200)}; show(0); /* bars */ var M=['Grok Voice 3.0','Grok Voice 2.0','GPT-Live-1 (Astra, medium)','Gemini 3.8 Live Ext. Thinking']; var B={ 'AA Index':{v:[86.9,81.3,83.2,82.6],max:100,f:function(x){return x.toFixed(1)},n:'Promedio ponderado por igual de Big Bench Audio, τ-Voice, preferencia en Arena y éxito en tareas.'}, 'Big Bench Audio':{v:[98.5,97.2,90.1,97.7],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Razonamiento de voz. Grok Voice 3.0 ocupa el puesto 4 en general; StepAudio 3 Realtime lidera con 99.7%.'}, 'τ-Voice':{v:[71.6,56.5,74.5,68.6],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Llamadas de soporte al cliente replicadas con herramientas. GPT-Live-1 (Astra, medium) lidera este grupo.'}, 'Full Duplex Bench':{v:[97.0,95.1,94.9,91.9],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Pausas, turnos de palabra, interrupciones y backchannels.'}, 'Task success':{v:[94.8,94.6,87.4,89.1],max:100,f:function(x){return x.toFixed(1)+'%'},n:'Proporción de conversaciones que terminan en la llamada a herramienta final correcta.'}, 'Arena Elo':{v:[1070,1011,1056,993],max:1100,f:function(x){return String(x)},n:'Elo del Live Speech Agent Arena en Artificial Analysis. Cuanto más alto, mejor.'}, 'Time to first audio':{v:[0.81,0.70,1.34,1.35],max:1.5,f:function(x){return x.toFixed(2)+' s'},n:'Cuanto más bajo, más rápido. Grok Voice 2.0 fue más rápido que 3.0.'}}; var C=document.getElementById('gvChips'),BR=document.getElementById('gvBars'),key='AA Index'; Object.keys(B).forEach(function(k){var c=document.createElement('button');c.className='chip'+(k===key?' on':'');c.textContent=k; c.onclick=function(){key=k;C.querySelectorAll('.chip').forEach(function(x){x.classList.toggle('on',x===c)});drawBars()};C.appendChild(c);}); M.forEach(function(m,i){var r=document.createElement('div');r.className='row'; r.innerHTML='<div class="lbl">'+m+'</div><div class="trk"><div class="fill'+(i===0?' me':'')+'"></div></div><div class="val"></div>';BR.appendChild(r);}); function drawBars(){var d=B[key];BR.querySelectorAll('.row').forEach(function(r,i){var f=r.querySelector('.fill');f.style.width='0'; r.querySelector('.val').textContent=d.f(d.v[i]);setTimeout(function(){f.style.width=(d.v[i]/d.max*100)+'%'},40+i*90)}); document.getElementById('gvNote').textContent=d.n+' Source: Artificial Analysis / SpaceXAI.';} drawBars(); /* scatter */ var P=[['Grok Voice 3.0','0.81 s · 71.6%',0.81,71.6,1,'r'],['Grok Voice 2.0','0.70 s · 56.5%',0.70,56.5,0,'r'],['GPT-Live-1 (Astra, medium)','1.34 s · 74.5%',1.34,74.5,0,'l'],['Gemini 3.8 Live Ext. Thinking','1.35 s · 68.6%',1.35,68.6,0,'l']]; var G=document.getElementById('gvDots'),NS='http://www.w3.org/2000/svg'; P.forEach(function(p){var x=70+(p[2]-0.5)*540,y=280-(p[3]-50)/30*250;var g=document.createElementNS(NS,'g');g.setAttribute('class','dot'); var c=document.createElementNS(NS,'circle');c.setAttribute('cx',x);c.setAttribute('cy',y);c.setAttribute('r',p[4]?9:7); c.setAttribute('fill',p[4]?'#ffffff':'#5c5c5c');c.setAttribute('stroke',p[4]?'#ffffff':'#9a9a9a');g.appendChild(c); [[p[0],0,p[4]?'700':'600'],[p[1],15,'500']].forEach(function(L){var t=document.createElementNS(NS,'text'); t.setAttribute('x',p[5]==='r'?x+14:x-14);t.setAttribute('y',y-2+L[1]);t.setAttribute('text-anchor',p[5]==='r'?'start':'end'); t.setAttribute('fill',p[4]?'#ffffff':'#bdbdbd');t.setAttribute('font-size','12');t.setAttribute('font-weight',L[2]);t.textContent=L[0];g.appendChild(t);}); G.appendChild(g);}); function drawDots(){G.querySelectorAll('.dot').forEach(function(g,i){g.style.opacity='0';g.style.transform='translateY(30px)'; setTimeout(function(){g.style.opacity='1';g.style.transform='none'},80+i*150)});} window. addEventListener('load',post);window.addEventListener('resize',post);setTimeout(post,300); })(); </script> </body> </html> ">¿Cómo se compara Grok Voice 3.0 con GPT-Live-1 y Gemini 3.8 Live?
| Característica | Grok Voice 3.0 | Grok Voice 2.0 | GPT-Live-1 (Astra, medium) | Gemini 3.8 Live Extended Thinking |
|---|---|---|---|---|
| Desarrollador | SpaceXAI | SpaceXAI | OpenAI | |
| Parámetros | No divulgado | No divulgado | No divulgado | No divulgado |
| Longitud de contexto | No divulgado | No divulgado | No divulgado | No divulgado |
| Pesos | Cerrado, solo API | Cerrado, obsoleto | Cerrado, solo API | Cerrado, solo API |
| Entrada / salida | Audio, texto / audio, texto | Audio, texto / audio, texto | Audio, texto / audio, texto | Texto, imagen, video, audio / audio, texto |
| Índice de voz a voz de AA | 86.9 | 81.3 | 83.2 | 82.6 |
| Big Bench Audio | 98.5% | 97.2% | 90.1% | 97.7% |
| τ-Voice | 71.6% | 56.5% | 74.5% | 68.6% |
| Full Duplex Bench | 97.0% | 95.1% | 94.9% | 91.9% |
| Tasa de éxito de tareas | 94.8% | 94.6% | 87.4% | 89.1% |
| Arena Elo (AA en vivo) | 1070 | 1011 | 1056 | 993 |
| Tiempo hasta el primer audio | 0.81 s | 0.70 s | 1.34 s | 1.35 s |
| Costo por hora de audio de entrada en AA | $4.80 | $4.80 | $5.83 | $3.50 |
| Precio de lista | $0.08/min | $0.08/min | $0.05/min más uso de backend | $0.005/min de audio de entrada, $0.018/min de audio de salida, más tokens de texto |
Datos de referencia: Artificial Analysis, consultado el 14 de octubre de 2026. El blog de SpaceXAI enumera valores congelados de Arena Elo de 1048 (GPT-Live-1) y 990 (Gemini).
¿Cómo despliegan los desarrolladores Grok Voice 3.0?
La API es compatible con la OpenAI Realtime API, por lo que la migración significa principalmente una nueva URL y clave.
- Transportes: WebSocket, aplicaciones de demostración WebRTC y SIP para llamadas telefónicas y de centros de contacto.
- Audio: PCM a 8 a 48 kHz, G.711 μ-law y A-law, y Opus.
- Voces: 28 voces integradas, además de voces personalizadas clonadas a partir de un clip de referencia de hasta 120 s.
- Idiomas: 20 locales listados con detección automática de idioma.
- Extensiones:
force_messagepara líneas con guion, mapas de pronunciaciónreplacey reanudación de sesiones de 30 minutos. - Cumplimiento: SOC 2 Tipo II, elegible para HIPAA con un BAA, y GDPR. SpaceXAI afirma que el audio no se almacena ni se usa para entrenamiento.
Los equipos de producción deberían fijar grok-voice-3.0 en lugar del alias. Grok Voice 2.0 ya está obsoleto.
Conclusiones clave
- Grok Voice 3.0 ocupa el puesto #1 en el AA Speech-to-Speech Index con 86.9.
- Responde en 0.81 s, un 40% menos de latencia que GPT-Live-1 (Astra, medium).
- τ-Voice saltó al 71.6%, pero GPT-Live-1 sigue liderando con un 74.5%.
- El precio se mantiene en $0.08 por minuto, y
grok-voice-latestse actualizó automáticamente. - Es solo API: sin pesos, sin tamaño divulgado.
Echa un vistazo al anuncio oficial, la documentación de Speech to Speech y el leaderboard de Artificial Analysis. Todo el crédito va al investigador de este proyecto. Además, no dudes en seguirnos en Twitter y no olvides unirte a nuestro 150k+ML SubReddit y suscribirte a nuestro Newsletter. ¡Espera! ¿estás en telegram? ahora también puedes unirte a nosotros en telegram.
La entrada Meet Grok Voice 3.0: SpaceXAI Voice Agent Model Ranks #1 on Artificial Analysis apareció primero en MarkTechPost.