Grok Voice 3.0: qué cambia, precios de la API y cómo usarla

Grok Voice 3.0 es el modelo de voz a voz de xAI para agentes de voz en tiempo real, presentado el 14 de octubre de 2026. Hablas, escucha y responde con su propia voz por una sola conexión WebSocket, con el audio entrando y saliendo directamente.

Si construyes agentes de voz, te importan tres cosas: qué tan bien escucha y razona, cuánto cuesta un minuto y cuánto código hay que cambiar. En Grok Voice 3.0 las respuestas son el primer puesto del índice de voz a voz de Artificial Analysis (86.9, según xAI), $0.08 por minuto y cero cambios si ya llamas a grok-voice-latest.

Respuesta corta

• Mismo precio, mejor modelo. Grok Voice 3.0 sustituye a Grok Voice 2.0 con el mismo precio de $0.08 por minuto, el mismo endpoint y los mismos eventos de sesión.
• Gana a Grok Voice 2.0 en todas las puntuaciones que comparó xAI: 86.9 frente a 81.3 en el índice de voz a voz y 97.0% frente a 95.1% al manejar pausas e interrupciones.
• Conecta por WebSocket en wss://api.x.ai/v1/realtime. La API sigue el formato Realtime de OpenAI, así que los SDK de OpenAI funcionan cambiando la base URL.
• Habla más de 20 idiomas con 28 voces integradas y puede llamar herramientas como la búsqueda web o tus propias funciones durante la conversación.

¿Qué es Grok Voice 3.0?

Es un modelo de voz a voz: entra audio, sale audio y el modelo razona en medio. xAI lo describe como un «modelo de voz a voz para agentes de voz en tiempo real». Gestiona millones de conversaciones al día en los coches Tesla, impulsa el modo de voz de Grok Bot y los centros de llamadas de Starlink contestan 20.000 llamadas diarias con Grok Voice.

El ID del modelo es grok-voice-3.0. El alias grok-voice-latest apunta a él desde el día del lanzamiento, así que cualquier sesión que use el alias se actualizó sola. Grok Voice 2.0 queda marcado como obsoleto.

¿Qué cambia frente a Grok Voice 2.0?

Todas las puntuaciones que comparó xAI suben, y el precio y la API siguen igual. Los números vienen del anuncio de xAI, que cita las pruebas de Artificial Analysis del 13 de octubre de 2026.

En esa misma tabla, GPT-Live-1 (Astra) marca 83.2 en el índice y Gemini 3.8 Live 82.6, y Grok Voice 3.0 supera a ambos en las cinco filas.

Full Duplex Bench mide lo natural que resulta manejar pausas, turnos e interrupciones, que es donde quien llama nota más al agente de voz. xAI también dice que responde en menos de un segundo.

El modelo razona antes de hablar. El razonamiento viene activado y puedes desactivarlo por sesión cuando la velocidad importa más que la profundidad. Una sesión también puede llamar herramientas mientras habla: búsqueda de archivos, búsqueda web, búsqueda en X, servidores MCP remotos y tus propias funciones.

¿Cuánto cuesta la API de Grok Voice?

Según la página de precios de xAI, Grok Voice 3.0 cuesta $0.08 por minuto de audio, o $4.80 por hora. Esa misma página también lista «$0.004 / text input» para el mismo modelo sin decir cuál es la unidad.

Si solo necesitas una dirección, xAI la cobra aparte: texto a voz cuesta $15 por millón de caracteres y voz a texto $0.10 por hora ($0.20 por hora en streaming).

¿Cómo se conecta?

Abres un WebSocket en wss://api.x.ai/v1/realtime, pasas el modelo como parámetro de consulta, configuras la sesión y envías audio en ambos sentidos. Este es el inicio rápido de Python de xAI, copiado de su documentación:

import asyncio
import json
import os
import websockets

async def voice_agent():
    async with websockets.connect(
        "wss://api.x.ai/v1/realtime?model=grok-voice-latest",
        additional_headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"}
    ) as ws:
        # Configurar la sesión
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "voice": "eve",
                "instructions": "You are a helpful assistant.",
                "turn_detection": {"type": "server_vad"}
            }
        }))

        # Enviar un mensaje de texto
        await ws.send(json.dumps({
            "type": "conversation.item.create",
            "item": {"type": "message", "role": "user",
                     "content": [{"type": "input_text", "text": "Hello!"}]}
        }))
        await ws.send(json.dumps({"type": "response.create"}))

        # Recibir las respuestas de audio y texto
        async for msg in ws:
            event = json.loads(msg)
            print(f"Event: {event['type']}")

asyncio.run(voice_agent())

Para fijar el modelo nuevo en vez del alias, usa model=grok-voice-3.0. Unos detalles deciden si tu primera llamada funciona:

¿Qué voces e idiomas tiene?

La documentación lista 28 voces integradas, con eve como predeterminada, y cada voz puede hablar todos los idiomas admitidos. La API de voz a voz admite más de 20 idiomas. Detecta el idioma de quien llama, responde en él y puede cambiar de idioma a mitad de la conversación.

También puedes clonar una voz a partir de un clip de referencia de hasta dos minutos con la API Custom Voices de xAI. Cada equipo puede crear hasta 30 voces personalizadas gratis, pero la función solo está disponible en Estados Unidos, excepto Illinois.

xAI dice que el audio de voz se procesa en tiempo real y nunca se almacena ni se usa para entrenar.

¿Puedes usar Grok Voice 3.0 con OmniaKey?

Hoy no. OmniaKey no ofrece Grok Voice, así que se llama con una clave de API de xAI. Si también usas los modelos de texto e imagen de Grok, Grok 4.7 y Grok Imagine 2.0 funcionan en OmniaKey con una sola clave, junto a Claude, GPT y Gemini. La guía de la API de Grok Imagine cubre la parte de imagen.

Preguntas frecuentes

¿Grok Voice 3.0 es gratis?

La API es de pago: la página de precios de xAI indica $0.08 por minuto de audio. Si solo quieres hablar con Grok, las apps de Grok en web, iOS y Android tienen un modo de voz manos libres.

¿Hay que cambiar el código desde Grok Voice 2.0?

No. El endpoint, los ajustes de sesión y los eventos son iguales, y grok-voice-latest ya apunta a 3.0. Solo el código fijado a grok-voice-2.0 necesita el nombre nuevo.

¿Funciona con el SDK de OpenAI?

Sí. La guía de migración de xAI dice que una app construida sobre la API Realtime de OpenAI necesita tres cambios: la base URL (https://api.x.ai/v1), la clave de API y el nombre del modelo.

¿Qué tan rápido responde Grok Voice 3.0?

xAI dice que responde en menos de un segundo. Su anuncio también dice que su puntuación de 71.6% en τ-Voice es comparable a GPT-Live-1 (Astra) con 40% menos latencia.

Fuentes

• Anuncio de xAI: Grok Voice 3.0 (14 de octubre de 2026)
• Documentación de xAI: voz a voz y resumen de voz
• Precios de xAI, límites de peticiones y notas de la versión
• xAI Custom Voices

Todo comprobado el 19 de octubre de 2026.