Grok Voice 3.0: apa yang baru, harga API, dan cara memakainya

Grok Voice 3.0 adalah model ucapan ke ucapan dari xAI untuk agen suara waktu nyata, diumumkan pada 14 Oktober 2026. Anda berbicara, model mendengar dan menjawab dengan suaranya sendiri lewat satu koneksi WebSocket: audio masuk dan keluar langsung.

Orang yang membangun agen suara memperhatikan tiga hal: seberapa baik model mendengar dan berpikir, biaya per menit, dan berapa banyak kode yang berubah. Untuk Grok Voice 3.0 jawabannya: peringkat pertama indeks ucapan ke ucapan Artificial Analysis (86.9 menurut xAI), $0.08 per menit, dan tanpa perubahan kode jika Anda sudah memanggil grok-voice-latest.

Jawaban singkat

• Harga sama, model lebih baik. Grok Voice 3.0 menggantikan Grok Voice 2.0 dengan harga yang sama, $0.08 per menit, di endpoint yang sama dan dengan event sesi yang sama.
• Semua skor yang dibandingkan xAI lebih tinggi: 86.9 versus 81.3 di indeks ucapan ke ucapan, dan 97.0% versus 95.1% dalam menangani jeda dan interupsi.
• Koneksi lewat WebSocket di wss://api.x.ai/v1/realtime. API mengikuti format Realtime dari OpenAI, jadi SDK OpenAI berjalan setelah base URL diganti.
• Mendukung 20+ bahasa dengan 28 suara bawaan, dan bisa memanggil alat seperti pencarian web atau fungsi Anda sendiri di tengah percakapan.

Apa itu Grok Voice 3.0?

Model ucapan ke ucapan: audio masuk, audio keluar, dan model bernalar di antaranya. xAI menyebutnya «model ucapan ke ucapan untuk agen suara waktu nyata». Model ini menangani jutaan percakapan per hari di mobil Tesla, menjalankan mode suara Grok Bot, dan pusat panggilan Starlink menjawab 20.000 panggilan per hari dengan Grok Voice.

ID modelnya grok-voice-3.0. Alias grok-voice-latest mengarah ke model ini sejak hari peluncuran, jadi setiap sesi yang memakai alias sudah diperbarui otomatis. Grok Voice 2.0 kini ditandai usang.

Apa yang berubah dari Grok Voice 2.0?

Semua skor yang dibandingkan xAI naik, sementara harga dan API tetap sama. Angkanya berasal dari pengumuman xAI, yang mengutip pengujian Artificial Analysis pada 13 Oktober 2026.

Di tabela yang sama, GPT-Live-1 (Astra) berada di 83.2 pada indeks dan Gemini 3.8 Live di 82.6, dan Grok Voice 3.0 memimpin keduanya di kelima baris.

Full Duplex Bench mengukur seberapa alami model menangani jeda, giliran bicara, dan interupsi, bagian yang paling terasa oleh penelepon. xAI juga menyebut model menjawab dalam waktu kurang dari satu detik.

Model berpikir sebelum berbicara. Penalaran aktif secara default dan bisa dimatikan per sesi saat kecepatan lebih penting daripada kedalaman. Sebuah sesi juga bisa memanggil alat sambil berbicara: pencarian file, pencarian web, pencarian X, server MCP jarak jauh, dan fungsi Anda sendiri.

Berapa harga API Grok Voice?

Menurut halaman harga xAI, Grok Voice 3.0 berharga $0.08 per menit audio, atau $4.80 per jam. Halaman yang sama juga mencantumkan «$0.004 / text input» untuk model yang sama tanpa menyebut satuannya.

Jika hanya butuh satu arah, xAI menghitung terpisah: teks ke suara $15 per juta karakter, dan suara ke teks $0.10 per jam ($0.20 per jam untuk streaming).

Bagaimana cara terhubung?

Anda membuka WebSocket ke wss://api.x.ai/v1/realtime, mengirim model sebagai parameter kueri, mengatur sesi, lalu mengirim audio dua arah. Berikut panduan cepat Python dari dokumentasi xAI, disalin apa adanya:

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:
        # Atur sesi
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "voice": "eve",
                "instructions": "You are a helpful assistant.",
                "turn_detection": {"type": "server_vad"}
            }
        }))

        # Kirim pesan teks
        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"}))

        # Terima balasan audio dan teks
        async for msg in ws:
            event = json.loads(msg)
            print(f"Event: {event['type']}")

asyncio.run(voice_agent())

Untuk mengunci model baru alih-alih alias, gunakan model=grok-voice-3.0. Beberapa detail menentukan apakah panggilan pertama Anda berhasil:

Suara dan bahasa apa saja?

Dokumentasi mencantumkan 28 suara bawaan, dengan eve sebagai default, dan setiap suara bisa berbicara dalam semua bahasa yang didukung. API ucapan ke ucapan mendukung lebih dari 20 bahasa. API ini mengenali bahasa penelepon, menjawab dalam bahasa itu, dan bisa berganti bahasa di tengah percakapan.

Dengan API Custom Voices dari xAI, suara juga bisa dikloning dari klip referensi berdurasi hingga dua menit. Setiap tim bisa membuat hingga 30 suara khusus secara gratis, tetapi fitur ini hanya tersedia di Amerika Serikat, kecuali Illinois.

xAI menyatakan audio suara diproses secara waktu nyata dan tidak disimpan atau dipakai untuk pelatihan.

Bisakah Grok Voice 3.0 dipakai lewat OmniaKey?

Belum. OmniaKey tidak menyediakan Grok Voice, jadi panggilan memakai kunci API xAI. Jika Anda juga memakai model teks dan gambar Grok, Grok 4.7 dan Grok Imagine 2.0 berjalan di OmniaKey dengan satu kunci, bersama Claude, GPT, dan Gemini. Panduan API Grok Imagine membahas sisi gambarnya.

Pertanyaan umum

Apakah Grok Voice 3.0 gratis?

API ini berbayar: halaman harga xAI mencantumkan $0.08 per menit audio. Jika Anda hanya ingin berbicara dengan Grok, aplikasi Grok di web, iOS, dan Android punya mode suara bebas genggam.

Apakah kode dari Grok Voice 2.0 perlu diubah?

Tidak. Endpoint, pengaturan sesi, dan event-nya sama, dan grok-voice-latest sudah mengarah ke 3.0. Hanya kode yang dipatok ke grok-voice-2.0 yang perlu nama model baru.

Apakah bisa dipakai dengan SDK OpenAI?

Bisa. Panduan migrasi xAI menyebut aplikasi yang dibangun di atas OpenAI Realtime API perlu tiga perubahan: base URL (https://api.x.ai/v1), kunci API, dan nama model.

Seberapa cepat Grok Voice 3.0 merespons?

xAI menyebut jawaban muncul dalam waktu kurang dari satu detik. Pengumumannya juga menyebut skor 71.6% di τ-Voice setara dengan GPT-Live-1 (Astra), dengan latensi 40% lebih rendah.

Sumber

• Pengumuman xAI: Grok Voice 3.0 (14 Oktober 2026)
• Dokumentasi xAI: ucapan ke ucapan dan ringkasan suara
• Harga xAI, batas laju dan catatan rilis
• xAI Custom Voices

Diperiksa pada 19 Oktober 2026.