Grok Voice 3.0: o que mudou, preço da API e como usar

O Grok Voice 3.0 é o modelo de fala para fala da xAI para agentes de voz em tempo real, apresentado em 14 de outubro de 2026. Você fala, ele ouve e responde com a própria voz em uma única conexão WebSocket, com o áudio entrando e saindo direto.

Quem constrói agentes de voz olha três coisas: a qualidade de escuta e raciocínio, o preço de um minuto e o quanto o código muda. No Grok Voice 3.0 as respostas são o primeiro lugar no índice de fala para fala da Artificial Analysis (86.9, segundo a xAI), $0.08 por minuto e nenhuma mudança se você já chama o grok-voice-latest.

Resposta rápida

• Mesmo preço, modelo melhor. O Grok Voice 3.0 substitui o Grok Voice 2.0 com o mesmo preço de $0.08 por minuto, no mesmo endpoint e com os mesmos eventos de sessão.
• Ele supera o Grok Voice 2.0 em todas as notas que a xAI comparou: 86.9 contra 81.3 no índice de fala para fala e 97.0% contra 95.1% no tratamento de pausas e interrupções.
• A conexão é por WebSocket em wss://api.x.ai/v1/realtime. A API segue o formato Realtime da OpenAI, então os SDKs da OpenAI funcionam trocando a base URL.
• Fala mais de 20 idiomas com 28 vozes embutidas, e chama ferramentas como busca na web ou suas próprias funções no meio da conversa.

O que é o Grok Voice 3.0?

É um modelo de fala para fala: o áudio entra, o áudio sai e o modelo raciocina no meio. A xAI descreve como um «modelo de fala para fala para agentes de voz em tempo real». Ele atende milhões de conversas por dia nos carros da Tesla, roda o modo de voz do Grok Bot, e as centrais de atendimento da Starlink respondem 20 mil ligações por dia com o Grok Voice.

O ID do modelo é grok-voice-3.0. O alias grok-voice-latest aponta para ele desde o dia do lançamento, então toda sessão que usa o alias foi atualizada automaticamente. O Grok Voice 2.0 agora está marcado como obsoleto.

O que mudou em relação ao Grok Voice 2.0?

Todas as notas que a xAI comparou sobem, e o preço e a API continuam iguais. Os números vêm do anúncio da xAI, que cita os testes da Artificial Analysis de 13 de outubro de 2026.

Na mesma tabela, o GPT-Live-1 (Astra) aparece com 83.2 no índice e o Gemini 3.8 Live com 82.6, e o Grok Voice 3.0 supera os dois nas cinco linhas.

O Full Duplex Bench mede o quão natural é lidar com pausas, trocas de fala e interrupções, que é onde quem liga mais percebe o agente de voz. A xAI também diz que o modelo responde em menos de um segundo.

O modelo pensa antes de falar. O raciocínio vem ligado por padrão e pode ser desligado por sessão quando a velocidade importa mais que a profundidade. Uma sessão também pode chamar ferramentas enquanto fala: busca de arquivos, busca na web, busca no X, servidores MCP remotos e suas próprias funções.

Quanto custa a API do Grok Voice?

Segundo a página de preços da xAI, o Grok Voice 3.0 custa $0.08 por minuto de áudio, ou $4.80 por hora. A mesma página também lista «$0.004 / text input» para o mesmo modelo, sem dizer qual é a unidade.

Se você só precisa de um sentido, a xAI cobra separado: texto para fala custa $15 por milhão de caracteres, e fala para texto $0.10 por hora ($0.20 por hora em streaming).

Como conectar?

Você abre um WebSocket em wss://api.x.ai/v1/realtime, passa o modelo como parâmetro de consulta, configura a sessão e envia áudio nos dois sentidos. Este é o início rápido em Python da xAI, copiado da documentação:

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

        # Enviar uma mensagem 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"}))

        # Receber as respostas de áudio e texto
        async for msg in ws:
            event = json.loads(msg)
            print(f"Event: {event['type']}")

asyncio.run(voice_agent())

Para fixar o modelo novo em vez do alias, use model=grok-voice-3.0. Alguns detalhes decidem se a primeira chamada funciona:

Quais vozes e idiomas?

A documentação lista 28 vozes embutidas, com eve como padrão, e cada voz fala todos os idiomas suportados. A API de fala para fala suporta mais de 20 idiomas. Ela identifica o idioma de quem fala, responde nele e pode trocar de idioma no meio da conversa.

Com a API Custom Voices da xAI, também é possível clonar uma voz a partir de um clipe de referência de até dois minutos. Cada equipe pode criar até 30 vozes personalizadas de graça, mas o recurso só está disponível nos Estados Unidos, exceto Illinois.

A xAI diz que o áudio é processado em tempo real e nunca é armazenado nem usado para treinamento.

Dá para usar o Grok Voice 3.0 pela OmniaKey?

Hoje não. A OmniaKey não oferece o Grok Voice, então a chamada usa uma chave de API da xAI. Se você também usa os modelos de texto e imagem do Grok, Grok 4.7 e Grok Imagine 2.0 rodam na OmniaKey com uma chave só, ao lado de Claude, GPT e Gemini. O guia da API Grok Imagine cobre o lado da imagem.

Perguntas frequentes

O Grok Voice 3.0 é grátis?

A API é paga: a página de preços da xAI indica $0.08 por minuto de áudio. Se você só quer conversar com o Grok, os aplicativos do Grok na web, no iOS e no Android têm um modo de voz mãos livres.

Preciso mudar o código do Grok Voice 2.0?

Não. O endpoint, as configurações de sessão e os eventos são iguais, e o grok-voice-latest já aponta para o 3.0. Só o código fixado no grok-voice-2.0 precisa do nome novo.

Funciona com o SDK da OpenAI?

Sim. O guia de migração da xAI diz que um app construído sobre a API Realtime da OpenAI precisa de três mudanças: a base URL (https://api.x.ai/v1), a chave de API e o nome do modelo.

Quão rápido é o Grok Voice 3.0?

A xAI diz que ele responde em menos de um segundo. O anúncio também diz que a nota de 71.6% no τ-Voice é comparável à do GPT-Live-1 (Astra), com 40% menos latência.

Fontes

• Anúncio da xAI: Grok Voice 3.0 (14 de outubro de 2026)
• Documentação da xAI: fala para fala e visão geral das vozes
• Preços da xAI, limites de requisições e notas de versão
• xAI Custom Voices

Verificado em 19 de outubro de 2026.