xAI lança o Grok Voice 3.0 a US$ 0,08 por minuto

A empresa de IA xAI lançou o Grok Voice 3.0 em 14 de outubro de 2026. É um modelo de voz para voz feito para criar agentes de voz. Ele custa US$ 0,08 por minuto na Voice Agent API, o mesmo que o modelo que substitui. Segundo a empresa, ele agora ocupa o primeiro lugar no Speech-to-Speech Index da Artificial Analysis. Isso importa porque os agentes de voz estão chegando às centrais de atendimento. Um modelo melhor pelo mesmo preço reduz o custo de cada chamada.

O que é o Grok Voice 3.0

Um modelo de voz para voz ouve o áudio e responde diretamente em áudio. Ele pula a cadeia antiga, que convertia a fala em texto, rodava um modelo de texto e transformava a resposta de volta em fala. Esse atalho faz uma conversa por telefone com uma IA parecer menos atrasada.

O Grok Voice 3.0 roda na Voice Agent API da xAI. Ele transmite áudio e texto nos dois sentidos por um WebSocket, uma conexão que fica aberta para dados ao vivo, informa o Blockchain.News. Agora ele é o principal modelo de voz da xAI, e o Grok Voice 2.0 foi descontinuado.

Preço e migração

O preço continua em US$ 0,08 por minuto, cerca de US$ 4,80 por hora, o mesmo do Grok Voice 2.0. O AI Weekly, citando o SiliconANGLE, coloca os modelos de voz concorrentes entre US$ 0,10 e US$ 0,18 por minuto.

Para muitos desenvolvedores, a mudança não exige trabalho. Apps que apontam para grok-voice-latest passaram automaticamente para a versão 3.0, segundo o Blockchain.News. O endpoint, as configurações de sessão e os eventos não mudam. Apps do lado do cliente continuam usando tokens de curta duração.

Os números de desempenho

O número principal da xAI é uma pontuação de 86,9 no Speech-to-Speech Index da Artificial Analysis, um grupo que avalia modelos de IA:

Modelo	Speech-to-Speech Index
Grok Voice 3.0	86,9
GPT-Live-1 (OpenAI)	83,2
Gemini 3.8 Live (Google)	82,6
Grok Voice 2.0	81,3

O anúncio da xAI traz mais resultados, com dados da Artificial Analysis de 13 de outubro. No teste de raciocínio Big Bench Audio, o Grok Voice 3.0 marca 98,5%, com custo médio de US$ 0,025 por tarefa. O GPT-Live-1 marca 90,1% e US$ 0,030. Mesmo assim, a tabela não é uma vitória completa. No τ-Voice, um teste em que agentes de voz concluem tarefas, o GPT-Live-1 marca 74,5%, contra 71,6% do Grok Voice 3.0.

A xAI também informa 97% no Full Duplex Bench, que testa falar e ouvir ao mesmo tempo, e 74% no EVA-Bench, um teste aberto da ServiceNow. Nitin Aggarwal, Senior Director of Product Management for Agentic Evals and RAI da ServiceNow, disse que o modelo "estabelece uma nova fronteira de Pareto no EVA-Bench". A empresa também afirma uma latência abaixo de um segundo, 40% menor que a do GPT-Live-1 com precisão comparável no τ-Voice.

Onde ele já roda

Segundo a xAI, o modelo já lida com tráfego real. As centrais de atendimento da Starlink recebem cerca de 20.000 chamadas por dia em vários idiomas. Cerca de 70% são resolvidas sem ajuda humana. Uma em cada quatro chamadas de vendas termina em compra antes de a ligação ser encerrada, segundo a xAI. A Tesla o usa para tarefas sem as mãos em seus carros.

O AI Weekly observa que nenhuma auditoria independente confirma os números da Starlink.

O que isso significa para desenvolvedores

Se você já usa o Grok Voice por meio de grok-voice-latest, agora está na versão 3.0. Rode de novo suas próprias gravações de chamadas e roteiros de teste. Um modelo novo pode mudar o tom, o ritmo e a forma de lidar com interrupções, mesmo que a API seja a mesma.

Se você fixa uma versão específica do modelo, planeje a mudança para a 3.0 antes que a 2.0 seja desligada, já que ela agora está descontinuada.

Para equipes que comparam fornecedores de voz, o custo por minuto é o número fácil. Passe as mesmas 50 chamadas reais por cada candidato. Meça a taxa de resolução e as transferências para pessoas, as métricas que a própria xAI destaca. Pontuações de testes raramente correspondem a um roteiro de chamada específico.

Trate os números de uso como marketing até que alguém de fora da xAI os confirme. Uma taxa de autoatendimento de 70% é uma afirmação forte. Ela depende muito do tipo de chamada que uma central recebe.