Ir al contenido principal
Español— Elegir un idioma
Menú

Grok Voice: conversaciones habladas

Lección 13 de 16 Actualizado el 3 de noviembre de 2026 Principiante
En esta página
  1. Habla con Grok
  2. Agente de Voz: conversación en tiempo real
  3. Síntesis de voz (TTS): leer texto en voz alta
  4. Qué cambia la voz para las empresas
  5. Cuánto cuesta
  6. Puntos clave

Actualizado el 3 de noviembre de 2026, basándose en las páginas de xAI Text to Speech, Speech to Speech, Pricing y Rate limits: 28 voces integradas, precios actuales, sesiones simultáneas por nivel y un ejemplo de código que utiliza el endpoint POST /v1/tts de xAI. Fuentes: Text to Speech · Pricing · Rate limits.

Habla con Grok

Después del texto y las imágenes llega la voz. Puedes mantener conversaciones habladas reales con el asistente, pero lo primero que debes hacer es distinguir entre dos servicios que la gente suele confundir: el Agente de Voz (Voice Agent), diseñado para conversaciones interactivas en tiempo real, y la síntesis de voz (TTS), que simplemente convierte texto en audio. El primero escucha y responde; el segundo lee. Elegir el incorrecto es la razón más habitual por la que los proyectos de voz fracasan.

Agente de Voz de Grok

Agente de Voz: conversación en tiempo real

El Agente de Voz es el servicio más inmersivo: te permite hablar directamente con Grok como lo harías con una persona. Funciona sobre una conexión WebSocket que transporta audio bidireccional en tiempo real. Hablas por tu micrófono, Grok escucha y entiende tu mensaje de forma continua y luego responde en voz alta; la detección de turnos, o VAD, gestiona los silencios y las transiciones automáticamente. Este último punto es lo que separa una conversación de un intercambio de mensajes de voz: puedes dudar sin que el sistema crea que has terminado e interrumpirlo si toma un rumbo equivocado.

Hay disponibles veintiocho voces integradas (a fecha de 3 de noviembre de 2026), cada una con su propia personalidad, y debes elegirlas en función del caso de uso y no del gusto personal. Las cinco voces originales, tal como las describe xAI:

VozCarácter
EveEnérgica y optimista, acento británico
AraCálida y amigable
RexSegura y clara
SalFluida y equilibrada
LeoAutoritaria y potente, acento británico

Las otras veintitrés, más recientes, están agrupadas por xAI según su caso de uso (atención al cliente, narración, educación, publicidad, bienestar) en la página Text to Speech de su documentación.

La entrega va más allá del timbre de la voz. Las etiquetas expresivas enriquecen las respuestas: las pausas marcan un ritmo natural, las risas aligeran un momento y los susurros crean una sensación de cercanía. Usadas con moderación, marcan la diferencia entre una voz aceptable y una que la gente escucha hasta el final; en cada frase, tienen el efecto contrario.

El Agente de Voz también puede llamar a herramientas durante la conversación: búsquedas web en tiempo real, consultas a bases de datos o llamadas a API personalizadas. Pides en voz alta información actualizada y Grok responde en voz alta con el resultado. Un asistente de soporte puede comprobar el estado real de un pedido en lugar de recitar un procedimiento genérico.

Síntesis de voz (TTS): leer texto en voz alta

El TTS satisface una necesidad más sencilla: convertir texto escrito en audio hablado. Se utiliza para generar narraciones para vídeos o pódcasts, producir mensajes de voz automatizados, hacer accesible el contenido textual a personas con baja visión y difundir anuncios y notificaciones de voz. El servicio cubre veinte idiomas y también puede detectar el idioma automáticamente.

La llamada a la API requiere apenas unas líneas:

import os
import requests

response = requests.post(
    "https://api.x.ai/v1/tts",
    headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
    json={
        "text": "Bienvenido a este curso sobre Grok.",
        "voice_id": "eve",
        "language": "en",
    },
)
with open("welcome.mp3", "wb") as f:
    f.write(response.content)

El resultado es un archivo de audio MP3, listo para reproducir o integrar en una edición.

Qué cambia la voz para las empresas

El primer ámbito es la atención al cliente: desplegado como asistente de voz, el Agente de Voz gestiona preguntas frecuentes y realiza búsquedas en tiempo real, absorbiendo el volumen repetitivo sin hacer esperar a los llamantes. La misma lógica se extiende a la telefonía existente: xAI puede atender tus números directamente mediante SIP, y marcos de trabajo como LiveKit o Pipecat se integran sin necesidad de reconstruir tu infraestructura de llamadas.

El TTS sirve principalmente para la producción de contenidos: tus artículos, informes y presentaciones obtienen una versión de audio, con una voz elegida según el tono que desees. En ambos casos, la accesibilidad merece formar parte del diseño desde el inicio en lugar de añadirse después: estas capacidades hacen que la IA sea utilizable para personas que las interfaces de texto dejan fuera.

Cuánto cuesta

El Agente de Voz cuesta 0,08 $ por minuto, o 4,80 $ por hora, más 0,004 $ por entrada de texto; en el nivel de entrada, un equipo puede abrir 10 sesiones simultáneas, y hasta 200 en niveles superiores. La síntesis de voz (TTS) cuesta 15 $ por millón de caracteres, con 50 solicitudes por segundo y 100 sesiones simultáneas en el nivel de entrada. Consulta estos límites de concurrencia antes de cualquier lanzamiento público: determinan cuántas llamadas puedes gestionar en paralelo, y una campaña que los exceda resulta en llamantes en espera, no en una factura más alta.

Precios verificados el 3 de noviembre de 2026. Los precios cambian a menudo: antes de presupuestar nada, consulta las tarifas actuales en la página oficial de precios de xAI.

Puntos clave

  • El Agente de Voz permite conversaciones habladas en tiempo real con Grok a través de WebSocket
  • Hay disponibles 28 voces integradas, con diferentes personalidades y casos de uso
  • El TTS convierte texto a audio (MP3 por defecto) en 20 idiomas
  • El Agente de Voz puede utilizar herramientas (búsqueda web, API) durante la conversación
  • Se admiten protocolos de telefonía estándar para la integración empresarial