Agente de voz y TTS
En esta página
Actualizado el 3 de noviembre de 2026. Basado en las páginas de Pricing, Rate Limits, Text to Speech y las notas de la versión de xAI: agente de voz a 0,08 $ por minuto (no 0,05 $), TTS a 15 $ por millón de caracteres (no 4,20 $), sesiones simultáneas por nivel (no 100, ni 30 minutos por sesión), TTS disponible desde marzo de 2026; los niveles se aplican automáticamente a los modelos de voz, Imagine requiere contactar con ventas. Fuentes: Pricing · Rate limits · Release notes.
Capacidades de audio de Grok
xAI ofrece dos servicios de audio a través de su API: el Agente de voz (API de voz a voz), disponible desde diciembre de 2025, para conversaciones de voz en tiempo real, y Texto a voz (TTS), disponible desde marzo de 2026, para síntesis de voz. Estos servicios te permiten construir interfaces de conversación por voz completas, desde sistemas telefónicos automatizados hasta asistentes de voz integrados.
API del Agente de voz
La API del Agente de voz te permite crear conversaciones de voz bidireccionales en tiempo real. El usuario habla, el modelo escucha, entiende y responde oralmente, todo ello con una latencia lo suficientemente baja como para mantener una conversación natural.
Características clave
- Modelo:
grok-voice-3.0, al que apunta el aliasgrok-voice-latest - Sesiones simultáneas: 10 en el nivel de entrada, y luego 20, 50, 100 y 200 según el nivel
- Precio: 0,08 $ por minuto, o 4,80 $ por hora, más 0,004 $ por entrada de texto
- Tiempo real: latencia optimizada para una conversación natural
Casos de uso
El Agente de voz está diseñado para escenarios en los que la interacción por voz aporta más valor que el texto:
- Atención al cliente automatizada — saludo telefónico, enrutamiento de llamadas, respuestas a preguntas frecuentes
- Asistentes de voz integrados — en aplicaciones móviles o dispositivos IoT
- Tutoría por voz — apoyo educativo mediante voz
- Accesibilidad — interfaz de voz para usuarios que no pueden o prefieren no escribir
Consideraciones de coste
Con un precio de 4,80 $ por hora, el Agente de voz resulta económico para interacciones cortas y ocasionales. Sin embargo, el coste puede volverse significativo para servicios de alto volumen. Un centro de llamadas que gestione 1.000 horas de conversación al mes supondría un presupuesto de 4.800 $.
El sistema de niveles también se aplica a los modelos de voz, al igual que a los de texto: el nivel depende de tu gasto acumulado y nunca disminuye. No obstante, para aumentar los límites de Imagine, debes contactar con el equipo de ventas de xAI.
Texto a voz (TTS)
El servicio TTS convierte texto en voz utilizando voces sintéticas de alta calidad. Se factura en función del volumen de texto convertido.
Precios y límites
| Servicio | Coste | Límite |
|---|---|---|
| Texto a voz | 15 $ / 1 M de caracteres | 50 solicitudes por segundo y 100 sesiones simultáneas en el nivel de entrada |
Para estimar tus costes: convertir un artículo de blog de 5.000 caracteres a audio costaría unos 0,075 $. Un audiolibro de 500.000 caracteres costaría aproximadamente 7,50 $.
Voces disponibles
xAI ofrece 28 voces integradas (a fecha de 3 de noviembre de 2026), comunes tanto para TTS como para el Agente de voz, con diversos tonos y usos, así como voces personalizadas creadas a partir de un clip breve. Seleccionas la voz en el momento de la solicitud a la API, lo que te permite adaptarla al contexto: una voz profesional para un informe, una voz cálida para un tutorial.
Aplicaciones de TTS
- Pódcasts automatizados — transforma tus artículos de blog en contenido de audio
- Narración — añade una capa de audio a tus aplicaciones educativas
- Accesibilidad — haz que el contenido de texto sea accesible para usuarios con discapacidad visual
- Notificaciones de voz — alertas y recordatorios hablados en aplicaciones
- Contenido multilingüe — genera versiones de audio en diferentes idiomas
Agente de voz frente a TTS: ¿qué servicio elegir?
La distinción es sencilla:
- Agente de voz: para conversaciones interactivas en tiempo real. El usuario habla, el modelo responde. Es bidireccional.
- TTS: para la conversión unidireccional de texto a voz. Sin interacción, solo síntesis de voz.
Si estás construyendo un asistente conversacional, necesitarás el Agente de voz. Si simplemente quieres leer texto en voz alta, TTS es suficiente.
Integración en una arquitectura existente
Los servicios de audio de Grok se integran en la misma API que los modelos de texto e imagen. Utilizas las mismas claves de API, el mismo sistema de facturación y el mismo panel de control en console.x.ai.
Esta unificación simplifica considerablemente la arquitectura: un único proyecto puede usar Grok 4.5 para el razonamiento, grok-build-0.1 para código, Grok Imagine para elementos visuales y el Agente de voz para la interacción oral, todo ello con una sola cuenta de desarrollador.
Precios verificados el 3 de noviembre de 2026 — los precios cambian con regularidad: antes de realizar cualquier cálculo presupuestario, consulta la tarifa actual en la página oficial de precios de xAI.
Puntos clave
- El Agente de voz cuesta 0,08 $/min (4,80 $/h) para conversaciones en tiempo real
- TTS cuesta 15 $ por millón de caracteres para síntesis de voz
- Agente de voz: de 10 a 200 sesiones simultáneas según el nivel
- TTS: 100 solicitudes simultáneas
- Agente de voz = bidireccional, TTS = unidireccional
- Las actualizaciones de nivel para Voz/Imagine requieren una solicitud manual