Grok Voice: Agentes de voz y 21 nuevas voces
En esta página
Actualizado el 2 de noviembre de 2026 — voz. Grok Voice 3.0 (14 de octubre de 2026) sustituye a la versión obsoleta Grok Voice 2.0 manteniendo el mismo precio de 0,08 $ por minuto; el alias
grok-voice-latestapunta a la versión 3.0. Para la transcripción, el modelo predeterminado esgrok-voice-transcribe-2.0; la versión 1.0 llegó al final de su vida útil el 2 de octubre de 2026. Suplemento del 3 de noviembre de 2026: La tabla siguiente está actualizada (el agente de voz cuesta 4,80 $ por hora en lugar de los 3 $ registrados el 28 de julio) y el catálogo incluye ahora 28 voces integradas. Fuentes: Precios · Texto a voz.
La división de voz de xAI fue durante mucho tiempo la hermana discreta de la gama: una API sólida y bien documentada, pero efectivamente reservada a equipos con capacidad de desarrollo. A principios de julio de 2026, dos anuncios sucesivos cambiaron esta situación. Merece la pena leerlos juntos, ya que delinean dos puntos de entrada distintos hacia un mismo producto.
Dos anuncios, dos públicos
El primero llegó el 1 de julio: el Voice Agent Builder. Esta herramienta promete la creación de un agente de voz personalizado «en menos de 2 minutos, sin escribir una sola línea de código». En la práctica, defines el rol del agente, eliges su voz, proporcionas sus conocimientos y lo despliegas, todo desde una interfaz y sin programar. Este es precisamente el público que faltaba en la oferta de voz de xAI: el gestor empresarial que desea prototipar una línea de atención o una centralita automatizada sin inmovilizar a un equipo de desarrollo. La API no desaparece; sigue siendo la vía para integraciones profundas, donde el agente de voz debe conversar con tu CRM o sistema de tickets.
Cinco días después, el 6 de julio, xAI anunció 21 nuevas voces «insignia» multilingües para Grok Voice y mejoró la naturalidad de las cinco originales en el proceso. Para ti, esta expansión multilingüe es crucial: un agente de voz en inglés solo es creíble si la propia voz lo es. Antes de fijar una elección para un proyecto, tómate tiempo para escuchar las voces disponibles en tu idioma objetivo; el resultado varía significativamente de una voz a otra, y cambiar de voz después de lanzar un servicio de atención al cliente siempre es más difícil que elegir bien desde el principio.
Cuánto cuesta la API de voz
La tabla de precios publicada en docs.x.ai (registrada el 3 de noviembre de 2026) cabe en cuatro líneas y se trata de datos tabulares sencillos:
| Componente | Precio |
|---|---|
| Agente de voz (tiempo real, grok-voice-3.0) | 0,08 $ por minuto, o 4,80 $ por hora, más 0,004 $ por entrada de texto |
| Texto a voz (TTS) | 15 $ por millón de caracteres |
| Transcripción por lotes (STT batch) | 0,10 $ por hora |
| Transcripción en streaming (STT streaming) | 0,20 $ por hora |
La línea más interesante es la primera, y no solo por la cifra. El agente de voz se factura por hora, no por token. La consecuencia directa: el presupuesto para un centro de llamadas o una línea de atención se calcula rápidamente. Si tu servicio gestiona 200 horas de conversación al mes, sabes que la factura será de 960 $, independientemente de la verbosidad del intercambio o de la complejidad de la respuesta. Este es un modelo de costes que los equipos financieros entienden de inmediato, mientras que la facturación basada en tokens requiere proyecciones siempre frágiles.
La diferencia entre los dos modos de transcripción también cuenta una historia. La transcripción por lotes cuesta 0,10 $ por hora y la transcripción en streaming 0,20 $: el tiempo real cuesta exactamente el doble. Este es el patrón clásico de la industria y exige un reflejo sencillo: paga por streaming solo donde la inmediatez sirva realmente al caso de uso. Los subtítulos en reuniones en directo justifican el tiempo real; transcribir grabaciones de llamadas para analizarlas a posteriori, nunca. Los lotes hacen el mismo trabajo por la mitad de precio.
Qué cambia para tus conocimientos actuales
Si has realizado nuestros cursos «Grok Voice y Audio», «API de Agentes de Voz» y «API de TTS», nada de lo que aprendiste allí queda obsoleto. La mecánica de implementación —WebSocket en tiempo real, detección de actividad de voz (VAD), formatos de audio— permanece exactamente como se describió en esos cursos. Lo que se añade es una capa superior: una herramienta sin código para un prototipado rápido, un catálogo de voces significativamente ampliado y la tabla de precios anterior, actualizada, que te permite calcular el coste de un proyecto antes de escribir la primera línea.
En la práctica, el enfoque correcto para un equipo nuevo en la materia consiste ahora en prototipar en el Voice Agent Builder —dos minutos bastan para oír cómo sonaría tu caso de uso— y luego, si el prototipo convence, pasar a la API para la integración real. El orden inverso, empezar con código, ya no tiene sentido para validar una idea.
Fuente oficial: docs.x.ai/developers/models y x.ai/news
Puntos clave para recordar
- Voice Agent Builder: crea un agente de voz sin código (1 de julio)
- 21 nuevas voces multilingües anunciadas el 6 de julio; 28 voces en el catálogo a 3 de noviembre
- Agente de voz: 4,80 $ por hora (registrado el 3 de noviembre; 3 $ en el registro del 28 de julio): un presupuesto calculado en tiempo, no en tokens
- Transcripción: 0,10 $/h por lotes, 0,20 $/h en streaming: paga por el tiempo real con criterio