Conoce al agente de voz Grok
En esta página
Actualizado el 3 de noviembre de 2026. Grok Voice 3.0, lanzado el 14 de octubre de 2026, sustituye a la versión obsoleta Grok Voice 2.0 manteniendo el mismo precio de 0,08 $ por minuto, y el alias
grok-voice-latestapunta ahora 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. Fuentes: Precios · Límites de tasa.
Un agente de voz conversacional en tiempo real
La API del Agente de Voz Grok te permite crear asistentes que mantienen conversaciones habladas en directo con tus usuarios. Lo que lo diferencia de una configuración clásica es la arquitectura. El enfoque tradicional encadena tres servicios, cada uno detrás de su propia llamada HTTP: reconocimiento de voz a texto, generación de una respuesta en texto y, finalmente, síntesis de texto a voz. El Agente de Voz, en cambio, transmite todo a través de una única conexión WebSocket persistente. El usuario habla y el modelo escucha, entiende y responde en voz alta, sin necesidad de un viaje de ida y vuelta triple a través de la red.

Notarás la diferencia de inmediato. Una canalización de tres pasos deja un hueco de varios cientos de milisegundos después de cada frase. Una conversación con el Agente de Voz se siente más como una llamada telefónica: la otra parte retoma donde lo dejaste, puedes interrumpir y la conversación continúa. Esa continuidad es lo que separa un menú telefónico que los clientes toleran de un asistente con el que están encantados de hablar.
Cómo funciona la conexión
Todo se ejecuta sobre WebSocket, lo que mantiene un canal bidireccional abierto entre tu aplicación y xAI. Conéctate al punto final wss://api.x.ai/v1/realtime e incluye tu clave de API en la cabecera de autorización, tal como harías en una llamada REST:
const ws = new WebSocket("wss://api.x.ai/v1/realtime", {
headers: {
"Authorization": "Bearer " + XAI_API_KEY
}
});
El servidor responde con un evento session.created para confirmar que la conexión está abierta. No trates la conexión como lista hasta que llegue ese evento: es tu señal para enviar la configuración en un mensaje session.update. Una aplicación que envía su configuración antes de que aparezca session.created puede comportarse de forma errática al iniciarse.
El bucle de audio
Una vez configurada la sesión, los datos fluyen en un bucle bien definido. Tu aplicación captura el audio del micrófono, lo codifica en base64 y lo envía en pequeños fragmentos mediante input_audio_buffer.append. Esa entrada es continua: no esperas a que el usuario termine una frase para empezar a enviar. Mientras tanto, el servidor ejecuta la detección de actividad de voz (VAD), que identifica por sí sola cuándo el usuario empieza y deja de hablar. Grok procesa entonces lo dicho, lo interpreta en el contexto de la conversación y genera una respuesta. El audio de la respuesta te llega transmitido mediante response.output_audio.delta, fragmento a fragmento, también en base64.
La ventaja de este diseño es que no tienes que escribir ninguna lógica de turnos de palabra. No decides cuándo ha terminado el usuario ni activas tú mismo la generación. El servidor se encarga de ello y tú solo tienes que reproducir el audio a medida que llega. El bucle se repite hasta que finaliza la conversación.
Qué puede hacer el agente mientras habla
El Agente de Voz puede hacer algo más que conversar: puede llamar a herramientas en mitad de una conversación. Dispone de búsqueda web para información en tiempo real, búsqueda en X para publicaciones en la plataforma, funciones personalizadas para llamar a tus propias API, búsqueda de archivos para explorar colecciones de documentos vectorizados y conexiones a servidores MCP (Model Context Protocol) para acceder a herramientas externas estandarizadas.
Así es como funciona en la práctica. Un cliente llama para consultar el estado de un pedido. Mientras el agente le entretiene con una o dos frases, consulta tu base de datos mediante una función personalizada y luego lee en voz alta la fecha de entrega. O imagina un asistente de programación que consulta un calendario a través de un servidor MCP y ofrece inmediatamente tres franjas horarias. En cualquier caso, el usuario no percibe que se haya llamado a ninguna API.
Restricciones que debes planificar desde el primer día
Dos límites condicionan tu arquitectura. El primero es el número de sesiones simultáneas: 10 en el nivel de entrada, y luego 20, 50, 100 y 200 dependiendo del nivel de tu equipo. Compara ese número con tu volumen máximo de llamadas antes de pasar a producción. El segundo es el coste: 0,08 $ por minuto, o 4,80 $ por hora, más 0,004 $ por entrada de texto. La facturación se realiza por minuto, así que cierra las sesiones que nadie esté utilizando. La documentación actual no establece una duración máxima de sesión. Para conversaciones largas, o tras una conexión interrumpida, la reanudación de la sesión reproduce el historial, que se conserva durante 30 minutos después de la última actividad. El audio utiliza por defecto PCM a 24 kHz, pero puedes cambiar el formato para adaptarlo a tu canal.
Precios verificados el 3 de noviembre de 2026. Los precios cambian con frecuencia: antes de presupuestar nada, consulta las tarifas actuales en la página oficial de precios de xAI.
Puntos clave
- El Agente de Voz Grok funciona sobre WebSocket para conversaciones de voz en tiempo real
- La detección de actividad de voz (VAD) se ejecuta en el servidor, lo que simplifica tu código
- El agente puede utilizar herramientas (web, X, funciones, archivos, MCP) durante la conversación
- Cuesta 0,08 $ por minuto (4,80 $ por hora); las sesiones simultáneas oscilan entre 10 y 200 dependiendo de tu nivel