Grok Voice: Agentes de Voz e 21 Novas Vozes
Nesta página
Atualizado em 2 de novembro de 2026 — voz. O Grok Voice 3.0 (14 de outubro de 2026) substitui o antigo Grok Voice 2.0 pelo mesmo preço de 0,08 USD por minuto; o alias
grok-voice-latestaponta para a versão 3.0. Para transcrição, o modelo predefinido é ogrok-voice-transcribe-2.0; a versão 1.0 chegou ao fim do ciclo de vida em 2 de outubro de 2026. Suplemento de 3 de novembro de 2026: A tabela abaixo foi atualizada (agente de voz a 4,80 USD por hora em vez dos 3 USD registados em 28 de julho) e o catálogo inclui agora 28 vozes integradas. Fontes: Preços · Texto para Fala.
A divisão de voz da xAI foi durante muito tempo o irmão discreto da gama: uma API sólida e bem documentada, mas efetivamente reservada a equipas com capacidade de desenvolvimento. No início de julho de 2026, dois anúncios sucessivos alteraram este cenário. Merecem ser lidos em conjunto, pois delineiam duas portas de entrada distintas para o mesmo produto.
Dois anúncios, dois públicos-alvo
O primeiro surgiu a 1 de julho: o Voice Agent Builder. Esta ferramenta promete a criação de um agente de voz personalizado «em menos de 2 minutos, sem escrever uma linha de código». Na prática, define o papel do agente, escolhe a sua voz, fornece os seus conhecimentos e procede à implementação — tudo através de uma interface, sem programação. Este é exatamente o público que faltava à oferta de voz da xAI: o gestor empresarial que deseja prototipar uma linha de apoio ou uma central telefónica automatizada sem imobilizar uma equipa de desenvolvimento. A API não desaparece; continua a ser o caminho para integrações profundas, onde o agente de voz deve conversar com o seu CRM ou sistema de gestão de tickets.
Cinco dias depois, a 6 de julho, a xAI anunciou 21 novas vozes «principais» multilingues para o Grok Voice, melhorando simultaneamente a naturalidade das cinco originais. Para si, esta expansão multilingue é crucial: um agente de voz em inglês só é credível se a própria voz o for. Antes de fixar uma escolha para um projeto, reserve tempo para ouvir as vozes disponíveis no seu idioma de destino — a qualidade da produção varia significativamente de uma voz para outra, e alterar as vozes após o lançamento de um serviço de atendimento ao cliente é sempre mais difícil do que escolher bem desde o início.
Quanto custa a Voice API
A grelha de preços publicada em docs.x.ai (registada em 3 de novembro de 2026) resume-se a quatro linhas e consiste em dados tabulares diretos:
| Componente | Preço |
|---|---|
| Agente de voz (tempo real, grok-voice-3.0) | 0,08 USD por minuto, ou 4,80 USD por hora, mais 0,004 USD por entrada de texto |
| Texto para fala (TTS) | 15 USD por milhão de carateres |
| Transcrição em lote (STT batch) | 0,10 USD por hora |
| Transcrição em fluxo contínuo (STT streaming) | 0,20 USD por hora |
A linha mais interessante é a primeira, e não apenas pelo valor. O agente de voz é faturado por hora, não por token. A consequência direta: o orçamento para um centro de contactos ou linha de apoio calcula-se rapidamente. Se o seu serviço gerir 200 horas de conversação por mês, sabe que a fatura será de 960 USD — independentemente da verbosidade da troca ou da complexidade da resposta. Este é um modelo de custos que as equipas financeiras compreendem imediatamente, ao passo que a faturação baseada em tokens exige projeções sempre frágeis.
A diferença entre os dois modos de transcrição também conta uma história. A transcrição em lote custa 0,10 USD por hora, enquanto a transcrição em fluxo contínuo custa 0,20 USD: o tempo real custa exatamente o dobro. Este é o padrão clássico da indústria e exige um reflexo simples: só pague pelo fluxo contínuo onde a imediação serve verdadeiramente o caso de uso. Legendas em reuniões ao vivo justificam o tempo real; transcrever gravações de chamadas para análise posterior, nunca — o lote faz o mesmo trabalho por metade do preço.
O que isto muda para os seus conhecimentos existentes
Se frequentou os nossos cursos «Grok Voice e Áudio», «Voice Agent API» e «TTS API», nada do que aí aprendeu está obsoleto. Os mecanismos de implementação — WebSocket em tempo real, deteção de atividade de voz (VAD), formatos de áudio — permanecem exatamente como descritos nesses cursos. O que se adiciona é uma camada superior: uma ferramenta sem código para prototipagem rápida, um catálogo de vozes significativamente expandido e a grelha de preços acima, atualizada, que lhe permite estimar o custo de um projeto antes de escrever a primeira linha.
Na prática, a abordagem correta para uma equipa nova nesta matéria consiste agora em fazer a prototipagem no Voice Agent Builder — dois minutos são suficientes para ouvir como soaria o seu caso de uso — e depois, se o protótipo for convincente, migrar para a API para a integração real. A ordem inversa, começar pelo código, já não faz sentido para validar uma ideia.
Fonte oficial: docs.x.ai/developers/models e x.ai/news
Pontos-chave
- Voice Agent Builder: crie um agente de voz sem código (1 de julho)
- 21 novas vozes multilingues anunciadas a 6 de julho; 28 vozes no catálogo a partir de 3 de novembro
- Agente de voz: 4,80 USD por hora (registado em 3 de novembro; 3 USD no registo de 28 de julho) — um orçamento calculado em tempo, não em tokens
- Transcrição: 0,10 USD/hora em lote, 0,20 USD/hora em fluxo contínuo — pague pelo tempo real com discernimento