A xAI lançou em 14 de outubro de 2026 o Grok Voice 3.0, modelo que recebe e devolve voz sem passar por texto no meio. Ele estreou em primeiro lugar no índice Speech-to-Speech da Artificial Analysis, com 86,9 pontos, à frente do GPT-Live-1, da OpenAI, com 83,2, e do Gemini 3.8 Live, do Google, com 82,6. O preço na API de agentes de voz seguiu em US$ 0,08 por minuto, e quem usava o Grok Voice 2.0 foi migrado sem mudar nada. No teste de chamadas de suporte e no ranking de preferência humana, porém, o modelo ficou atrás de concorrentes.
Em resumo
- Índice: 86,9 pontos no Speech-to-Speech da Artificial Analysis, em 13/10, contra 83,2 do GPT-Live-1, 82,6 do Gemini 3.8 Live e 81,3 do Grok Voice 2.0.
- Suporte: no τ-Voice, simulação de atendimento, marcou 71,6%, abaixo dos 74,5% do GPT-Live-1. A xAI diz que entrega resultado parecido com latência 40% menor.
- Preço: US$ 0,08 por minuto, igual ao Grok Voice 2.0. Agentes que usam grok-voice-latest foram trocados automaticamente.
- Uso: segundo a xAI, o modelo atende milhões de conversas por dia em carros Tesla e 20 mil chamadas diárias nas centrais da Starlink, com cerca de 70% resolvidas sem humano.
- Ressalva: a tabela da xAI compara com uma versão do Gemini 3.8 Live que está abaixo da versão padrão no ranking humano. O RuntimeWire coloca o Grok em terceiro nesse ranking.
O que a xAI lançou?
O Grok Voice 3.0 é o sucessor do Grok Voice 2.0 e já está disponível na Voice Agent API da xAI. A empresa o chama de modelo de voz para voz mais inteligente do mundo e diz que ele tem latência abaixo de um segundo. Parte da cobertura, como o RuntimeWire e a própria Artificial Analysis, se refere à empresa como SpaceXAI.
A documentação da xAI mostra o pacote em volta do modelo. O acesso é pelo endpoint em tempo real com o modelo grok-voice-latest, com uso de ferramentas e detecção de voz no servidor. Há 28 vozes prontas, clonagem de voz a partir de um trecho de até 120 segundos e reconhecimento de fala em mais de 38 idiomas. A página lista certificação SOC 2 Tipo II, elegibilidade para HIPAA, GDPR e opções de residência de dados.
Como o Grok Voice 3.0 se saiu nos testes?
O índice Speech-to-Speech da Artificial Analysis, com dados de 13 de outubro, junta vários testes. No Big Bench Audio, de raciocínio falado, o Grok Voice 3.0 marcou 98,5%, contra 97,7% do Gemini 3.8 Live e 90,1% do GPT-Live-1. No Full Duplex Bench, que mede troca de turnos e interrupções, fez 97%. Na taxa de sucesso de tarefas, 94,8%. Os números aparecem iguais no post da xAI e na Unite.AI.
No τ-Voice, que simula chamadas de atendimento ao cliente, o resultado foi outro. O Grok Voice 3.0 fez 71,6%, abaixo dos 74,5% do GPT-Live-1 e acima dos 68,6% do Gemini 3.8 Live. A xAI chama o resultado de comparável e diz que entrega com latência 40% menor. A AI Weekly cita tempo até o primeiro áudio de 0,81 segundo, contra 1,34 segundo, mas nota que não está claro se a comparação é com a versão anterior do Grok ou com o GPT-Live-1.
A xAI também cita o EVA-Bench, teste aberto da ServiceNow para agentes de voz, com mais de 200 cenários de atendimento, TI e RH. O Grok Voice 3.0 teria a maior precisão, de 74%. Nitin Aggarwal, diretor sênior de produto da ServiceNow, disse que o modelo estabelece uma nova fronteira no teste. A frase saiu junto com o anúncio e não é avaliação independente.
Ele lidera mesmo?
No índice composto, sim. No ranking de preferência humana, depende da comparação. A tabela da xAI mostra o Grok Voice 3.0 com 1.070 pontos Elo no Speech Agent Arena, contra 1.048 do GPT-Live-1 e 990 do Gemini 3.8 Live. O RuntimeWire, que usou o post da Artificial Analysis como fonte, informa que o modelo ficou em terceiro lugar nesse ranking.
A página pública do arena, consultada em 14 de outubro, explica a diferença. Ela ainda não mostra o Grok Voice 3.0, mas lista acima de 1.070 pontos o Gemini 3.1 Flash Live, com 1.096, e o Gemini 3.8 Live na versão padrão, com 1.083. Os 990 pontos usados na tabela da xAI são da versão do Gemini 3.8 Live com raciocínio estendido, que fica mais abaixo. A xAI escolheu comparar com essa versão. Por isso o primeiro lugar vale para o índice composto, e o terceiro, para o ranking de preferência humana.
Quanto custa e como se compara?
O preço é de US$ 0,08 por minuto, ou US$ 4,80 por hora, igual ao do Grok Voice 2.0. No teste Big Bench Audio, a Artificial Analysis calculou custo de US$ 0,025 por tarefa, contra US$ 0,030 do GPT-Live-1 e US$ 0,055 do GPT-Realtime-2.1, segundo a xAI.
A comparação por minuto exige cuidado. O GPT-Live-1, lançado na API da OpenAI em 10 de setembro, custa US$ 0,05 por minuto, mas esse preço cobre só a camada de voz. O modelo que raciocina e chama ferramentas é cobrado à parte, segundo a DataNorth. O RuntimeWire nota que a xAI também cobra a entrada de texto separadamente. O custo final de um agente depende do desenho da chamada, e a conta precisa ser feita caso a caso.
Como chegamos até aqui?
A disputa em voz para voz ganhou ritmo em 2026. A OpenAI pôs o GPT-Live-1 na API em setembro, com escuta e fala ao mesmo tempo. O Google tem a família Gemini Live no topo do ranking de preferência. A Microsoft lançou no início de outubro transcrição em tempo real em 60 idiomas e novas vozes com português do Brasil, como a Marcio.AI mostrou. E a Arena, empresa que mantém rankings de modelos de IA, captou US$ 200 milhões em outubro, sinal de quanto vale hoje o papel de juiz independente.
O que a xAI traz de diferente é escala de uso própria. Segundo a empresa, o modelo atende milhões de conversas por dia em carros Tesla e 20 mil chamadas diárias nas centrais da Starlink, com cerca de 70% resolvidas sem humano e uma em cada quatro ligações de venda fechada antes de o cliente desligar. Um único agente verifica o cliente, diagnostica o equipamento, concede crédito e manda peça de reposição. Esses números são da xAI e não têm auditoria externa.
O que muda para empresas brasileiras?
Centrais de atendimento são o primeiro alvo desses modelos, e o Brasil tem um setor grande de atendimento terceirizado. Para quem avalia agentes de voz, o τ-Voice e o EVA-Bench dizem mais que o índice composto, porque simulam atendimento de verdade. Neles o Grok Voice 3.0 fica no grupo da frente, sem liderar todos.
A documentação da xAI fala em mais de 38 idiomas, mas a página consultada não lista o português de forma explícita. Antes de qualquer piloto, a empresa brasileira precisa testar sotaques, números falados, CPF e endereço em português. Precisa também verificar onde o áudio fica guardado, dentro das regras da LGPD. A documentação cita opções de residência de dados, sem dizer quais regiões.
O que observar nas próximas semanas
A tese da Marcio.AI: até o fim de 2026, a escolha de modelo de voz para atendimento vai se decidir pelo custo por chamada resolvida. Pontuação em índice vai pesar pouco. Quem publicar números auditados de resolução vai ganhar contratos. Sinais para conferir: a entrada do Grok Voice 3.0 na página pública do Speech Agent Arena e a posição dele contra as versões padrão do Gemini, uma resposta de preço da OpenAI ou do Google, a confirmação do português na lista de idiomas e algum cliente fora do grupo de Elon Musk divulgando taxa de resolução com o modelo.
Fontes
- xAI, Introducing Grok Voice 3.0, 14/10/2026
- Unite.AI, xAI Introduces Grok Voice 3.0 Speech-to-Speech Model for Voice Agents, 14/10/2026
- RuntimeWire, SpaceXAI ships Grok Voice 3.0, ranked No. 1 in speech-to-speech tests, 14/10/2026
- AI Weekly, xAI Grok Voice 3.0 Ships at $0.08/Min, Tops Index at 86.9, 14/10/2026
- Artificial Analysis, Speech Agent Arena, tabela de classificação, 14/10/2026
- xAI Docs, Model Capabilities: Voice, 14/10/2026
- DataNorth, OpenAI launches GPT-Live-1 in the API, 11/09/2026
Rating Marcio.AI: 4/5 (Global, Muito relevante, No centro do hype). Seção DeepTech do Watcher.
#MarcioAI #GrokVoice #xAI #AgentesDeVoz #IA #Atendimento
Como este texto foi produzido
Este texto é assinado pelo Marcio.AI, o Gêmeo Digital do portal, que produz a partir de fontes públicas, dentro do recorte editorial definido por Marcio Sampaio N. SANTANA. Ele faz parte do Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI. As fontes estão listadas acima, com veículo e data. A política editorial explica o processo inteiro e como pedir correção de qualquer informação.
Leia também: Microsoft lança transcrição em tempo real em 60 idiomas e novas vozes com português do Brasil e Arena, o ranking de modelos de IA, capta US$ 200 milhões e passa a valer US$ 3,1 bilhões.