Grok Voice 3.0 chegou: lidera o índice de voz, mantém o preço e trocou sozinho o modelo de quem usa o apelido

O que você leva deste artigo

• O identificador é grok-voice-3.0, e o apelido grok-voice-latest passou a apontar para ele em 14 de outubro. A versão 2.0 foi marcada como descontinuada, sem data de desligamento publicada.
• O preço não mudou: US$ 0,08 por minuto de conversa, ou US$ 4,80 por hora, mais US$ 0,004 por entrada de texto.
• No índice de voz para voz da Artificial Analysis, ele faz 86,9 pontos, contra 83,2 do GPT-Live-1 e 82,6 do Gemini 3.8 Live.
• No teste de atendimento com sotaque, ruído e interrupção, o GPT-Live-1 fica na frente: 74,5% contra 71,6%.
• O GPT-Live-1 custa menos por minuto (US$ 0,05), mas cobra à parte o modelo que raciocina por trás. Por tarefa, a medição citada pela empresa põe o Grok mais barato.
• O português do Brasil está entre os 20 idiomas da documentação, e a chamada telefônica entra por SIP.
• O raciocínio vem ligado por padrão no 3.0. Quem afinou o roteiro para o 2.0 pode ver o agente mudar de comportamento sem ter mudado uma linha.

O que saiu, e onde já está rodando

Elon Musk escreveu no X, em 14 de outubro de 2026, que o Grok Voice 3.0 é agora o principal modelo de voz conversacional do mundo. O post citava a Artificial Analysis, empresa que mede modelos de IA, que pôs o lançamento em primeiro lugar no seu índice de voz para voz. No mesmo dia, a SpaceXSI, nome com que a antiga xAI assina hoje o site e a documentação, publicou o anúncio oficial e a atualização da API.

A confirmação não depende de print. A documentação da API lista o identificador grok-voice-3.0 como o modelo principal de voz, informa que o apelido grok-voice-latest passou a apontar para ele e marca o grok-voice-2.0 como descontinuado. As notas de versão repetem as duas informações. Data de desligamento da versão antiga, por enquanto, não há.

Voz para voz quer dizer que o modelo ouve e responde em áudio, na mesma conexão, sem passar por uma etapa de transcrição e outra de leitura em voz alta. É a peça que faz um atendente virtual conversar com interrupção, pausa e troca de turno como uma pessoa. A empresa diz que o modelo já atende milhões de conversas por dia nos carros da Tesla e no modo de voz do Grok, e que os centros de atendimento da Starlink recebem por ele cerca de 20 mil ligações por dia.

A tabela do anúncio, com as seis medições

Os números vêm da Artificial Analysis, que testa os modelos de forma independente, mas foi a SpaceXSI quem escolheu quais resultados mostrar. A comparação é contra o próprio Grok Voice 2.0, o GPT-Live-1 da OpenAI (com o GPT-6 Astra por trás, em esforço médio) e o Gemini 3.8 Live, do Google, com raciocínio estendido.

O Grok Voice 3.0 tem a maior nota em cinco das seis linhas. A exceção é justamente a que mais importa para empresa: o τ-Voice, que simula ligações de suporte com sotaques diferentes, barulho de fundo e cliente interrompendo. Ali o GPT-Live-1 faz 74,5%, contra 71,6% do Grok. A SpaceXSI chama o resultado de comparável e destaca que o Grok responde com 40% menos tempo até o primeiro som.

Grok Voice 3.0 contra o 2.0, o GPT-Live-1 e o Gemini 3.8 Live, nos testes da Artificial Analysis publicados pela SpaceXSI

	Grok Voice 3.0 novo	Grok Voice 2.0 anterior	GPT-Live-1 OpenAI, Astra médio	Gemini 3.8 Live Google
Índice geral de voz Artificial Analysis Speech-to-Speech Index	86,9	81,3	83,2	82,6
Raciocínio falado Big Bench Audio	98,5%	97,2%	90,1%	97,7%
Preferência humana Speech Agent Arena, nota Elo	1.070	1.011	1.048	990
Tarefa concluída Task Success Rate	94,8%	94,6%	87,4%	89,1%
Pausa, turno e interrupção Full Duplex Bench	97,0%	95,1%	94,9%	91,9%
Ligação de suporte τ-Voice	71,6%	56,5%	74,5%	68,6%
Custo por tarefa Big Bench Audio, em dólar	US$ 0,025	não publicado	US$ 0,030	não publicado

O salto sobre a versão anterior está onde dói em atendimento. No τ-Voice o Grok saiu de 56,5% para 71,6%, mais de 15 pontos, e na preferência humana subiu 59 pontos de Elo. No resto da tabela o 2.0 já era alto, e a melhora é de um a cinco pontos. Fora da tabela, a SpaceXSI cita o EVA-Bench, prova de agentes de voz corporativos da ServiceNow com mais de 200 cenários, em que o modelo fez 74% de acerto, o maior resultado publicado.

Preço: o mesmo, e a comparação que engana

O Grok Voice 3.0 custa US$ 0,08 por minuto de conversa, ou US$ 4,80 por hora, exatamente o preço do 2.0. A tabela de preços soma US$ 0,004 por entrada de texto, que é quando o sistema manda uma mensagem escrita para dentro da conversa. Numa ligação de 4 minutos, a conta da voz fica em US$ 0,32. Mil ligações desse tamanho por mês saem por US$ 320.

Olhando só a tabela por minuto, a OpenAI parece mais barata: o GPT-Live-1 custa US$ 0,05 por minuto, cobrado por segundo. A diferença está na letra miúda da própria OpenAI. O GPT-Live-1 conversa, mas entrega o raciocínio e o uso de ferramentas para um modelo de retaguarda, e esse modelo é cobrado à parte, pelo preço normal dele. Na configuração da tabela, a retaguarda é o GPT-6 Astra, que custa US$ 10 por milhão de tokens de entrada e US$ 50 de saída.

Por isso a medida que compara de verdade é o custo por tarefa. No teste de raciocínio falado da Artificial Analysis, uma tarefa custou US$ 0,025 com o Grok, US$ 0,030 com o GPT-Live-1 apoiado no Astra e US$ 0,055 com o GPT-Realtime-2.1, o modelo da OpenAI cobrado por token de áudio (US$ 32 por milhão na entrada e US$ 64 na saída). É uma prova só, escolhida por quem vende, mas mostra o ponto: preço por minuto e preço por tarefa podem apontar para lados opostos.

Em voz, o preço por minuto é só a tarifa da linha. O que chega na fatura é o minuto somado a tudo o que o modelo precisou chamar para resolver.

O apelido que troca o modelo de quem não fixou a versão

O anúncio diz que os agentes que usam grok-voice-latest "já foram trocados automaticamente, sem nenhuma mudança necessária". Para quem está começando, é conveniente. Para quem tem um agente de atendimento em produção, significa que o modelo que fala com o seu cliente mudou em 14 de outubro sem passar por nenhum teste seu.

Não é a primeira vez. Em 5 de agosto de 2026, o mesmo apelido passou a apontar para o Grok Voice 2.0, e na nossa conta o preço por minuto foi de US$ 0,05 para US$ 0,08 junto, sem nenhuma linha de código alterada. Desta vez o preço ficou igual, mas o comportamento não: no 3.0 o raciocínio vem ligado por padrão, em esforço alto, e a documentação recomenda encurtar o roteiro do agente e tirar os remendos escritos para a versão anterior. Um roteiro afinado para o 2.0 pode render diferente no 3.0.

A própria documentação resolve a contradição numa nota: use o apelido em integração nova, e fixe a versão em produção. Na ROO3 temos os dois casos. O assistente de voz do Tobia, o nosso CRM, usa o apelido e passou para o 3.0 no dia do lançamento, sem deploy; ainda não medimos a diferença. O Gerar Treino, do gerar.app, entrevista o usuário por voz e foi fixado na versão 2.0 justamente depois do susto de agosto. Agora que o 2.0 foi descontinuado, a troca vai acontecer, mas depois de rodar o roteiro inteiro no modelo novo.

O que interessa a quem atende cliente no Brasil

O português do Brasil está entre os 20 idiomas listados na documentação, ao lado do português de Portugal, e o modelo detecta sozinho a língua de quem fala. Há um detalhe que custa caro se passar batido: para dar ao modelo a dica de idioma, é preciso mandar pt-BR. A documentação avisa que pt sozinho não é aceito, e que código não reconhecido é ignorado em silêncio, sem erro.

Para atendimento de verdade, o que pesa é o resto da lista:

• Telefone: a ligação entra por SIP, WebSocket ou LiveKit, com suporte nativo ao codec G.711, o padrão da telefonia. Dá para ligar o agente a um PABX ou a um número de central.
• Ferramentas durante a conversa: busca em documentos próprios, busca na web e no X, servidores MCP e funções próprias, que é como o agente consulta um CRM, marca horário ou abre um chamado enquanto fala.
• Voz própria: é possível clonar uma voz a partir de um trecho curto de áudio e usar no lugar das vozes do catálogo.
• Conversa retomada: uma ligação que cai pode voltar com o histórico, desde que reconecte em até 30 minutos.
• Quem já usa a OpenAI: a migração da API Realtime é trocar o endereço, a chave e o modelo. A documentação lista as poucas diferenças de evento entre as duas APIs.

O caso da Starlink é o argumento comercial do anúncio: cerca de 70% das ligações resolvidas sem humano, e uma em cada quatro ligações de venda terminando em compra antes de o cliente desligar. São números da própria empresa, sem auditoria publicada e sem definição do que conta como resolvido. Servem como teto do que é possível com um fluxo bem desenhado, não como previsão para outro negócio.

O que aprendemos colocando a voz do Grok em produção

A ROO3 usa a API de voz da SpaceXSI em dois produtos desde agosto: o assistente de voz do Tobia e a entrevista por voz do Gerar Treino. Os aprendizados abaixo são do Grok Voice 2.0. Segundo a documentação, a API do 3.0 é a mesma, então eles continuam valendo.

• Cobrança por minuto de sessão aberta. Silêncio custa. Uma conversa que termina e não fecha continua no taxímetro. Precisamos encerrar por inatividade e dar ao agente uma ferramenta para desligar sozinho quando a conversa acaba.
• O modelo não sabe que horas são. O roteiro pedia para começar a encerrar perto de 8 minutos, e o agente encerrou aos 3, com metade das perguntas sem fazer. Instrução por tempo não funciona. Lista fechada de perguntas, com as obrigatórias marcadas, funciona.
• O áudio vai direto do navegador para a SpaceXSI. O servidor só emite um token de uso único. Isso dá latência baixa, mas tira do servidor o poder de cortar uma conversa no meio. O controle passa a ser teto de tempo e de gasto, contado no servidor e nunca a partir do que o navegador informa.
• A ordem dos eventos importa. Áudio enviado antes de a sessão confirmar a configuração é interpretado no formato errado, sem erro, e o agente responde a ruído.

Nenhum desses pontos aparece numa tabela de lançamento, e todos mexem no custo ou na qualidade da conversa. Antes de colocar um agente de voz para atender cliente, vale mais um teste com dez ligações reais do que qualquer índice.

O que fazer esta semana

Se você só usa o modo de voz do Grok no aplicativo, nada a fazer: o modelo novo já está lá.

Se você tem um agente de voz em produção ou está escolhendo um, as decisões são estas:

• Se o seu agente usa grok-voice-latest, ele está no 3.0 desde 14 de outubro. Ouça vinte conversas reais da semana e compare com as anteriores antes de seguir.
• Se você fixou grok-voice-2.0, ele está descontinuado. Rode o seu roteiro no grok-voice-3.0, encurte o prompt como a documentação sugere e só então troque.
• Se você usa a API Realtime da OpenAI, compare custo por ligação completa, não por minuto. O GPT-Live-1 é mais barato na tarifa e cobra a retaguarda à parte.
• Se vai começar um atendimento por voz no Brasil, comece por um fluxo fechado, como agendamento, segunda via ou triagem, com passagem para humano quando o agente não resolver.
• Faça a conta antes de ligar: minutos por ligação, vezes ligações por mês, vezes US$ 0,08. E coloque um teto de gasto que o próprio sistema respeite.

Agente de voz que atende cliente é projeto de processo, não de modelo: roteiro, ferramentas, passagem para humano e conta de custo vêm antes da escolha de quem fala. É assim que a ROO3 monta esses projetos na consultoria em IA para empresas, começando por uma ligação de teste com o seu caso real. Se a pergunta ainda é por onde começar, o artigo sobre automação de WhatsApp com IA cobre o primeiro passo, que quase sempre é o texto.

O que ainda não dá para dizer

Primeiro, a posição do Grok Voice 3.0 fora dos resultados escolhidos pela SpaceXSI. A Artificial Analysis é independente, mas a tabela do anúncio é uma seleção, e a latência de cada modelo no teste de atendimento só aparece num gráfico, sem número escrito.

Segundo, até quando o Grok Voice 2.0 funciona. Ele foi descontinuado sem data de desligamento publicada. Quem fixou a versão antiga tem prazo para trocar, só não sabe qual.

Terceiro, o resultado em português. As medições do anúncio não dizem em que língua foram feitas, e o desempenho em atendimento com sotaque brasileiro, barulho de rua e linha de telefone ruim é o que decide um projeto aqui. Para entender a empresa por trás do modelo, o artigo o que é o Grok conta a história da empresa e do produto.

Perguntas frequentes

O que é o Grok Voice 3.0?

É o modelo de voz para voz da SpaceXSI, a antiga xAI, lançado em 14 de outubro de 2026. Ele ouve e responde em áudio na mesma conexão, com interrupção e troca de turno, e é usado em agentes de atendimento, nos carros da Tesla e no modo de voz do Grok. Na API, o identificador é grok-voice-3.0.

Quanto custa o Grok Voice 3.0?

US$ 0,08 por minuto de conversa, ou US$ 4,80 por hora, mais US$ 0,004 por entrada de texto. É o mesmo preço do Grok Voice 2.0. Uma ligação de 4 minutos custa US$ 0,32 de voz.

O Grok Voice 3.0 é melhor que o GPT-Live-1 da OpenAI?

Nos testes da Artificial Analysis publicados pela SpaceXSI, ele vence cinco de seis medições, incluindo o índice geral (86,9 contra 83,2). No τ-Voice, que simula ligações de suporte, o GPT-Live-1 fica na frente, com 74,5% contra 71,6%. O GPT-Live-1 custa menos por minuto (US$ 0,05), mas cobra à parte o modelo que raciocina por trás.

O Grok Voice 3.0 fala português do Brasil?

Sim. O português do Brasil está entre os 20 idiomas listados na documentação, e o modelo detecta a língua sozinho. Para mandar a dica de idioma, use pt-BR: a documentação avisa que pt sozinho não é aceito e é ignorado sem erro.

Preciso mudar meu código para usar o Grok Voice 3.0?

Não. A API, o endereço, os parâmetros e os eventos são os mesmos do 2.0. Quem usa grok-voice-latest já está no 3.0. Quem fixou grok-voice-2.0 só precisa trocar o nome do modelo, mas vale testar o roteiro antes, porque o raciocínio agora vem ligado por padrão.

O Grok Voice 2.0 vai parar de funcionar?

Ele foi marcado como descontinuado em outubro de 2026, sem data de desligamento publicada até 15 de outubro. A documentação orienta trocar para grok-voice-3.0, com o mesmo preço.

Fontes

• Elon Musk no X, sobre o Grok Voice 3.0 (14 de outubro de 2026)
• SpaceXSI, Introducing Grok Voice 3.0 (anúncio, tabela e gráficos com dados da Artificial Analysis)
• SpaceXSI Docs, Speech to Speech (modelos, idiomas, ferramentas, telefonia e migração)
• SpaceXSI Docs, Pricing (preço do Grok Voice 3.0 e do 2.0)
• SpaceXSI Docs, Release Notes (lançamento do 3.0 e descontinuação do 2.0)
• OpenAI, API pricing (GPT-Live-1 e GPT-Realtime-2.1)
• OpenAI, modelo gpt-live-1 (cobrança da sessão e do modelo de retaguarda)

Rodrigo Fávaro

Fundador da ROO3, agência de marketing e tecnologia em São José do Rio Preto. Constrói produtos com IA em produção (Tobia, gerar.app, Pense Mercado) e mantém o AI Benchmark, ranking público de modelos de IA. Veja a consultoria em IA da ROO3.

X @rodmf LinkedIn rodrigofavaro