Grok Voice 3.0 encabeza el benchmark de voz de Artificial Analysis

SpaceXSI y su sitio afiliado SpaceXAI han presentado Grok Voice 3.0, un nuevo modelo de voz a voz orientado a conversaciones en tiempo real y a la atención al cliente en entornos empresariales. El gran titular del lanzamiento gira en torno a una clasificación elaborada por un tercero: según los resultados citados de Artificial Analysis, Grok Voice 3.0 obtuvo 86,9 puntos en el Speech-to-Speech Index del grupo y quedó por delante de los modelos probados de OpenAI y Google. Eso convierte el lanzamiento en algo destacable, pero el material publicado también muestra por qué el resultado debe interpretarse con cautela. El benchmark agrega varias dimensiones, y algunas pruebas individuales dibujan un panorama más matizado.

Para qué está pensado Grok Voice 3.0

Ambas fuentes describen Grok Voice 3.0 como un modelo de voz a voz, es decir, un sistema que recibe entrada hablada y produce salida hablada directamente. El modelo se presenta como compatible con diálogo en vivo, interrupciones, alternancia de turnos y tareas de agentes de voz. SpaceXAI afirma que ofrece una latencia líder en su categoría, por debajo de un segundo, mientras que iThome informa de que SpaceXSI sostiene que los tiempos de respuesta pueden situarse por debajo de un segundo. En ambos casos, esa afirmación sobre la latencia procede de la empresa, no de un resumen completo de pruebas independientes.

El lanzamiento se enmarca en la atención al cliente y los agentes de voz, y no solo en el chat para consumidores. SpaceXAI afirma que Grok Voice 3.0 ya se utiliza en operaciones de Tesla y SpaceX, incluidos vehículos Tesla y centros de llamadas de Starlink. Esas cifras de uso y esos resultados operativos son afirmaciones de la empresa recogidas por las fuentes. Son relevantes porque sugieren que el modelo se está posicionando como un producto aplicado y no solo como una demostración de investigación, pero no equivalen a un rendimiento de mercado verificado de forma independiente.

Lo que ha publicado Artificial Analysis

Las mediciones externas más concretas presentes en las fuentes proceden de Artificial Analysis. Según el material citado por iThome y SpaceXAI, Grok Voice 3.0 lidera el Speech-to-Speech Index con una puntuación de 86,9. iThome afirma que esto lo sitúa por encima de Grok Voice 2.0, con 81,3; de OpenAI GPT-Live-1, con 83,2; y de Google Gemini 3.8 Live, con 82,6, en los resultados del 13 de octubre a los que hace referencia.

El índice se describe como una combinación de múltiples factores. Las fuentes señalan que se apoya en razonamiento sobre voz, preferencia humana, éxito en tareas dentro de llamadas ciegas cara a cara entre modelos y una medida denominada τ-Voice. SpaceXAI también afirma que Grok Voice 3.0 obtuvo un 97 % en Full Duplex Bench, que describe como una medida de lo natural que resulta el modelo al gestionar pausas, turnos e interrupciones. iThome informa igualmente de un resultado del 97 % en pruebas relacionadas con pausas conversacionales, alternancia de turnos e interrupciones del usuario.

• Puntuación en el Speech-to-Speech Index: 86,9
• Precisión de razonamiento sobre voz: 98,5 %
• Tasa de finalización de tareas: 94,8 %
• Puntuación en Full Duplex Bench o métrica equivalente de gestión conversacional: 97 %
• Éxito en tareas de τ-Voice en escenarios de soporte con ruido, acentos e interrupciones frecuentes: 71,6 %

El coste es otra parte de la comparación publicada. iThome afirma que Artificial Analysis midió un coste medio de 0,025 dólares por tarea de razonamiento sobre voz para Grok Voice 3.0, por debajo de los 0,030 dólares de GPT-Live-1 y de los 0,055 dólares de GPT-Realtime-2.1. SpaceXAI también sostiene que el modelo es más barato de ejecutar que modelos comparables en la prueba Big Bench Audio de Artificial Analysis. Estas cifras importan porque los compradores empresariales suelen valorar conjuntamente calidad, velocidad y coste, en lugar de analizarlos por separado.

Dónde es fuerte el benchmark y dónde se queda corto

El benchmark importa porque no se presenta como una prueba interna de la empresa. Ambas fuentes describen a Artificial Analysis como un evaluador independiente o de terceros, y las dimensiones publicadas van más allá de una única puntuación de calidad. Eso da al lanzamiento más solidez que una afirmación de marketing vaga. El uso de llamadas ciegas entre modelos, éxito en tareas, razonamiento sobre voz y fluidez conversacional sugiere que el benchmark intenta captar varios aspectos del rendimiento de los agentes de voz.

Aun así, las mismas cifras publicadas también muestran por qué una primera posición no debe considerarse una prueba absoluta de que un modelo sea el mejor en todos los despliegues. Un índice combinado refleja inevitablemente decisiones metodológicas: qué tareas se incluyen, cómo se ponderan y qué compensaciones importan más. Las fuentes no ofrecen el diseño completo del benchmark, de modo que los lectores pueden ver los resultados, pero no todos los detalles que hay detrás de ellos.

Más importante aún, una de las subpruebas apunta a una limitación. En τ-Voice, descrita como una simulación de llamadas de soporte con acentos diversos, ruido de fondo e interrupciones, Grok Voice 3.0 obtuvo un 71,6 %. iThome afirma que eso queda ligeramente por debajo de OpenAI GPT-Live-1, con un 74,5 %, aunque Grok Voice 3.0 presentaba una latencia un 40 % inferior. SpaceXAI caracteriza el resultado como comparable al de GPT-Live-1 y pone el acento en la ventaja de latencia. Esas dos descripciones no son necesariamente contradictorias, pero sí enmarcan la misma comparación de forma distinta. La idea clave es que Grok Voice 3.0 no lidera todas las métricas publicadas en las fuentes.

Ese matiz es importante para los sistemas de voz empresariales. Un modelo puede ocupar el primer puesto en el cómputo global y, al mismo tiempo, quedar por detrás de un rival en un escenario que se parece más a un entorno real y difícil de centro de atención telefónica. Para algunos compradores, una latencia menor puede compensar una pequeña diferencia en tasa de éxito. Para otros, especialmente allí donde dominan los acentos, el ruido y las interrupciones, esa compensación puede valorarse de otra manera. El benchmark ayuda a identificar ese equilibrio, pero no lo resuelve para todos los casos de uso.

EVA-Bench y el enfoque empresarial

Además de Artificial Analysis, las fuentes también citan EVA-Bench, que describen como un benchmark de ServiceNow para agentes de voz empresariales que abarca más de 200 escenarios de atención al cliente. Según ambas fuentes, Grok Voice 3.0 logró allí la mejor puntuación de precisión, con un 74 %. SpaceXAI añade que el modelo es el de mejor rendimiento cuando se valora conjuntamente según precisión y experiencia de cliente, e incluye una cita favorable sobre una nueva frontera de Pareto en ese benchmark.

Esa cita es positiva, pero procede del material de lanzamiento reproducido por SpaceXAI, por lo que debe leerse como parte de la presentación de la empresa salvo que exista una corroboración independiente. Aun así, la referencia reiterada a EVA-Bench en ambas fuentes refuerza la idea de que Grok Voice 3.0 se está evaluando no solo por su fluidez conversacional, sino también por su capacidad para gestionar tareas de soporte. Esto es central en la narrativa del producto: el modelo se vende como infraestructura para interacciones de servicio automatizadas.

Disponibilidad, precio y qué deberían vigilar las empresas

SpaceXAI afirma que Grok Voice 3.0 ya está disponible en la Voice Agent API a 0,08 dólares por minuto, el mismo precio que Grok Voice 2.0, y que las aplicaciones que utilizaban el nombre de modelo grok-voice-latest se actualizaron automáticamente. iThome informa del mismo precio y de la misma vía de actualización automática. Los materiales de lanzamiento también afirman que Grok Voice gestiona millones de conversaciones diarias en vehículos Tesla y unas 20.000 llamadas al día en el servicio de atención al cliente de Starlink, con alrededor del 70 % resueltas sin intervención humana y una de cada cuatro llamadas de ventas terminando en compra. Estas cifras operativas son afirmaciones de la empresa recogidas en las fuentes, no resultados de una auditoría de terceros.

Para las empresas, la conclusión práctica no es simplemente que Grok Voice 3.0 haya quedado primero en una clasificación. Es que un modelo de voz recién lanzado se presenta con puntuaciones publicadas por terceros en calidad, velocidad y coste, además de disponibilidad por API sin cambios de precio. Eso puede hacer que merezca la pena evaluarlo para atención al cliente o flujos de trabajo con agentes de voz, especialmente si la baja latencia es una prioridad. Pero las compañías deberían compararlo con sus propios tipos de llamada, acentos, condiciones de ruido y métricas de éxito, porque los mismos resultados publicados muestran que liderar un benchmark general no garantiza el mejor resultado en todos los escenarios reales de soporte.