grok-voice-3.0Grok Voice 3.0 es el modelo de voz a voz de xAI para agentes de voz, lanzado el 14 de octubre de 2026. La voz entra y la respuesta hablada sale de un solo modelo, sin encadenar reconocimiento de voz, modelo de lenguaje y síntesis por separado. El anuncio de xAI cita a Artificial Analysis (13 de octubre de 2026): primer puesto en el Speech-to-Speech Index con 86.9 puntos. Frente a Grok Voice 2.0, la prensa especializada informa de que el índice sube de 81.3 a 86.9, el benchmark de atención al cliente tau-Voice de 56.5% a 71.6% y la toma de turnos full-duplex de 95.1% a 97.0%; el tiempo hasta el primer audio, en cambio, pasa de 0.70 s a 0.81 s. En apimodels.app se abre un WebSocket a wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0 con tu clave de API, o tu servidor genera un token de corta duración para que el navegador se conecte sin ver nunca la clave. Los eventos son los de la Voice Agent API de xAI, en gran parte compatibles con el modelo de eventos de OpenAI Realtime. El audio por defecto es PCM de 16 bits a 24 kHz; las 28 voces integradas hablan todos los idiomas admitidos, más de 20 con detección automática, chino incluido. Las llamadas a funciones no tienen coste adicional. El precio es de $0.104 por minuto de sesión conectada, facturado por segundo (una llamada de 90 segundos cuesta $0.156), más $0.0052 por cada mensaje de texto que envíes. Una sola clave sirve para este y más de 150 modelos, no hace falta cuenta de xAI ni tarjeta extranjera, y cada sesión aparece en tu historial de llamadas con su duración y su coste.
$0.104/min, billed per second · typed messages $0.0052 each · microphone required
Grok Voice 3.0
xAI cita a Artificial Analysis (13 oct 2026): primer puesto con 86.9 puntos, frente a 81.3 de Grok Voice 2.0
Frente a Grok Voice 2.0, la prensa informa tau-Voice de 56.5% a 71.6% y toma de turnos full-duplex de 95.1% a 97.0%; el primer audio pasa de 0.70 s a 0.81 s
wss://api.apimodels.app/v1/realtime con tu clave en el servidor, o un token de corta duración que tu servidor genera para el navegador
Cada voz integrada habla todos los idiomas admitidos, chino incluido, con detección automática del idioma
Declara herramientas de función en session.update. Las herramientas del servidor (web_search, x_search, file_search, mcp) aún no están disponibles aquí
Una sesión de 90 segundos cuesta $0.156, cada mensaje de texto $0.0052, y se reembolsan los segundos no usados del último minuto
Grok Voice 3.0 es una API de audio y voz de xAI. Grok Voice 3.0 es el modelo de voz a voz de xAI para agentes de voz, lanzado el 14 de octubre de 2026. La voz entra y la respuesta hablada sale de un solo modelo, sin encadenar reconocimiento de voz, modelo de lenguaje y síntesis por separado. El anuncio de xAI cita a Artificial Analysis (13 de octubre de 2026): primer puesto en el Speech-to-Speech Index con 86.9 puntos. Frente a Grok Voice 2.0, la prensa especializada informa de que el índice sube de 81.3 a 86.9, el benchmark de atención al cliente tau-Voice de 56.5% a 71.6% y la toma de turnos full-duplex de 95.1% a 97.0%; el tiempo hasta el primer audio, en cambio, pasa de 0.70 s a 0.81 s. En apimodels.app se abre un WebSocket a wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0 con tu clave de API, o tu servidor genera un token de corta duración para que el navegador se conecte sin ver nunca la clave. Los eventos son los de la Voice Agent API de xAI, en gran parte compatibles con el modelo de eventos de OpenAI Realtime. El audio por defecto es PCM de 16 bits a 24 kHz; las 28 voces integradas hablan todos los idiomas admitidos, más de 20 con detección automática, chino incluido. Las llamadas a funciones no tienen coste adicional. El precio es de $0.104 por minuto de sesión conectada, facturado por segundo (una llamada de 90 segundos cuesta $0.156), más $0.0052 por cada mensaje de texto que envíes. Una sola clave sirve para este y más de 150 modelos, no hace falta cuenta de xAI ni tarjeta extranjera, y cada sesión aparece en tu historial de llamadas con su duración y su coste. A través de la plataforma APIMODELS puedes acceder a este modelo mediante una API unificada con precios de pago por uso transparentes. Precio actual: per minute, billed per second: $$0.104 / min, per text message (input_text): $$0.0052.
Genera locuciones de nivel profesional para videos, animaciones y anuncios, con voces variadas.
Produce rápidamente el audio de tu pódcast, con soporte para diálogos de varios personajes.
Convierte texto en voz natural y fluida para producir audiolibros.
Doblaje y traducción multilingüe con IA para que tu contenido llegue a audiencias globales.
Grok Voice 3.0 está disponible a través de APIMODELS a: per minute, billed per second: $$0.104 / min, per text message (input_text): $$0.0052. La facturación es de pago por uso: solo pagas por lo que generas.
Regístrate en APIMODELS, obtén tu clave API y llama a nuestro endpoint unificado. Ofrecemos documentación detallada con ejemplos en cURL, Python y Node.js.
APIMODELS ofrece el mismo modelo Grok Voice 3.0 a través de nuestra plataforma de agregación. Proporcionamos una interfaz de API unificada, así que no necesitas cuentas separadas por proveedor: una sola clave para acceder a todos los modelos.
Grok Voice 3.0 es el modelo de voz a voz de xAI para agentes de voz en tiempo real, lanzado el 14 de octubre de 2026: envías voz en streaming y el mismo modelo responde hablando. El anuncio de xAI cita a Artificial Analysis (13 de octubre de 2026), que lo sitúa en el primer puesto del Speech-to-Speech Index con 86.9 puntos. La prensa especializada lo compara con Grok Voice 2.0: el índice sube de 81.3 a 86.9, el benchmark de tareas de soporte tau-Voice de 56.5% a 71.6% y la toma de turnos full-duplex de 95.1% a 97.0%, mientras que el tiempo hasta el primer audio pasa de 0.70 s a 0.81 s. En apimodels.app el id del modelo es grok-voice-3.0.
$0.104 por minuto de sesión conectada, facturado por segundo: una sesión de 90 segundos cuesta $0.156. Cada mensaje de texto que envías con conversation.item.create (input_text) suma $0.0052, y las llamadas a funciones no tienen coste adicional. Para conectar necesitas saldo para al menos un minuto ($0.104); cada minuto se cobra al empezar y los segundos no usados se reembolsan al cerrar la sesión. Si el saldo se agota a mitad de sesión recibes un evento error de tipo insufficient_balance y la sesión se cierra; si falla la conexión con el modelo, no se cobra nada. La demo con micrófono de esta página se factura con la misma tarifa.
Desde un servidor, abre wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0 con la cabecera Authorization: Bearer YOUR_API_KEY. Los navegadores no pueden poner cabeceras en un WebSocket, así que tu servidor llama primero a POST https://api.apimodels.app/v1/realtime/client_secrets con esa misma cabecera (cuerpo opcional {"expires_after":{"seconds":60}}, de 10 a 600 segundos, 60 por defecto), recibe {"value", "expires_at"} y pasa value a la página, que se conecta con new WebSocket(url, ["xai-client-secret." + value]). Nunca pongas la clave de API en el navegador. El endpoint solo existe en api.apimodels.app, no bajo apimodels.app/api/v1, porque allí no se reenvían WebSockets.
Por defecto el audio en ambos sentidos es PCM de 16 bits, 24 kHz, mono, little-endian, en base64 dentro de eventos JSON; también se aceptan audio/pcmu, audio/pcma y audio/opus mediante audio.input.format y audio.output.format, y audio.output.speed va de 0.7 a 1.5. Hay 28 voces integradas que se eligen con voice en session.update. Femeninas: ara, aurora, carina, celeste, eve (la predeterminada), iris, liora, luna, ursa. Masculinas: altair, atlas, castor, cosmo, helios, helix, kepler, leo, lumen, lux, naksh, orion, perseus, rex, rigel, sal, sirius, zagan, zenith.
Sí. Cubre más de 20 idiomas con acento nativo y detecta el idioma automáticamente, y el chino (simplificado) figura en la lista de idiomas de xAI. Cada voz integrada habla todos los idiomas admitidos, así que no hay que elegir una voz china aparte. Si ya conoces el idioma del usuario, pon en audio.input.transcription.language_hint una etiqueta BCP-47 como zh-CN.
Llamadas a funciones sí, sin coste adicional: declara herramientas de función en session.update, espera response.function_call_arguments.done, ejecuta la función en tu código y devuelve el resultado como un elemento function_call_output con conversation.item.create, seguido de response.create. Las herramientas del servidor (web_search, x_search, file_search y mcp) aún no están disponibles en apimodels.app; un session.update que las incluya recibe un evento error.
Una sesión dura como máximo 60 minutos, cada cuenta puede tener hasta 5 sesiones simultáneas y una sesión sin eventos del cliente durante 10 minutos se cierra. Cada sesión aparece como un registro en el historial de llamadas de la consola, con su duración y su coste, para conciliar el uso llamada a llamada.
El modelo de eventos es en gran parte el mismo, así que el código cliente de OpenAI Realtime se adapta con pocos cambios: session.update, conversation.item.create, response.create y los eventos input_audio_buffer funcionan igual, y el audio llega en response.output_audio.delta. Las diferencias: la transcripción de la entrada llega como eventos conversation.item.input_audio_transcription.updated acumulativos en lugar de deltas incrementales, y algunos eventos de OpenAI no se emiten: conversation.item.retrieve, los eventos started, stopped y cleared del búfer de audio de salida y rate_limits.updated. La facturación también cambia: aquí hay una tarifa por minuto de sesión, mientras que OpenAI factura por separado los tokens de audio de entrada y de salida.
En APIMODELS, Grok Voice 3.0 convive con más de 60 modelos bajo una sola clave API y un solo saldo, así que elegir es cuestión de ajuste, no de dependencia. Admite Speech-to-Speech, Realtime WebSocket, 28 Voices, 20+ Languages, Function Calling, Billed per Second y puedes valorarlo en precio y capacidad frente a otros modelos de audio y voz, y cambiar modificando una sola cadena con el nombre del modelo: sin nueva cuenta ni integración. Explora todas las opciones de audio y voz con precios en vivo en apimodels.app/models.
Grok Voice 3.0 admite: Speech-to-Speech, Realtime WebSocket, 28 Voices, 20+ Languages, Function Calling, Billed per Second. Consulta la documentación de APIMODELS para ver todos los parámetros y ejemplos de llamada.
Sí. APIMODELS expone Grok Voice 3.0 mediante una única API unificada y una sola clave, sin cuentas separadas por proveedor ni necesidad de gestionar tú mismo el acceso de red regional de cada proveedor.
Aceptamos Stripe (Visa, Mastercard y otras tarjetas internacionales) y Alipay. El saldo está disponible al instante tras el pago.
How to get access, regional availability, and how this model compares with its alternatives.