grok-voice-3.0O Grok Voice 3.0 é o modelo de voz para voz da xAI para agentes de voz, lançado em 14 de outubro de 2026. A fala entra e a resposta falada sai de um único modelo, sem encadear reconhecimento de fala, modelo de linguagem e síntese separadamente. O anúncio da xAI cita a Artificial Analysis (13 de outubro de 2026): primeiro lugar no Speech-to-Speech Index, com 86.9 pontos. Em relação ao Grok Voice 2.0, a cobertura especializada relata o índice subindo de 81.3 para 86.9, o benchmark de atendimento tau-Voice de 56.5% para 71.6% e a troca de turnos full-duplex de 95.1% para 97.0%; já o tempo até o primeiro áudio foi de 0.70 s para 0.81 s. Na apimodels.app você abre um WebSocket para wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0 com sua chave de API, ou o seu servidor gera um token de curta duração para que o navegador se conecte sem nunca ver a chave. Os eventos são os da Voice Agent API da xAI, em grande parte compatíveis com o modelo de eventos do OpenAI Realtime. O áudio padrão é PCM de 16 bits a 24 kHz; as 28 vozes integradas falam todos os idiomas suportados, mais de 20 com detecção automática, chinês incluído. A chamada de funções não tem custo extra. O preço é $0.104 por minuto de sessão conectada, cobrado por segundo (uma chamada de 90 segundos custa $0.156), mais $0.0052 por mensagem de texto enviada. Uma única chave atende este e mais de 150 modelos, sem conta separada na xAI nem cartão estrangeiro, e cada sessão aparece no seu histórico de chamadas com duração e custo.
$0.104/min, billed per second · typed messages $0.0052 each · microphone required
Grok Voice 3.0
A xAI cita a Artificial Analysis (13 out 2026): primeiro lugar com 86.9 pontos, contra 81.3 do Grok Voice 2.0
Em relação ao Grok Voice 2.0, a cobertura relata tau-Voice de 56.5% para 71.6% e troca de turnos full-duplex de 95.1% para 97.0%; o primeiro áudio foi de 0.70 s para 0.81 s
wss://api.apimodels.app/v1/realtime com sua chave no servidor, ou um token de curta duração gerado pelo seu servidor para o navegador
Cada voz integrada fala todos os idiomas suportados, chinês incluído, com detecção automática do idioma
Declare ferramentas de função em session.update. Ferramentas do servidor (web_search, x_search, file_search, mcp) ainda não estão disponíveis aqui
Uma sessão de 90 segundos custa $0.156, cada mensagem de texto $0.0052, e os segundos não usados do último minuto são devolvidos
Grok Voice 3.0 é uma API de áudio e voz da xAI. O Grok Voice 3.0 é o modelo de voz para voz da xAI para agentes de voz, lançado em 14 de outubro de 2026. A fala entra e a resposta falada sai de um único modelo, sem encadear reconhecimento de fala, modelo de linguagem e síntese separadamente. O anúncio da xAI cita a Artificial Analysis (13 de outubro de 2026): primeiro lugar no Speech-to-Speech Index, com 86.9 pontos. Em relação ao Grok Voice 2.0, a cobertura especializada relata o índice subindo de 81.3 para 86.9, o benchmark de atendimento tau-Voice de 56.5% para 71.6% e a troca de turnos full-duplex de 95.1% para 97.0%; já o tempo até o primeiro áudio foi de 0.70 s para 0.81 s. Na apimodels.app você abre um WebSocket para wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0 com sua chave de API, ou o seu servidor gera um token de curta duração para que o navegador se conecte sem nunca ver a chave. Os eventos são os da Voice Agent API da xAI, em grande parte compatíveis com o modelo de eventos do OpenAI Realtime. O áudio padrão é PCM de 16 bits a 24 kHz; as 28 vozes integradas falam todos os idiomas suportados, mais de 20 com detecção automática, chinês incluído. A chamada de funções não tem custo extra. O preço é $0.104 por minuto de sessão conectada, cobrado por segundo (uma chamada de 90 segundos custa $0.156), mais $0.0052 por mensagem de texto enviada. Uma única chave atende este e mais de 150 modelos, sem conta separada na xAI nem cartão estrangeiro, e cada sessão aparece no seu histórico de chamadas com duração e custo. Pela plataforma APIMODELS, você acessa este modelo por uma API unificada com preços transparentes de pagamento por uso. Preço atual: per minute, billed per second: $$0.104 / min, per text message (input_text): $$0.0052.
Gere locuções de nível profissional para vídeos, animações e anúncios, com vozes variadas.
Produza rapidamente o áudio do seu podcast, com suporte a diálogos de vários personagens.
Converta texto em voz natural e fluida para produzir audiolivros.
Dublagem e tradução multilíngue com IA para alcançar audiências globais.
O Grok Voice 3.0 está disponível pela APIMODELS a: per minute, billed per second: $$0.104 / min, per text message (input_text): $$0.0052. A cobrança é por uso — você paga apenas pelo que gera.
Cadastre-se na APIMODELS, obtenha sua chave de API e chame nosso endpoint unificado. Oferecemos documentação detalhada com exemplos em cURL, Python e Node.js.
A APIMODELS oferece o mesmo modelo Grok Voice 3.0 pela nossa plataforma de agregação. Fornecemos uma interface de API unificada, então você não precisa de contas separadas por provedor: uma única chave para acessar todos os modelos.
O Grok Voice 3.0 é o modelo de voz para voz da xAI para agentes de voz em tempo real, lançado em 14 de outubro de 2026: você envia fala em streaming e o mesmo modelo responde falando. O anúncio da xAI cita a Artificial Analysis (13 de outubro de 2026), que o coloca em primeiro lugar no Speech-to-Speech Index com 86.9 pontos. A cobertura especializada o compara com o Grok Voice 2.0: o índice subiu de 81.3 para 86.9, o benchmark de tarefas de suporte tau-Voice de 56.5% para 71.6% e a troca de turnos full-duplex de 95.1% para 97.0%, enquanto o tempo até o primeiro áudio foi de 0.70 s para 0.81 s. Na apimodels.app o id do modelo é grok-voice-3.0.
$0.104 por minuto de sessão conectada, cobrado por segundo: uma sessão de 90 segundos custa $0.156. Cada mensagem de texto enviada com conversation.item.create (input_text) soma $0.0052, e a chamada de funções não tem custo extra. Para conectar é preciso saldo para pelo menos um minuto ($0.104); cada minuto é cobrado no início e os segundos não usados são devolvidos quando a sessão termina. Se o saldo acabar no meio da sessão, você recebe um evento error do tipo insufficient_balance e a sessão é encerrada; se a conexão com o modelo falhar, nada é cobrado. A demonstração com microfone desta página é cobrada pela mesma tarifa.
No servidor, abra wss://api.apimodels.app/v1/realtime?model=grok-voice-3.0 com o cabeçalho Authorization: Bearer YOUR_API_KEY. Navegadores não conseguem definir cabeçalhos em WebSocket, então o seu servidor chama antes POST https://api.apimodels.app/v1/realtime/client_secrets com o mesmo cabeçalho (corpo opcional {"expires_after":{"seconds":60}}, de 10 a 600 segundos, padrão 60), recebe {"value", "expires_at"} e entrega value à página, que se conecta com new WebSocket(url, ["xai-client-secret." + value]). Nunca coloque a chave de API no navegador. O endpoint existe apenas em api.apimodels.app, não em apimodels.app/api/v1, porque ali WebSockets não são encaminhados.
Por padrão o áudio nos dois sentidos é PCM de 16 bits, 24 kHz, mono, little-endian, em base64 dentro de eventos JSON; audio/pcmu, audio/pcma e audio/opus também são aceitos via audio.input.format e audio.output.format, e audio.output.speed vai de 0.7 a 1.5. São 28 vozes integradas, escolhidas com voice em session.update. Femininas: ara, aurora, carina, celeste, eve (a padrão), iris, liora, luna, ursa. Masculinas: altair, atlas, castor, cosmo, helios, helix, kepler, leo, lumen, lux, naksh, orion, perseus, rex, rigel, sal, sirius, zagan, zenith.
Sim. Ele cobre mais de 20 idiomas com sotaque nativo e detecta o idioma automaticamente, e o chinês (simplificado) está na lista de idiomas da xAI. Cada voz integrada fala todos os idiomas suportados, então não há uma voz chinesa separada para escolher. Se você já sabe o idioma do usuário, defina em audio.input.transcription.language_hint uma etiqueta BCP-47 como zh-CN.
Chamada de funções sim, sem custo extra: declare ferramentas de função em session.update, aguarde response.function_call_arguments.done, execute a função no seu código e devolva o resultado como um item function_call_output com conversation.item.create, seguido de response.create. As ferramentas do servidor (web_search, x_search, file_search e mcp) ainda não estão disponíveis na apimodels.app; um session.update que as inclua recebe um evento error.
Uma sessão dura no máximo 60 minutos, cada conta pode ter até 5 sessões simultâneas e uma sessão sem eventos do cliente por 10 minutos é encerrada. Cada sessão aparece como um registro no histórico de chamadas do console, com duração e custo, para conciliar o uso chamada a chamada.
O modelo de eventos é em grande parte o mesmo, então o código cliente do OpenAI Realtime se adapta com poucas mudanças: session.update, conversation.item.create, response.create e os eventos input_audio_buffer funcionam igual, e o áudio chega em response.output_audio.delta. As diferenças: a transcrição da entrada chega como eventos conversation.item.input_audio_transcription.updated cumulativos em vez de deltas incrementais, e alguns eventos da OpenAI não são emitidos: conversation.item.retrieve, os eventos started, stopped e cleared do buffer de áudio de saída e rate_limits.updated. A cobrança também muda: aqui há uma tarifa por minuto de sessão, enquanto a OpenAI cobra separadamente os tokens de áudio de entrada e de saída.
Na APIMODELS, o Grok Voice 3.0 roda junto com mais de 60 modelos usando uma única chave de API e um único saldo, então escolher é questão de adequação, não de dependência. Ele suporta Speech-to-Speech, Realtime WebSocket, 28 Voices, 20+ Languages, Function Calling, Billed per Second e você pode avaliá-lo em preço e capacidade frente a outros modelos de áudio e voz, trocando ao alterar uma única string com o nome do modelo — sem nova conta ou integração. Veja todas as opções de áudio e voz com preços ao vivo em apimodels.app/models.
O Grok Voice 3.0 suporta: Speech-to-Speech, Realtime WebSocket, 28 Voices, 20+ Languages, Function Calling, Billed per Second. Consulte a documentação da APIMODELS para todos os parâmetros e exemplos de chamada.
Sim. A APIMODELS expõe o Grok Voice 3.0 por uma única API unificada e uma só chave, sem contas separadas por provedor e sem precisar lidar com o acesso de rede regional de cada provedor.
Aceitamos Stripe (Visa, Mastercard e outros cartões internacionais) e Alipay. O saldo fica disponível imediatamente após o pagamento.
How to get access, regional availability, and how this model compares with its alternatives.