Grok Voice 3.0 supera a OpenAI y Google en un ranking de voz

SpaceXSI, la empresa de IA propiedad de SpaceX, la compañía de Elon Musk, ha lanzado Grok Voice 3.0. Se trata de un nuevo modelo de voz a voz que impulsa la Voice Agent API de la compañía y que ya encabeza una clasificación independiente, por delante de los modelos de OpenAI y Google.

Para los lectores que hayan perdido la pista del nombre: SpaceXSI es la antigua xAI. SpaceX compró xAI en febrero. La división de IA pasó a llamarse SpaceXAI en julio y adoptó su nombre actual a principios de este mes.

El mercado al que apunta es concreto y práctico. SpaceXSI busca empresas que gestionan sus líneas de atención al cliente y de ventas con agentes de voz. Son sistemas que escuchan, razonan y responden en tiempo real, sin ningún operador humano al otro lado.

Cómo quedan las pruebas de rendimiento

La afirmación principal procede de Artificial Analysis, una firma independiente que evalúa y clasifica modelos de IA. Su Speech-to-Speech Index combina tres elementos: pruebas de razonamiento, tasas de éxito en tareas y los votos de oyentes que comparan dos modelos cara a cara en llamadas a ciegas.

En ese índice, las puntuaciones fueron:

1. Grok Voice 3.0: 86,9
2. GPT-Live-1 de OpenAI: 83,2, evaluado con el modelo GPT-6 Astra de OpenAI encargándose del razonamiento
3. Gemini 3.8 Live de Google: 82,6

El nuevo modelo de Grok también obtuvo un 97% en Full Duplex Bench. Esa prueba mide con qué naturalidad gestiona un modelo las pausas y las interrupciones, que es justo donde muchos agentes de voz empiezan a sonar robóticos.

Grok no ganó en todo. En Tau-Voice, una prueba basada en llamadas de soporte con acentos marcados y ruido de fondo, el modelo de OpenAI mantuvo una ligera ventaja, con un 74,5% frente al 71,6% de Grok. SpaceXSI asegura que su modelo emitió el primer audio aproximadamente un 40% más rápido en esa prueba. La velocidad importa en una línea telefónica, pero es una cuestión distinta de acertar con la respuesta.

El coste es otra parte del argumento comercial. En la prueba Big Bench Audio de Artificial Analysis, una sola tarea costó unos 2,5 céntimos con Grok Voice 3.0. La misma tarea costó 3 céntimos con GPT-Live-1 y 5,5 céntimos con GPT-Realtime-2.1 de OpenAI.

Una prueba empresarial ajena al laboratorio

ServiceNow, la empresa estadounidense de software de flujos de trabajo para empresas, mantiene una prueba de código abierto llamada EVA-Bench. Abarca más de 200 escenarios empresariales. Grok Voice 3.0 lideró en precisión con un 74%, y ningún modelo quedó por encima cuando se puntuaron conjuntamente la precisión y la experiencia del cliente.

Nitin Aggarwal, director sénior de gestión de producto en ServiceNow, afirmó que el modelo "combina la máxima precisión con una conversación natural y ágil".

Ya funciona a gran escala

SpaceXSI puede presumir de implantaciones dentro del conjunto de empresas de Musk.

• Tesla: Los vehículos ya gestionan millones de conversaciones con Grok Voice al día. Los conductores lo usan para consultar la agenda y responder correos. Las tareas de mayor calado, como reservar mesa para cenar, pasan por Grok Bot, cuyo modo de voz también funciona con el nuevo modelo.
• Starlink: En el negocio de internet por satélite de SpaceX, Grok Voice atiende unas 20.000 llamadas de clientes al día en varios idiomas. Según SpaceXSI, alrededor del 70% se resuelven sin que intervenga una persona. Una de cada cuatro llamadas de ventas termina en compra antes de que el cliente cuelgue.

Estas cifras proceden de SpaceXSI, no de una auditoría externa. Además, ambos clientes pertenecen al mismo grupo empresarial que el proveedor.

Precio y disponibilidad

Grok Voice 3.0 ya está disponible en la Voice Agent API por ocho céntimos el minuto, es decir, 4,80 dólares la hora. Es el mismo precio que el de Grok Voice 2.0. Los desarrolladores cuyos agentes usan el alias de modelo grok-voice-latest ya han pasado a la nueva versión sin tener que cambiar nada por su parte.

Nuestro análisis

La voz se está convirtiendo en un frente competitivo propio dentro de la IA, separado de los chatbots y de los modelos de programación. Las cifras de este caso explican por qué. Las diferencias entre los tres primeros sistemas en el índice principal son de unos pocos puntos. En la prueba de llamadas con ruido y acentos, la clasificación se invierte. Para una empresa que tenga que elegir proveedor, la lección es que una única puntuación destacada dice poco sobre cómo se desenvolverá un modelo con sus propios clientes al teléfono.

Los detalles del precio y de la actualización automática pueden pesar más que las clasificaciones. Mejores puntuaciones por la misma tarifa por minuto, aplicadas sin avisar a través de un alias de modelo, reducen el esfuerzo de cambio para los clientes actuales. Pero esa actualización automática tiene otra cara. Un equipo que ha ajustado sus flujos de llamadas en torno a un modelo pasa a funcionar con otro sin haberlo probado. Los equipos con requisitos de pruebas estrictos quizá prefieran fijar una versión concreta en lugar de confiar en "latest".

Las cifras de Starlink apuntan a la misma tensión. Una tasa de resolución del 70% sin intervención humana es un dato de eficiencia sólido. Pero también significa que el agente tiene la última palabra para la mayoría de esas personas, incluso cuando se equivoca. A medida que los agentes de voz se encargan por su cuenta de ventas y atención al cliente, la cuestión de quién asume la responsabilidad de los errores está recibiendo más atención, y las aseguradoras ya se están preparando para las reclamaciones por responsabilidad vinculadas a los agentes de IA.

El mercado avanza en esta dirección desde varios frentes. Automation Anywhere compró hace poco Boost.ai para expandirse en la IA de voz, lo que sugiere que los proveedores empresariales ven la voz como un canal central para los agentes, no como un complemento.

Habrá que estar atentos a si OpenAI y Google responden con cambios de precio o con nuevos modelos en tiempo real. Otra incógnita es si clientes externos, ajenos a las empresas de Musk, publican resultados comparables a los de Starlink. Mientras no lo hagan, las pruebas más sólidas a favor de Grok Voice 3.0 siguen siendo las pruebas de rendimiento y las implantaciones dentro de su propio grupo empresarial.