Grok Voice 3.0: cómo leer las cifras anunciadas para un agente de voz

Grok Voice 3.0 es un modelo llamado «de voz a voz»: recibe la voz de quien llama y produce directamente una respuesta hablada. xAI lo ofrece en su API de agentes de voz, es decir, un componente pensado para desarrolladores que construyen su propio servicio, y no una centralita lista para usar.

El proveedor anuncia un precio de 0,08 dólares por minuto, es decir, 4,80 dólares por hora, idéntico al de la versión anterior. En su tabla de precios, Grok Voice 2.0 aparece ahora marcado como obsoleto. xAI también afirma una latencia «inferior a un segundo», sin una cifra más precisa en el texto del anuncio.

xAI destaca el primer puesto en la clasificación de voz a voz de Artificial Analysis, con una puntuación de 86,9. También cita una prueba llamada τ-Voice, que, según su descripción, mide la capacidad de un agente para atender llamadas de soporte con acentos variados, ruido de fondo e interrupciones. En esta prueba, Grok Voice 3.0 obtiene un 71,6 %, frente al 74,5 % del modelo competidor GPT-Live-1: xAI lo presenta como «comparable», insistiendo en una latencia un 40 % menor.

En τ-Voice, el modelo no va por tanto en cabeza; xAI destaca otra prueba de atención al cliente, EVA-Bench de ServiceNow, en la que obtiene la mejor precisión. Los resultados varían según la prueba elegida, y estas comparaciones las presenta el propio proveedor: para una atención telefónica, lo que cuenta es la calidad con sus propias llamadas, en su idioma, con sus clientes.

La cifra más llamativa se refiere a Starlink. Según xAI, sus centros de llamadas utilizan Grok Voice para atender 20 000 llamadas de clientes al día, en varios idiomas; alrededor del 70 % se resuelven sin intervención humana, y una de cada cuatro llamadas comerciales termina en una compra antes de que quien llama cuelgue.

Son datos comunicados por el proveedor sobre un cliente, sin método detallado: no se sabe qué abarca exactamente «resuelta» ni qué tipos de solicitudes se incluyen. Las llamadas de un proveedor de internet por satélite (verificación del cliente, diagnóstico del equipo, emisión de abonos, envío de material de sustitución) no son de la misma naturaleza que las de una consulta, un artesano o una agencia. Por tanto, esta tasa no se puede trasladar tal cual a una pyme.

El anuncio habla de «varios idiomas» sin nombrarlos. La documentación técnica de xAI sobre la voz indica que la transcripción admite «38+» idiomas, es decir, al menos 38, pero no publica la lista en esa página: el francés no aparece citado. Para una empresa francesa, es lo primero que conviene hacer confirmar, mediante una prueba real con personas que hablen deprisa, con acento o en un entorno ruidoso.

En cuanto a los datos, la misma documentación menciona opciones de residencia de los datos en la Unión Europea y un tratamiento regional, sin nombrar las regiones afectadas. También afirma que el audio se procesa en tiempo real y que nunca se almacena ni se utiliza para el entrenamiento; queda por saber qué ocurre con las transcripciones y los resúmenes que genera el proveedor que construye el servicio. Antes de confiar conversaciones de clientes a un servicio construido sobre este modelo, es legítimo preguntar por escrito dónde se transcriben, se tratan y se conservan las llamadas.

xAI precisa que los agentes que utilizan el nombre «grok-voice-latest» se han pasado automáticamente a la nueva versión, sin ninguna intervención por su parte. Es práctico, pero significa que un agente de voz puede cambiar de comportamiento de un día para otro. A una empresa le conviene saber si su proveedor fija la versión utilizada y prueba cada cambio antes de aplicarlo a sus llamadas.

La documentación describe además la creación de una voz personalizada a partir de un fragmento de audio de 120 segundos como máximo. Según esta documentación, la función solo está abierta por ahora en Estados Unidos, con excepción de Illinois: por tanto, hoy no concierne a una empresa francesa. Las páginas técnicas consultadas tampoco detallan ninguna condición relativa al consentimiento de la persona cuya voz se reproduce. Sea cual sea la herramienta, dar a una centralita la voz de un gerente o de una empleada supone, por su parte, obtener su acuerdo explícito y verificar el procedimiento con un asesor jurídico.

Este anuncio confirma que los modelos de voz avanzan rápido. Ante todo, ofrece una guía de lectura. Ante una oferta de atención telefónica con IA, cinco preguntas sencillas: ¿se ha probado el francés con llamadas reales? ¿Dónde se tratan y se almacenan las conversaciones? ¿La versión del modelo está fijada o cambia automáticamente? ¿Se usa una voz clonada y con qué consentimiento? ¿Se avisa a quien llama, desde el principio, de que habla con una IA?

Por su parte, Alyas anuncia la IA y la grabación al comienzo de la llamada, responde a partir de la información proporcionada por la empresa, transcribe y resume las conversaciones, transfiere la llamada al número elegido cuando es necesario, y su alojamiento está situado en la Unión Europea.