xAI lanza Grok Voice Agent API para crear agentes de voz

xAI ha lanzado Grok Voice Agent API, una herramienta para que los desarrolladores creen asistentes de voz capaces de conversar en decenas de idiomas, consultar información actualizada y ejecutar acciones mediante herramientas externas.

La API lleva al exterior la tecnología que xAI ya utiliza en Grok para sus aplicaciones móviles y en millones de vehículos Tesla. En la práctica, una empresa podría integrarla en un servicio de atención al cliente, una aplicación de viajes o un asistente capaz de consultar bases de datos y actuar por ti.

Respuestas de audio en menos de un segundo

Uno de los puntos centrales es la velocidad. Según xAI, Grok tarda menos de un segundo de media en empezar a responder con audio. La empresa afirma que esto lo hace casi cinco veces más rápido que el competidor más cercano en la prueba de referencia Big Bench Audio, un benchmark que mide la capacidad de los agentes de voz para resolver problemas complejos.

El resultado fue verificado de forma independiente por Artificial Analysis. xAI también asegura que Grok Voice Agent API ocupa el primer puesto de esa evaluación, aunque estas cifras dependen de las condiciones concretas de cada prueba y no significan que todas las conversaciones respondan igual de rápido.

La compañía dice haber desarrollado internamente buena parte de la tecnología de audio, incluido el detector de actividad de voz, el sistema que divide el habla en unidades procesables y los modelos de audio. Ese control permite ajustar por separado cómo el agente escucha, entiende y responde.

Habla varios idiomas y puede cambiar de lengua

Grok puede responder automáticamente en el idioma que utilice la persona y cambiar de lengua a mitad de una conversación. Los desarrolladores también pueden indicarle que responda siempre en un idioma concreto mediante una instrucción del sistema.

xAI afirma que el modelo mantiene un nivel natural en pronunciación, acento y entonación. En evaluaciones humanas a ciegas frente a OpenAI Realtime API, los participantes prefirieron Grok de forma consistente en esos aspectos, según la empresa.

Los desarrolladores podrán elegir entre varias voces, como Ara, Eve y Leo. También podrán pedir efectos expresivos mediante indicaciones como [whisper], [sigh] y [laugh], para crear conversaciones con susurros, suspiros o risas.

Puede buscar datos y utilizar herramientas

La API no se limita a hablar. Puede consultar información en tiempo real en X y en la web, además de conectarse a herramientas creadas por cada desarrollador.

El ejemplo de Tesla muestra cómo funciona: ante una petición para organizar un viaje, Grok puede buscar recomendaciones en X, calcular una ruta, añadir paradas y preparar un itinerario. En los vehículos de la marca también puede consultar el estado del coche y controlar funciones de navegación.

Ese tipo de integración es lo que marca la diferencia entre un chatbot de voz y un agente. El primero responde; el segundo puede consultar sistemas y completar tareas, siempre que tenga permiso para utilizar las herramientas conectadas.

Precio y compatibilidad

El servicio tiene una tarifa plana de 0,05 dólares por minuto de audio. Para una aplicación con muchas conversaciones, el coste dependerá sobre todo de la duración de las llamadas y del volumen de usuarios.

Grok Voice Agent API es compatible con la especificación de OpenAI Realtime API, lo que puede facilitar la migración de proyectos existentes. También está disponible mediante el complemento oficial de LiveKit, una plataforma utilizada para construir aplicaciones de audio y vídeo en tiempo real.

xAI ha habilitado además un entorno de prueba en el navegador para escuchar las distintas voces. La empresa promete publicar más novedades durante las próximas semanas.

Para ti, el cambio importante es que los agentes de voz empiezan a combinar conversación natural, búsqueda actualizada y acciones concretas en una misma interfaz. La cuestión que habrá que vigilar ahora no es solo si suenan bien, sino cuánto control tendrán las aplicaciones sobre los datos, las herramientas y las decisiones que estos agentes pueden tomar.