Grok Voice 3.0 Rilis untuk Agen Suara Real Time

Grok Voice 3.0 adalah model speech-to-speech terbaru dari xAI untuk Voice Agent API, dirilis 14 Oktober 2026. Model jenis ini menerima suara dan langsung menjawab dengan suara, tanpa memisahkan tahap transkripsi, pemrosesan teks, dan sintesis suara seperti pipeline lama. Hasilnya, percakapan dengan agen bisa terasa lebih alami: jeda lebih pendek, dan agen lebih luwes saat dipotong bicaranya.

Taruhannya nyata bagi bisnis yang memakai agen suara untuk layanan pelanggan. Pilihan model memengaruhi biaya per menit, seberapa sering pelanggan harus mengulang ucapannya, dan apakah panggilan bisa diselesaikan tanpa staf. Kabar baiknya, untuk pengguna versi 2.0, berpindah ke 3.0 nyaris tanpa usaha.

Apa yang berubah di Grok Voice 3.0?

Menurut dokumentasi resmi xAI, API, parameter sesi, dan event tidak berubah, dan harganya sama dengan versi sebelumnya. Yang berganti adalah model di baliknya. Alias grok-voice-latest kini menunjuk ke grok-voice-3.0, sedangkan grok-voice-2.0 dinyatakan deprecated.

Skor benchmark

xAI mengutip pengujian Artificial Analysis yang menempatkan Grok Voice 3.0 di peringkat pertama Speech-to-Speech Index dengan skor 86,9, naik dari 81,3 milik Grok Voice 2.0. Komponen indeksnya mencakup Big Bench Audio, preferensi pengguna di arena, keberhasilan tugas, dan Full Duplex Bench. Angka ini perlu dibaca sebagai hasil pengujian pada saat itu. Peringkat model suara bergeser cepat setiap ada rilis baru.

Latensi

xAI menyebut latensinya di bawah satu detik. Dokumentasi resmi sendiri tidak mencantumkan angka latensi, tetapi memberi saran praktis untuk mengurangi jeda yang dirasakan pengguna, misalnya membuka koneksi WebSocket dan menangkap mikrofon secara paralel, lalu memutar audio balasan begitu potongan pertamanya tiba.

Perbandingan Grok Voice 2.0 dan 3.0

Harga di atas adalah tarif per menit model, per 12 November 2026. Biaya lain bisa bertambah, misalnya tool pencarian web atau biaya operator telepon, jadi cek halaman harga resmi xAI sebelum menghitung anggaran.

Fitur yang relevan untuk agen suara bisnis

Dokumentasi Voice Agent API menunjukkan beberapa kemampuan yang penting untuk kasus seperti call center atau resepsionis otomatis:

• Koneksi real time lewat WebSocket. Browser memakai token sementara, sedangkan kode di server memakai API key di header.
• Telepon. Dokumentasi menyebut koneksi lewat SIP, WebSocket, atau LiveKit, dengan dukungan audio G.711 yang umum di jaringan telepon.
• Tool calling. Ada tool sisi server seperti pencarian web dan MCP, serta function tool buatan sendiri, misalnya untuk mengecek jadwal atau membuat booking.
• Lebih dari 20 bahasa dengan deteksi otomatis. Dokumentasi tidak merinci daftar lengkapnya di halaman panduan, jadi uji sendiri kualitas bahasa Indonesia sebelum dipakai melayani pelanggan.
• Kompatibel dengan OpenAI Realtime API, dengan beberapa perbedaan yang didokumentasikan. Aplikasi yang sudah dibangun untuk API itu bisa dicoba dengan sedikit penyesuaian.

Sebagian sumber menyebut perusahaan pengembangnya dengan nama berbeda, tetapi host API tetap api.x.ai.

Kapan langsung pakai 3.0, kapan menunggu?

Kalau agenmu memakai alias grok-voice-latest, kamu sebenarnya sudah memakai 3.0 sejak rilis. Yang perlu dilakukan adalah memeriksa ulang rekaman dan log percakapan, terutama alur yang melibatkan tool, interupsi, dan percakapan panjang. Perubahan model bisa memengaruhi gaya jawaban walaupun API-nya sama.

Kalau agenmu dipatok ke grok-voice-2.0, rencanakan perpindahan sekarang. Status deprecated berarti versi itu akan dihentikan, walaupun tanggal pastinya belum tercantum di dokumentasi per 12 November 2026. Uji 3.0 di lingkungan staging dengan skenario panggilan nyata, lalu ganti nama modelnya.

Untuk produksi, memakai nama versi yang jelas seperti grok-voice-3.0 lebih aman daripada alias. Dengan begitu, perubahan model berikutnya tidak tiba-tiba mengubah perilaku agen tanpa sempat diuji.

Gambaran untuk bisnis di Indonesia

Agen suara paling cocok untuk pertanyaan yang berulang: jam buka, status pesanan, jadwal janji temu, atau penyaringan awal sebelum diteruskan ke staf. Untuk gambaran alur lengkapnya, lihat cara melayani telepon pelanggan dengan AI voice agent dan cara kerja serta batas voicebot AI untuk call center.

Hitung juga biayanya dengan jujur. Pada tarif US$0,08 per menit, panggilan lima menit memakan US$0,40 untuk model saja, belum termasuk biaya telepon dan server yang menjalankan logika agenmu. Bandingkan dengan biaya staf per panggilan dan berapa persen panggilan yang realistis bisa diselesaikan tanpa manusia di bisnismu.