Grok Voice Transcribe 2.0 asegura el doble de precisión al mismo precio de diez centavos

En una API que cuesta diez centavos la hora, lo llamativo del nuevo modelo de voz de SpaceXAI no es el precio. Es lo que la compañía dice haber comprado con ese precio.

Lectura relacionada: SpaceXAI lanza Grok 4.7 para programación al precio de Grok 4.6, con benchmarks de la propia casa · OpenAI traslada el entrenamiento de frontera fuera de internet, a una copia en caché de la web.

El 18 de septiembre de 2026, SpaceXAI lanzó Grok Voice Transcribe 2.0, un modelo de voz a texto que describe como el doble de preciso que Grok Voice Transcribe 1.0 y que mantiene las mismas tarifas publicadas: 0,10 dólares por hora de audio para transcripción por lotes y 0,20 dólares por hora para streaming (SpaceXAI). La compañía afirma que el modelo ocupa el primer puesto por precisión entre 32 modelos de streaming en la clasificación pública de Artificial Analysis, y que en un conjunto de frases cortas de asistente de voz en 19 idiomas la tasa de error de palabras bajó del 20,6% al 6,8%.

Son cifras de la empresa, medidas en evaluaciones propias, y el matiz importa. La dirección de la tendencia no: el reconocimiento de voz se abarata y mejora a la vez, y los proveedores que lo venden compiten cada vez más por el audio con el que pueden entrenar y no solo por el modelo.

Qué lanzó SpaceXAI en realidad

Grok Voice Transcribe 2.0 es un modelo alojado, disponible a través de la API Grok Voice con el identificador grok-voice-transcribe-2.0. Gestiona archivos grabados y transmisiones en directo con los mismos pesos, y SpaceXAI asegura que las integraciones existentes de voz a texto reciben la mejora de precisión sin cambios en el código (MarkTechPost). No hay pesos abiertos, así que el autoalojamiento no es una opción.

El precio no cambia respecto a la versión 1.0, lo que equivale a unos 1,67 dólares por 1.000 minutos en lotes y 3,33 dólares por 1.000 minutos en streaming. A esas tarifas, transcribir 1.000 horas de audio grabado cuesta unos 100 dólares. Funciones que hasta hace poco eran conceptos facturables ahora vienen incluidas: diarización de hablantes sin coste adicional, marcas de tiempo a nivel de palabra con puntuaciones de confianza, transcripción multicanal de hasta ocho canales, sesgo de términos clave de hasta 100 términos de dominio por solicitud, formato de forma escrita para números, fechas, monedas y datos de contacto, eliminación de muletillas y detección inteligente de turnos para agentes de voz.

El modelo se construye sobre el modelo fundacional de audio que hay detrás de Grok Voice. SpaceXAI afirma que ese sistema ya gestiona decenas de miles de llamadas de atención al cliente al día, transcribe millones de horas de narración de vídeo y ejecuta agentes de voz en productos físicos, incluido el asistente Grok de los vehículos Tesla. Esas cifras de uso las declara la propia empresa, pero explican la estrategia: la compañía entrena con audio real, ruidoso y multilingüe de despliegues reales, que es el dato que los bancos de pruebas de estudio limpio no capturan.

El tratamiento multilingüe es donde SpaceXAI dice que el salto generacional es mayor. El modelo transcribe decenas de idiomas, detecta el idioma automáticamente y sigue un cambio de idioma a mitad de grabación en una sola pasada. Eso importa para los comandos cortos en los que se apoyan los sistemas de automóvil y de asistente de voz, donde el modelo apenas tiene palabras alrededor para deducir qué idioma está oyendo.

SpaceXAI dice que la versión 2.0 se convertirá pronto en la predeterminada de la API de voz a texto y que la versión 1.0 quedará obsoleta en las próximas semanas. Los desarrolladores que necesiten seguir con la 1.0 pueden fijar grok-voice-transcribe-1.0 durante la transición.

Cómo interpretar «el doble de preciso»

La comparación destacada es con el propio predecesor de SpaceXAI, no con un rival. SpaceXAI dice que mide la tasa de error de palabras en cuatro conjuntos internos extraídos del tráfico de producción: telefonía de atención al cliente a 8 kHz, conversaciones con Grok, credenciales habladas como códigos de cuenta y direcciones de correo electrónico, y comandos de voz cortos en varios idiomas (The Next Web).

La cifra más concreta que publicó es la del conjunto de frases cortas, donde las tasas de error bajaron del 20,6% al 6,8% en 19 idiomas. La cobertura del anuncio cita cifras de la empresa de 8,7% a 3,3% en audio conversacional, 10,6% a 7,1% en telefonía y 7,2% a 3,2% en credenciales habladas (Basenor). La compañía dice que supera a todos los modelos que probó en el conjunto de telefonía, que muestreó a los 8 kHz comprimidos típicos de una llamada. Sus propios gráficos se comparan con Gemini 3.5 Transcribe, MAI-Transcribe-2, ElevenLabs Scribe v2, Deepgram Nova-3 y Whisper Large v3.

En el lado independiente, el panel de streaming de Artificial Analysis muestra una tasa de error de transcripción final declarada del 2,7% para el nuevo modelo, unos 0,49 segundos después del final del habla, frente al 3,9% de GPT Live Transcribe de OpenAI (OrcaRouter). La misma cobertura sitúa la tasa de error por lotes en 2,3%. Son lecturas de una clasificación que cambia a medida que los proveedores envían modelos, así que el número y el puesto se mueven.

Una empresa llamada SpaceXAI

El anuncio se publica bajo un nombre que aún se está imponiendo. xAI se fundó en marzo de 2023 como la empresa de inteligencia artificial de Elon Musk. SpaceX la adquirió el 2 de febrero de 2026 en una operación íntegramente en acciones que valoró xAI en 250.000 millones de dólares (CNBC). En mayo de 2026, Musk dijo que xAI dejaría de existir como empresa independiente, y en julio la entidad fusionada pasó a llamarse SpaceXAI (Engadget). La cobertura, incluido este artículo, sigue recurriendo a «xAI» por costumbre. La empresa ya no usa ese nombre, y su documentación para desarrolladores y su pie de página ahora llevan SpaceXAI.

Loom es el cliente de lanzamiento

La señal externa más concreta es un despliegue y no un banco de pruebas. Atlassian dice que probó Grok Voice Transcribe 2.0 contra su proveedor actual, lo encontró más preciso y ahora lo usa para transcribir todos los vídeos de Loom. Sanchan Saxena, vicepresidente sénior de Atlassian para su Teamwork Collection, enmarcó el trabajo en función de adónde van después las transcripciones: un plan de acción grabado en Loom se convierte en una transcripción, la transcripción se pasa al agente de programación Cursor y se aplican los cambios solicitados.

La competencia y la brecha de precios

OpenAI dividió su línea de transcripción en dos el 28 de julio de 2026. gpt-transcribe gestiona archivos completados y turnos cerrados a 0,0045 dólares por minuto, mientras que gpt-live-transcribe gestiona streaming de baja latencia a 0,017 dólares por minuto (OpenAI). Normalizado, son unos 4,50 y 17 dólares por 1.000 minutos.

Los precios de streaming de Grok y GPT Live Transcribe llegan aproximadamente al mismo punto, cerca de 3,33 dólares por 1.000 minutos. En la vía de archivos no: los 1,67 dólares de Grok frente a los 4,50 de OpenAI son una brecha de alrededor del 63%, impulsada por el cobro por minuto de OpenAI en un modelo cuyo precio bajó un 25% en el lanzamiento, mientras que SpaceXAI simplemente mantuvo su tarifa anterior. MAI-Transcribe-2 de Microsoft llegó a los mismos 0,10 dólares por hora, lo que sugiere que esa cifra se está convirtiendo en el suelo de los laboratorios de frontera para el trabajo por lotes y no en una promoción de un solo proveedor.

El equilibrio entre los dos líderes no es una victoria clara. Las lecturas del panel de Artificial Analysis sitúan a Grok por delante en precisión de transcripción final y en la primera transcripción parcial, la conjetura temprana sobre la que actúa un agente de voz antes de que el hablante haya terminado. OpenAI sigue ganando en tiempo hasta el primer parcial, unos 0,26 segundos frente a los 0,49 de Grok, así que un equipo que prefiera llegar antes que acertar tiene motivos para quedarse. La precisión del parcial es la cifra que decide si un agente interrumpe, escala o espera, y los dos proveedores se sitúan en lados opuestos de esa elección.

Scribe v2 de ElevenLabs y Nova-3 de Deepgram se sitúan en la misma banda y aparecen tanto en la clasificación pública como en las comparativas internas de SpaceXAI. Ahora compiten en los mismos ejes: precisión con audio desordenado, latencia y cuánto del proceso empaqueta un proveedor dentro de la tarifa base.

Qué cambia la transcripción barata

A diez centavos la hora, la transcripción deja de ser una partida de presupuesto que condiciona las decisiones de producto y pasa a ser un insumo básico. Las consecuencias van en varias direcciones.

Para los centros de llamadas, una conversación de asistencia puede transcribirse, buscarse y puntuarse a un coste lo bastante bajo como para aplicarlo a todas las llamadas y no a una muestra. Los agentes de voz se vuelven más baratos de operar y más fáciles de evaluar, porque la transcripción que verifica lo que oyó un agente ya no es la parte cara. Para las empresas de medios, los archivos de pódcast y vídeo demasiado grandes para transcribir a posteriori se convierten en una factura única de cientos de dólares. Para la accesibilidad, el subtitulado en directo se acerca a ser una opción predeterminada en lugar de un complemento premium.

La inclusión de la diarización, las marcas de tiempo y el sesgo de términos clave apunta en la misma dirección. Eran funciones facturables hace poco, y SpaceXAI las ha incorporado al precio base mientras mejoraba el modelo. La presión competitiva recae por tanto menos en el modelo y más en el servicio que lo rodea: retención, rendimiento, latencia y la confianza que un cliente regulado necesita antes de dirigir audio sensible a través de un tercero.

La advertencia que conviene vigilar

Un detalle del anuncio merece más atención de la que ha recibido. SpaceXAI dice que uno de sus conjuntos de evaluación consiste en personas leyendo credenciales en voz alta: códigos de cuenta, números de teléfono, direcciones de correo electrónico y direcciones postales. Nada en el anuncio dice cómo se recopiló, conservó o consintió ese audio, y en Europa una llamada de asistencia tiene dos partes mientras que solo una tiene contrato con el proveedor (The Next Web).

Es una pregunta para todo proveedor que entrene con audio de llamadas, SpaceXAI incluido. También deja claro qué vende en realidad la compañía. A diez centavos la hora el modelo es casi gratis; el activo duradero es el caudal de conversaciones reales que pasa por él, y la precisión que ese caudal compra.

Qué hay que observar

Tres cosas determinarán si este lanzamiento importa más allá del anuncio. La primera es si evaluaciones independientes, y no las del proveedor, confirman la mejora en frases cortas que SpaceXAI sitúa en el centro. La segunda es cómo aguanta el suelo de precios por lotes mientras responden OpenAI, Microsoft y los proveedores especializados, porque una brecha del 63% en la transcripción de archivos es el tipo de cifra que obliga a responder. La tercera es la retirada: un cambio de predeterminado en una API en producción mueve de golpe todas las integraciones no fijadas, y los avisos de migración en las bandejas de los desarrolladores serán la primera prueba real del rendimiento del nuevo modelo con el audio de otras personas.

Portada: Elon Musk, fotografía de Debbie Rowe (CC BY-SA 4.0) vía Wikimedia Commons, recortada a 16:9.