a xAI lança APIs de fala Grok, oferecendo preços 60% inferiores aos concorrentes

Zach Anderson

Apr 18, 2026 00:53

Elon Musk’s xAI lança APIs de Voz para Texto e Texto para Voz a $0,10/hora, alegando as taxas de erro mais baixas em benchmarks de transcrição empresarial.

Elon Musk’s xAI lançou duas APIs de áudio independentes a 17 de abril, posicionando a tecnologia de fala do Grok como concorrente direto da ElevenLabs, Deepgram e AssemblyAI a preços agressivos.

A API de Voz para Texto do Grok funciona a $0,10 por hora para processamento em lote e $0,20 por hora para streaming em tempo real. Texto para Voz custa $4,20 por milhão de caracteres. Ambas utilizam a mesma infraestrutura que alimenta veículos Tesla e suporte ao cliente Starlink.

Reclamações de Benchmark que Merecem Análise

As taxas de erro de palavra publicadas pela xAI contam uma história interessante. Na reconhecimento de entidades em chamadas telefónicas—como nomes, números de conta, datas—o Grok STT afirma uma taxa de erro de 5,0% versus 12,0% da ElevenLabs, 13,5% da Deepgram e 21,3% da AssemblyAI. Isso representa uma diferença significativa se se confirmar em produção.

A empresa demonstrou isso com um caso de teste complicado: transcrever nomes galês como “Anghared Llewelyn Bowen” e “Oisin MacGiolla Phadraig” juntamente com detalhes de hipotecas. O Grok acertou sem erros. Modelos concorrentes tiveram dificuldades com pronúncias e datas formatadas de forma inconsistente.

A transcrição de vídeos e podcasts mostra uma competição mais acirrada—Grok e ElevenLabs empataram com uma taxa de erro de 2,4%, enquanto Deepgram e AssemblyAI ficaram ligeiramente atrás com 3,0% e 3,2%, respetivamente.

Recursos Técnicos para Desenvolvedores

Para além da transcrição bruta, a xAI integrou funcionalidades que os clientes empresariais realmente precisam: marcas de tempo ao nível de palavra, diarização de falantes em múltiplos canais de áudio e suporte a mais de 25 línguas com troca fluida.

A funcionalidade de Normalização de Texto Inversa converte automaticamente números falados, datas e moedas em formatos corretos. “Four one four five five five one two three four” torna-se um número de telefone. “Six ninety-nine” torna-se $6,99. Pequeno detalhe, mas elimina dores de cabeça na pós-processamento.

Texto para Voz inclui tags inline para controlo de prosódia—sussurros, risos, suspiros, ênfase, ajustes de ritmo. Os desenvolvedores podem inserir nuances emocionais sem lidar com marcações de áudio complexas.

Contexto Estratégico

Este lançamento sucede à aquisição da xAI pela X Corp em março de 2025 e ocorre num momento em que a empresa expande suas parcerias de infraestrutura. Apenas dois dias antes do anúncio da API, surgiram relatos de que a xAI planeja fornecer poder computacional à Cursor, a startup de codificação alimentada por IA.

O supercomputador Colossus, operacional desde dezembro de 2024, fornece a potência de backend. A xAI parece estar monetizando essa capacidade em vários setores—IA empresarial, ferramentas para desenvolvedores e agora APIs de voz.

Para desenvolvedores que criam agentes de voz ou ferramentas de transcrição, os preços são substancialmente inferiores aos dos players estabelecidos. Se as alegações de precisão do Grok sobreviverem à implementação em escala real permanece a questão em aberto. A documentação e os limites de taxa estão disponíveis através do console de APIs da xAI para quem estiver pronto para testar.

Fonte da imagem: Shutterstock