Blog · 1 de noviembre de 2026

Phonic vs Grok Voice vs Gemini Live: ¿qué modelo de voz suena más a una llamada de verdad?

Cuando tu agente te llama, quien habla es un modelo de voz en tiempo real. Les dimos a tres de ellos los mismos cuatro prompts y cronometramos cuánto tardaba cada uno en empezar a hablar, con y sin herramientas.

Por qué importa el modelo en una llamada

agentring hace sonar tu móvil como una llamada de verdad. Cuando contestas, una IA de voz te explica por qué te llama tu agente, responde a tus preguntas y, cuando hace falta, consulta a tu agente o a una de sus herramientas. Dos cosas deciden si eso se siente como una conversación o como esperar en línea:

• Lo rápido que empieza a hablar cuando tú terminas. A partir de un segundo y medio, más o menos, la pausa se nota.
• Si usa bien las herramientas: elegir la correcta, encadenar dos cuando hace falta y no quedarse callado mientras una lenta trabaja.

agentring puede usar Gemini Live, OpenAI Realtime, Grok Voice o Phonic, así que los comparamos justo en esos dos puntos.

Cómo lo medimos

El 30 de octubre de 2026 enviamos los mismos cuatro prompts en español, en tiempo real, a Phonic-1, Grok Voice y Gemini 3.8 Live, con tres sesiones cada uno:

1. conversación normal, sin herramientas;
2. una pregunta que necesita una herramienta rápida;
3. una pregunta que necesita dos herramientas, una detrás de otra;
4. una pregunta cuya herramienta tarda 3 segundos en responder.

Primer audio es el tiempo desde que el usuario termina de hablar hasta el primer audio del modelo. Herramientas correctas cuenta los turnos con herramientas (tres prompts × tres sesiones = 9) en los que el modelo eligió y encadenó las herramientas que esperábamos. OpenAI Realtime no entró en esta prueba.

Resultados

Cómo suena cada uno

• Phonic y Grok rellenan la espera. Antes de llamar a una herramienta dicen algo como «déjame mirarlo» y responden cuando la herramienta vuelve. Nunca te quedas en silencio.
• Gemini se calla hasta que responde la herramienta. De ahí sale casi todo su rango de 2 a 5 s con herramientas: con la herramienta de 3 segundos no oyes nada hasta que llega el resultado.
• Phonic es el que más habla y Grok el más conciso. En una llamada en la que solo quieres la decisión («¿revierto o no?»), lo corto suele ser mejor.
• Grok eligió las herramientas correctas todas las veces (9/9); Phonic falló una y Gemini dos.

Cuánto cuesta

• Gemini Live tiene una capa gratuita (con límites de uso; Google puede usar los datos de la capa gratuita para mejorar sus productos) y una de pago de unos 0,005 $ por minuto de audio de entrada y 0,018 $ por minuto de salida (precios de Google).
• Phonic empieza en 0,07 $ por minuto (phonic.ai).
• Grok Voice y OpenAI Realtime cobran por uso; consulta las páginas de precios de xAI y de OpenAI.

¿Cuál elegir?

• Para probar agentring en tu propio servidor: Gemini Live. Con la capa gratuita no te cuesta nada empezar, y es el que viene por defecto.
• Para llamadas que tiran de herramientas (consultar a tu agente, mirar el CI, buscar cosas): Grok Voice. Rápido, conciso y el más certero con las herramientas en esta prueba.
• Para la primera palabra más rápida: Phonic, por poco, si no te importan las respuestas más largas ni el precio más alto.

En agentring es un solo ajuste, el mismo para la CLI y el servidor MCP: --provider gemini|openai|grok|phonic, o AGENTRING_VOICE_PROVIDER en el entorno. Con agentring cloud la IA de voz va incluida en el plan, así que no tienes que configurar ninguna clave.

Limitaciones

Es una prueba pequeña: cuatro prompts, tres sesiones por modelo, en español, desde una sola máquina y en un solo día. Los modelos de tiempo real cambian a menudo y la latencia depende de la red y de la región a la que llegas. Toma los números como una foto del momento y mide con tus propios prompts si la elección te importa. La configuración de los proveedores y las últimas notas están en la documentación de voz (en inglés).