xAI hat am 14. Oktober 2026 Grok Voice 3.0 vorgestellt, die neue Version seines Sprachmodells für Sprachagenten. Es nimmt gesprochene Sprache auf und antwortet in gesprochener Sprache. Genutzt wird es über die Voice Agent API zum selben Satz wie die Vorgängerversion: 0,08 $ pro Minute.
Was ist passiert
Mehrere Berichte stimmen darin überein, dass xAI Grok Voice 3.0 am 14. Oktober 2026 als Speech-to-Speech-Modell in der Voice Agent API bereitgestellt hat, zu 0,08 $ pro Minute. Das entspricht 4,80 $ pro Stunde und ist derselbe Satz wie bei Grok Voice 2.0. Anwendungen, die den Alias grok-voice-latest verwenden, wurden automatisch auf Version 3.0 umgestellt, ohne dass Code geändert werden musste.
Was das Modell kann
Nach den Berichten beherrscht Grok Voice 3.0 20 Sprachen mit automatischer Erkennung. Es kann also mitten in einem Gespräch die Sprache wechseln, ohne dass eine Sprache vorab eingestellt werden muss. Es bringt 28 eingebaute Stimmen mit, und Teams können aus einem Referenzclip von bis zu 120 Sekunden Länge eine eigene Stimme klonen. Unterbrechungen werden serverseitig über eine Erkennung von Sprachaktivität (Voice Activity Detection) behandelt.
Zur Geschwindigkeit: Die Zeit bis zum ersten Ton liegt bei etwa 0,81 Sekunden. Das ist langsamer als beim Vorgänger, bei dem sie 0,70 Sekunden betrug. Nach einer Besprechung antwortet das Konkurrenzmodell GPT-Live-1 dagegen erst nach 1,34 Sekunden.
Die Bewertungen
Laut xAI-Ankündigung nennt eine unabhängige Prüfung von Artificial Analysis vom 13. Oktober 2026 Grok Voice 3.0 auf Platz eins im Speech-to-Speech-Index, mit 86,9 Punkten. Dieser Index mischt, wie ein Bericht erklärt, gesprochenes Schlussfolgern, simulierte Kundendienst-Gespräche und blinde Präferenztests. xAI nennt das Modell das intelligenteste Speech-to-Speech-Modell der Welt.
Zu den Kosten je Aufgabe nennt xAI in einem Lauf des Tests Big Bench Audio 0,025 $ für Grok Voice 3.0, 0,030 $ für GPT-Live-1 und 0,055 $ für GPT-Realtime-2.1. Das sind Zahlen von xAI, die auf Artificial Analysis verweisen.
Ein Bericht widerspricht der großen Formulierung: Beim Kundendienst-Test τ-Voice erreicht Grok 71,6 %, GPT-Live-1 dagegen 74,5 %. Im Test Full Duplex Bench, der misst, wie natürlich ein Modell mit Pausen, Sprecherwechsel und Unterbrechungen umgeht, kommt Grok Voice 3.0 auf 97 %. Eine Besprechung nennt den Satz „intelligentestes Modell der Welt“ deshalb Marketing.
Hintergrund
Grok Voice 3.0 steht in einer Reihe: Die Voice Agent API gab es schon mit Grok Voice 2.0 zum selben Satz von 0,08 $ pro Minute. In der Beta-Phase des Dienstes lag der Satz bei 0,05 $ pro Minute. Als Vergleichsmodelle nennen die Berichte GPT-Live-1 und GPT-Realtime-2.1.
Die genannten Zahlen im Überblick, jeweils nach Angaben von xAI oder Berichten darüber:
| Messung | Grok Voice 3.0 | Vergleich |
|---|---|---|
| Speech-to-Speech-Index (Artificial Analysis) | 86,9, Platz eins | – |
| Zeit bis zum ersten Ton | 0,81 s | Vorgänger 0,70 s; GPT-Live-1 1,34 s |
| Kundendienst-Test τ-Voice | 71,6 % | GPT-Live-1 74,5 % |
| Full Duplex Bench | 97 % | – |
| Kosten je Aufgabe (Big Bench Audio) | 0,025 $ | GPT-Live-1 0,030 $; GPT-Realtime-2.1 0,055 $ |
xAI nennt ein Einsatzbeispiel aus dem eigenen Umfeld. Danach beantworten Callcenter von Starlink mit Grok Voice täglich 20 000 Kundenanrufe in mehreren Sprachen, und etwa 70 % davon werden ohne Mensch gelöst. Diese Zahlen stammen von xAI und sind nicht unabhängig bestätigt.
Bei der Firmenbezeichnung sind die Quellen uneinheitlich. Je nach Bericht heißt der Anbieter xAI, SpaceXAI oder SpaceXSI; gemeint ist dasselbe Unternehmen, das hinter Grok steht. Dieser Beitrag bleibt bei „xAI“, wie es die ursprüngliche Meldung tut.
Bei den Kosten weisen die Berichte auf Fallstricke hin. Minutensätze lassen sich zwischen Anbietern nicht ohne Weiteres vergleichen, weil die Abrechnungseinheiten verschieden sind. Aufrufe von Werkzeugen können gesondert abgerechnet werden. Und einige Seiten von Dritten nennen noch 0,05 $ pro Minute, den Satz aus der Beta-Phase des Dienstes; er ist veraltet.
- „The X Subscription“: Grok, Cursor und X Premium in einem Abo
- OpenAI Decisions API: bezahlt wird nur die Eingabe
- Kimi K3.1 Pro rückt im KI-Ranking auf Platz 4 vor
Was das bedeutet
Für Entwicklerinnen und Entwickler, die Sprachagenten bauen, bleibt der Satz pro Minute gleich, und die Umstellung auf Version 3.0 erfolgt über den Alias von selbst. Wer das Modell wählt, sollte seine eigene Anwendung messen: Die Zahlen zu Antwortzeit und Kundendienst-Test sind gemischt, und die großen Aussagen stammen vom Anbieter.
Für Unternehmen mit Kundendienst ist die Meldung ein Hinweis darauf, dass Sprachagenten auf dem Markt günstiger und breiter werden. Ob ein bestimmter Einsatz taugt, hängt vom eigenen Anwendungsfall ab; die Angabe, rund 70 % der Anrufe bei Starlink würden ohne Mensch gelöst, ist eine Selbstauskunft von xAI.
Für alle anderen betrifft die Meldung vor allem Technik im Hintergrund. Sie zeigt, dass Anbieter ihre Sprachmodelle für Kundengespräche in mehreren Sprachen anbieten; ob und wo Sie selbst mit einem solchen Agenten sprechen, geht aus den Quellen nicht hervor.
Zur Einordnung: Die ausgewerteten Quellen sind überwiegend Ankündigungen und Berichte darüber. Ein unabhängiger Test, der alle genannten Zahlen bestätigt, lag nicht vor.
Häufige Fragen
Was kostet Grok Voice 3.0?
0,08 $ pro Minute in der Voice Agent API, das sind 4,80 $ pro Stunde. Der Satz ist derselbe wie bei Grok Voice 2.0. Aufrufe von Werkzeugen können gesondert abgerechnet werden.
Was ist ein Speech-to-Speech-Modell?
Ein Modell, das gesprochene Sprache direkt versteht und direkt wieder in gesprochener Sprache antwortet, statt Sprache erst in Text und Text dann zurück in Sprache umzuwandeln. Es eignet sich für Sprachagenten, etwa im Kundendienst.
Muss ich als Entwickler etwas ändern?
Nicht unbedingt: Anwendungen, die den Alias grok-voice-latest nutzen, wurden laut Berichten automatisch auf Version 3.0 umgestellt, ohne dass Code geändert werden musste.
Ist Grok Voice 3.0 wirklich das beste Sprachmodell?
Auf dem Speech-to-Speech-Index von Artificial Analysis liegt es mit 86,9 auf Platz eins. Bei einem Test für Kundendienst-Anrufe (τ-Voice) erreicht es aber 71,6 % gegenüber 74,5 % bei GPT-Live-1, und die Antwortzeit stieg von 0,70 auf 0,81 Sekunden. Viele Zahlen stammen von xAI selbst.
