For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/de/articles/grok-voice-3-0-pricing-and-voice-agent-be-c2aec656.md.
xAI stellte Grok Voice 3.0 am 14. Oktober 2026 vor und machte das Speech-to-Speech-Modell über seine Voice Agent API zu einem angekündigten ...
xAI stellte Grok Voice 3.0 am 14. Oktober 2026 vor und machte das Speech-to-Speech-Modell über seine Voice Agent API zu einem angekündigten Preis von 0,08 US-Dollar pro Minute verfügbar. Die Einführung hebt Support-Anrufe, natürliche Gesprächsführung und die Fähigkeit hervor, über verbundene Tools Aktionen auszuführen.
Die Veröffentlichung wird durch verschiedene Arten von Belegen gestützt: eine unabhängige Benchmark-Rangliste, ein separates Bewertungsframework für Unternehmen und vom Unternehmen berichtete Einsatzkennzahlen. Sie beantworten unterschiedliche Fragen. Daher ist es hilfreich, Benchmark-Leistung, Produktionsangaben und API-Preise getrennt zu betrachten.
Der angekündigte Preis beträgt 0,08 US-Dollar pro Minute, entsprechend 4,80 US-Dollar pro Stunde. xAI erklärt, dass der Preis gegenüber Grok Voice 2.0 unverändert ist und dass Agenten, die den Alias grok-voice-latest verwenden, automatisch auf die neue Version umgestellt wurden.
Die offizielle Preisseite, die am 15. Oktober geprüft wurde, führt außerdem 0,004 US-Dollar pro Texteingabe für die Speech-to-Speech-API auf. Diese Position ist vom Minutenpreis getrennt und für Anwendungen relevant, die Text in eine Sprachsitzung senden.
Der Alias ist für bestehende Anwendungen wichtig. Er verweist auf das jeweils aktuelle Sprachmodell statt auf eine dauerhaft festgelegte Version. Ein Entwickler kann daher verändertes Modellverhalten erhalten, ohne diese Kennung zu bearbeiten. Laut der Ankündigung waren für die automatische Umstellung keine Migrationsänderungen erforderlich. Das verringert jedoch nicht den Nutzen von Regressionstests für einen bestehenden Agenten.
Ein minutenbasierter Modellpreis entspricht außerdem nicht den Gesamtkosten für den Betrieb eines Contact Centers. Telefonie, Anwendungsinfrastruktur, externe Tools und menschliche Eskalationen sind separate Faktoren; die Ankündigung behauptet nicht, dass sämtliche dieser Ausgaben im Modellpreis enthalten sind.
Die Live-Rangliste von Artificial Analysis, geprüft am 15. Oktober, führt Grok Voice 3.0 mit einem Wert von 86,9 auf Platz eins ihres Speech-to-Speech Index. Der Index bündelt Sprachschlussfolgern, agentische Leistung, menschliche Präferenz und Aufgabenerfolg. Ein Modell muss über die erforderlichen Komponentendaten verfügen, um in diesem kombinierten Vergleich aufgeführt zu werden.
Die Einführungsankündigung enthält den folgenden, Artificial Analysis zum 13. Oktober zugeschriebenen Vergleich mit der vorherigen Version:
| Kennzahl | Grok Voice 3.0 | Grok Voice 2.0 |
|---|---|---|
| Speech-to-Speech Index | 86,9 | 81,3 |
| Big Bench Audio Sprachschlussfolgern | 98,5 % | 97,2 % |
| Speech Agent Arena Präferenz-Elo | 1070 | 1011 |
| Erfolgsrate bei Arena-Aufgaben | 94,8 % | 94,6 % |
| Full Duplex Bench | 97,0 % | 95,1 % |
| tau-Voice-Erfolg bei Support-Aufgaben | 71,6 % | 56,5 % |
Diese Prozentwerte sind nicht direkt austauschbar. Big Bench Audio bewertet Aufgaben zum Schlussfolgern auf Basis gesprochener Fragen, während tau-Voice simulierte Support-Arbeit mit Tools und Richtlinien bewertet. Die Arena-Präferenz spiegelt wider, wie Menschen zwei nicht identifizierte Agenten vergleichen, und die Kennzahl zum Aufgabenerfolg betrifft den erfolgreichen Abschluss geeigneter Szenarien.
Full Duplex Bench bewertet Gesprächsverhalten wie Pausen, Sprecherwechsel, Unterbrechungen und kurze Bestätigungen. Das ist relevant dafür, ob ein Agent einem Anrufer ins Wort fällt oder zum falschen Zeitpunkt aufhört. Es misst jedoch nicht unmittelbar, ob etwa eine Rückerstattung oder Umbuchung korrekt war.
Die Rangliste von Artificial Analysis führt Grok Voice 3.0 mit 0,81 Sekunden bis zur ersten Audioausgabe in ihrer Big-Bench-Audio-Bewertung auf. Das stützt ein Ergebnis unter einer Sekunde in diesem Test, ist jedoch keine Garantie dafür, dass jeder Kunde in jedem Netzwerk innerhalb von 0,81 Sekunden eine Antwort hört.
xAI vergleicht seine tau-Voice-Leistung mit GPT-Live-1 in der Astra-Konfiguration „medium“. Das Diagramm zur Einführung nennt eine Erfolgsrate von 71,6 % für Grok Voice 3.0 und 74,5 % für diesen Wettbewerber, während es für Grok eine um etwa 40 % niedrigere Latenz behauptet. Dies ist ein Vergleich von Leistung und Reaktionsfähigkeit und keine Behauptung, dass Grok jede einzelne Kennzahl gewinnt.
Das vorherige Grok Voice 2.0 wird in der Latenzkennzahl der Live-Rangliste mit 0,70 Sekunden geführt. Die neue Version sollte daher nicht als durchgängig schneller als ihr Vorgänger beschrieben werden: Sie verbessert die berichteten Qualitätskennzahlen, benötigt jedoch in diesem speziellen Latenztest etwas länger.
Die Ankündigung nennt außerdem durchschnittliche Kosten von 0,025 US-Dollar pro Big-Bench-Audio-Aufgabe, gegenüber 0,030 US-Dollar für GPT-Live-1 in der genannten Konfiguration und 0,055 US-Dollar für GPT-Realtime-2.1 High. Dies sind Kosten für eine Benchmark-Arbeitslast, keine Festpreise für einen beliebigen produktiven Anruf und kein Beleg dafür, dass kein anderes Sprachmodell günstiger ist.
xAI berichtet einen Genauigkeitswert von 74 % bei EVA-Bench sowie eine starke kombinierte Leistung bei Genauigkeit und Nutzungserlebnis. Dieses Ergebnis ist eine Behauptung aus der Einführungsankündigung; die öffentliche Projektseite von ServiceNow wurde geprüft, um festzustellen, was das Framework misst.
EVA-Bench bewertet vollständige, mehrteilige Sprachgespräche in einem Bot-zu-Bot-Setup. Die öffentliche Übersicht führt drei Bereiche auf:
| Bereich | Szenarien | Tools |
|---|---|---|
| Kundenservice | 50 | 15 |
| IT-Service-Management | 80 | 59 |
| Personalwesen | 83 | 47 |
Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.
Eine komplette Projektgeneration zur kostenlosen Registrierung
Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen.
Das Framework trennt EVA-A, die Aufgabengenauigkeit, von EVA-X, dem Gesprächserlebnis. Diese Trennung ist für Unternehmensagenten nützlich, weil ein überzeugendes Gespräch dennoch mit einer falschen Aktion enden kann und eine korrekte Aktion trotzdem zu einem schlechten Erlebnis für den Anrufer führen kann.
xAI erklärt, dass Grok Voice täglich Millionen Gespräche bei Tesla und SpaceX unterstützt. Beschrieben werden freihändige Anfragen in Tesla-Fahrzeugen und der Sprachmodus für Grok Bot, einschließlich Aufgaben mit verbundenen Diensten.
Für Starlink berichtet das Unternehmen ungefähr 20.000 Kundenanrufe pro Tag in mehreren Sprachen, von denen rund 70 % ohne menschliche Beteiligung gelöst werden. Zudem heißt es, dass jeder vierte Vertriebsanruf in einem Kauf endet; Agenten bearbeiten dabei Verifizierungen, Fehlerbehebung, Gutschriften und Ersatzgeräte.
Dies sind vom Unternehmen berichtete operative Kennzahlen. Die Ankündigung liefert keine unabhängig geprüfte Aufschlüsselung der Anrufschwierigkeit, der Eskalationskriterien oder des Zeitraums, über den sämtliche Kennzahlen gemessen wurden. Ein Unternehmen, das das Modell bewertet, sollte eigene Richtlinien, Tool-Berechtigungen, störanfällige Audiodaten und Anforderungen für die Übergabe an Menschen testen.
Grok Voice 3.0 ist das Speech-to-Speech-Modell von xAI für dialogorientierte Agenten. Die Ankündigung konzentriert sich auf gesprochenes Schlussfolgern, Support-Aufgaben, Tool-Nutzung und den Umgang mit der Dynamik eines Live-Gesprächs.
xAI kündigte für die Voice Agent API einen Preis von 0,08 US-Dollar pro Minute beziehungsweise 4,80 US-Dollar pro Stunde an. Prüfen Sie die aktuelle Preisdokumentation auf Abrechnungsbedingungen und planen Sie für Dienste außerhalb der Modell-API ein separates Budget ein.
grok-voice-latest migrieren?xAI erklärt, dass dieser Alias ohne erforderliche Codeänderungen automatisch auf Grok Voice 3.0 umgestellt wurde. Bestehende Nutzer sollten ihre Prompts, Tools und das Anrufverhalten nach einer Modelländerung dennoch bewerten.
Nein: Der genannte Wert unter einer Sekunde ist eine Benchmark-Messung, und andere Modelle sind bei dieser Kennzahl schneller. Der zentrale Latenzvergleich der Einführung bezieht sich auf eine spezifische GPT-Live-1-Konfiguration bei ähnlicher Leistung in Support-Aufgaben.
Der Index kombiniert mehrere Kennzahlen zur Leistung von Sprachagenten, einschließlich Schlussfolgern und Aufgabenerledigung. Full Duplex Bench konzentriert sich auf Gesprächsverhalten wie die Behandlung von Unterbrechungen, Pausen und Sprecherwechseln.
Nein: xAI berichtet, dass rund 70 % der Starlink-Anrufe ohne menschliche Beteiligung gelöst werden, was ein Ergebnis eines bestimmten Einsatzes ist. Es belegt weder dieselbe Lösungsquote für andere Unternehmen noch macht es Eskalationswege überflüssig.
Grok Voice 3.0 behält den angekündigten API-Preis von 0,08 US-Dollar pro Minute bei und verbessert gleichzeitig die berichteten Sprach- und Support-Aufgabenergebnisse der vorherigen Version. Die aussagekräftigsten Belege verbinden eine klare Benchmark-Definition mit Messungen, die für einen konkreten Einsatz relevant sind.
Bewerten Sie Aufgabenkorrektheit, Gesprächsverhalten, Latenz und vollständige Betriebskosten gemeinsam, bevor Sie einen Support-Workflow auf das Modell umstellen.
Starte mit einem Satz und erhalte in wenigen Minuten eine vollständige Website.
