xAI Grok Voice 3.0 startet für 0,08 $ pro Minute

Das KI-Unternehmen xAI hat am 14. Oktober 2026 Grok Voice 3.0 veröffentlicht. Es ist ein Sprache-zu-Sprache-Modell für den Bau von Sprachagenten. Es kostet in der Voice Agent API 0,08 $ pro Minute, genauso viel wie das Modell, das es ersetzt. Laut dem Unternehmen liegt es jetzt auf Platz eins im Speech-to-Speech-Index von Artificial Analysis. Das ist wichtig, weil Sprachagenten in Callcenter einziehen. Ein besseres Modell zum gleichen Preis senkt die Kosten jedes Anrufs.

Was Grok Voice 3.0 ist

Ein Sprache-zu-Sprache-Modell hört Audio und antwortet direkt mit Audio. Es überspringt die ältere Kette, in der Sprache erst in Text umgewandelt, dann ein Textmodell ausgeführt und die Antwort wieder in Sprache verwandelt wird. Diese Abkürzung lässt ein Telefongespräch mit einer KI weniger verzögert wirken.

Grok Voice 3.0 läuft in der Voice Agent API von xAI. Es streamt Audio und Text in beide Richtungen über einen WebSocket, eine Verbindung, die für Live-Daten offen bleibt, berichtet Blockchain.News. Es ist jetzt das wichtigste Sprachmodell von xAI, und Grok Voice 2.0 gilt als veraltet.

Preis und Umstieg

Der Preis bleibt bei 0,08 $ pro Minute, etwa 4,80 $ pro Stunde, so viel wie bei Grok Voice 2.0. AI Weekly beziffert konkurrierende Sprachmodelle unter Berufung auf SiliconANGLE auf 0,10 bis 0,18 $ pro Minute.

Für viele Entwicklerinnen und Entwickler ist der Umstieg ohne Aufwand. Apps, die auf grok-voice-latest zeigen, wurden laut Blockchain.News automatisch auf 3.0 umgestellt. Endpunkt, Sitzungseinstellungen und Ereignisse bleiben gleich. Clientseitige Apps nutzen weiterhin kurzlebige Token.

Die Benchmark-Angaben

Die wichtigste Zahl von xAI ist ein Wert von 86,9 im Speech-to-Speech-Index von Artificial Analysis, einer Gruppe, die KI-Modelle vergleicht:

Modell	Speech-to-Speech-Index
Grok Voice 3.0	86,9
GPT-Live-1 (OpenAI)	83,2
Gemini 3.8 Live (Google)	82,6
Grok Voice 2.0	81,3

Die Ankündigung von xAI nennt weitere Ergebnisse, auf Basis von Daten von Artificial Analysis mit Stand 13. Oktober. Im Reasoning-Test Big Bench Audio erreicht Grok Voice 3.0 98,5 % bei durchschnittlich 0,025 $ pro Aufgabe. GPT-Live-1 kommt auf 90,1 % und 0,030 $. Die Tabelle ist allerdings kein klarer Sieg. Bei τ-Voice, einem Test, in dem Sprachagenten Aufgaben erledigen, erreicht GPT-Live-1 74,5 %, Grok Voice 3.0 dagegen 71,6 %.

xAI meldet außerdem 97 % im Full Duplex Bench, der gleichzeitiges Sprechen und Zuhören prüft, und 74 % im EVA-Bench, einem offenen Benchmark von ServiceNow. Nitin Aggarwal, Senior Director of Product Management for Agentic Evals and RAI bei ServiceNow, sagte, das Modell setze „eine neue Pareto-Grenze beim EVA-Bench“. Das Unternehmen gibt außerdem eine Latenz unter einer Sekunde an, 40 % niedriger als bei GPT-Live-1 bei vergleichbarer Genauigkeit in τ-Voice.

Wo es schon läuft

Laut xAI bewältigt das Modell bereits echten Verkehr. Die Callcenter von Starlink nehmen etwa 20.000 Anrufe pro Tag in mehreren Sprachen an. Rund 70 % davon werden ohne Menschen gelöst. Jeder vierte Verkaufsanruf endet laut xAI mit einem Kauf, bevor aufgelegt wird. Tesla nutzt das Modell für freihändige Aufgaben in seinen Autos.

AI Weekly weist darauf hin, dass keine unabhängige Prüfung die Starlink-Zahlen stützt.

Was das für Entwickler bedeutet

Wer Grok Voice bereits über grok-voice-latest nutzt, arbeitet jetzt mit 3.0. Spielen Sie Ihre eigenen Anrufaufnahmen und Testskripte erneut ab. Ein neues Modell kann Tonfall, Timing und den Umgang mit Unterbrechungen ändern, auch wenn die API gleich bleibt.

Wer eine bestimmte Modellversion festlegt, sollte den Wechsel auf 3.0 planen, bevor 2.0 abgeschaltet wird, denn es gilt jetzt als veraltet.

Für Teams, die Sprachanbieter vergleichen, sind die Kosten pro Minute die einfache Zahl. Schicken Sie dieselben 50 echten Anrufe durch jeden Kandidaten. Messen Sie die Lösungsquote und die Übergaben an Menschen, also genau die Kennzahlen, die xAI selbst hervorhebt. Benchmark-Werte passen selten zu einem bestimmten Gesprächsablauf.

Behandeln Sie die Einsatzzahlen als Werbung, bis jemand außerhalb von xAI sie bestätigt. Eine Selbstbedienungsquote von 70 % ist eine starke Behauptung. Sie hängt stark davon ab, welche Art von Anrufen ein Callcenter erhält.