Was ist Grok Voice 3.0?
Grok Voice 3.0 (grok-voice-3.0) ist das Speech-to-Speech-Modell hinter SpaceXSIs Voice Agent API: Es hört zu, denkt nach, ruft Tools auf und antwortet gesprochen, alles in einem Modell. Es erschien am 14. Oktober 2026 und löste das inzwischen abgekündigte Grok Voice 2.0 zum gleichen Preis ab; der Alias grok-voice-latest zeigt automatisch darauf.
Es läuft über WebSocket oder WebRTC und nimmt Telefonate per SIP über Twilio, Telnyx, Plivo oder jeden Anbieter an, der per TLS an SpaceXSI weiterleitet, mit Anrufweiterleitung und Tasteneingabe. Eingebaute Tools decken Websuche, X-Suche, Dateisuche in Collections und entfernte MCP-Server ab, neben eigenen Funktionen. Das Reasoning ist standardmäßig an und lässt sich abschalten. Die Doku führt 20 Sprach- und Regionalcodes, eingebaute Stimmen, die mit SpaceXSIs Text-to-Speech geteilt werden, und das Klonen einer Stimme aus einem kurzen Referenzclip auf.
Laut SpaceXSI wickelt es täglich Millionen Gespräche in Tesla-Autos und etwa 20.000 Kundengespräche von Starlink ab.
Was kostet Grok Voice 3.0?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Audio | $0.08 per minute ($4.80 an hour) | |
| Text input | $0.004 per message |
0,08 $ pro Minute Audio (4,80 $ pro Stunde) plus 0,004 $ pro Texteingabe-Nachricht, wie bei Grok Voice 2.0, wobei das Reasoning im Minutenpreis enthalten ist.
Lohnt sich Grok Voice 3.0?
Grok Voice 3.0 ist mit Stand 13. Oktober 2026 das bestbewertete Speech-to-Speech-Modell in Artificial Analysis' Index, mit 86,9 gegenüber 83,2 für OpenAIs GPT-Live-1 mit Astra, 82,6 für Googles Gemini 3.8 Live und 81,3 für den eigenen Vorgänger. Es führt auch bei Big Bench Audio mit 98,5% gegenüber 90,1% für GPT-Live-1, bei Full Duplex Bench, das Pausen und Unterbrechungen prüft, mit 97,0% gegenüber 94,9%, und in blinden Direktvergleichen mit einem Elo von 1070 gegenüber 1048.
Die Ausnahme ist der Test, der einem Support-Schalter am nächsten kommt. Bei τ-Voice, das Agenten beim Erledigen von Kundendienstaufgaben bewertet, liegt GPT-Live-1 mit 74,5% gegenüber 71,6% vorn. SpaceXSI sagt, es antworte in diesem Test etwa 40% schneller als GPT-Live-1 und allgemein in unter einer Sekunde, veröffentlicht aber keine Millisekundenwerte. Die Einsatzzahlen bei Tesla und Starlink, darunter 70% der Starlink-Anrufe ohne Menschen gelöst, stammen von SpaceXSI selbst und sind nicht geprüft.
Die Preise sind einfacher als bei OpenAI. Grok Voice kostet 0,08 $ pro Minute, etwa 4,80 $ pro Stunde, plus 0,004 $ pro Textnachricht, Reasoning inklusive. GPT-Live-1 kostet 0,05 $ pro Minute plus die Tokens des Textmodells, das das Denken übernimmt, die echten Kosten hängen also vom gewählten Modell ab. Für Artificial Analysis' Big-Bench-Audio-Lauf meldet SpaceXSI durchschnittlich 0,025 $ pro Aufgabe gegenüber 0,030 $ für GPT-Live-1 und 0,055 $ für GPT-Realtime-2.1.
Die Angaben zum Betrieb sind dünner. Das Modell läuft nur in us-east-1 und wird auf dem US-Regional-Endpunkt nicht angeboten. Sitzungen dauern bis zu 120 Minuten, und das veröffentlichte Parallelitätslimit pro Team ist auf der Seite zu den Ratenlimits nicht lesbar, große Callcenter müssen Limits also mit dem Vertrieb vereinbaren. Das Klonen einer Stimme aus einem kurzen Clip birgt ein offensichtliches Missbrauchsrisiko, und die Doku beschreibt keine Einwilligungsprüfung.
Die Datenbedingungen folgen der SpaceXSI-API: kein Training mit Ein- oder Ausgaben ohne ausdrückliche Erlaubnis und standardmäßig 30 Tage Aufbewahrung für Missbrauchsprüfungen. Der Gesprächsverlauf wird nur gespeichert, wenn du die Sitzungswiederaufnahme einschaltest, und nach 30 Minuten Inaktivität verworfen; unter Zero Data Retention werden Gespräche des Sprachagenten gar nicht gespeichert.
Wo es sich lohnt
Ein Contact-Center-Architekt in einem Telekom-Support mit 300 Plätzen
Einen KI-Agenten in die erste Reihe eingehender Anrufe stellen
Anrufe von Twilio oder Telnyx per SIP weiterleiten, dem Agenten Kontoabfragen als eigene Funktionen geben und mit refer an einen Menschen übergeben. Bei 0,08 $ pro Minute kosten 100.000 Minuten im Monat 8.000 $, vor Telefoniegebühren.
Eine Mobile-Entwicklerin in einem Start-up für Reisebuchungen
Nutzer Buchungen per Sprache in der App ändern lassen
Aus der App mit einem kurzlebigen Token per WebSocket verbinden, die Websuche für aktuelle Fluginfos und eigene Funktionen für das Buchungssystem nutzen. Ein 5-minütiger Anruf kostet etwa 0,40 $.
Ein Compliance-Verantwortlicher bei einem Versicherer in der EU
Entscheiden, ob Anruf-Audio an das Modell gehen darf
Die Verarbeitung findet nur in us-east-1 statt, eine reine EU-Verarbeitung ist also nicht möglich. Zero Data Retention verhindert das Speichern von Gesprächen und muss über SpaceXSIs Vertrieb eingeschaltet werden.
Bevor du dich festlegst
- Einrichtung
- Einen Schlüssel auf console.x.ai erstellen, eine WebSocket-Sitzung mit model grok-voice-3.0 oder grok-voice-latest öffnen und session.update mit Stimme, Anweisungen und Tools senden; bestehender Code für Grok Voice 2.0 braucht nur einen neuen Modellnamen.
- Integrationen
- WebSocket und WebRTC; SIP über Twilio, Telnyx, Plivo oder jeden Anbieter, der per TLS an sip.voice.x.ai weiterleitet; PCM-Audio von 8 kHz bis 48 kHz, G.711 und Opus; Tools für Websuche, X-Suche, Dateisuche, MCP und eigene Funktionen.
- Daten und Datenschutz
- Kein Training mit API-Ein- oder -Ausgaben ohne ausdrückliche Erlaubnis; standardmäßig 30 Tage Aufbewahrung für Missbrauchsprüfungen; Gespräche des Sprachagenten werden unter Zero Data Retention nicht gespeichert; der Sitzungsverlauf wird nur mit aktivierter Wiederaufnahme behalten und nach 30 Minuten Leerlauf verworfen.
- Kosten im großen Maßstab
- 4,80 $ pro Stunde Audio, 10.000 Stunden im Monat kosten also 48.000 $, ohne veröffentlichten Mengenrabatt.
- Grenzen
- Maximal 120 Minuten pro Sitzung; nur in us-east-1 betrieben; nicht auf dem US-Regional-Endpunkt verfügbar; bis zu 100 Schlüsselbegriffe mit je 50 Zeichen.
Was gut ist
- Platz eins in Artificial Analysis' Speech-to-Speech-Index mit 86,9
- Pauschal 0,08 $ pro Minute, Reasoning inklusive
- SIP-Telefonie mit Weiterleitung und Tasteneingabe über Twilio, Telnyx und Plivo
- Eingebaute Web-, X- und Dateisuche plus MCP und eigene Funktionen
- Gespräche werden unter Zero Data Retention nicht gespeichert
Was nicht
- Liegt bei τ-Voice, dem Kundendienst-Benchmark, hinter GPT-Live-1
- Nur aus us-east-1 betrieben, ohne US-Regional-Endpunkt
- Einsatz- und Latenzzahlen stammen von SpaceXSI selbst
- Stimmenklonen ohne dokumentierte Einwilligungsprüfung
- Nur 20 Sprachen und Regionalvarianten in der Doku aufgeführt
Am besten für
Teams, die Sprachagenten für Telefon und Apps bauen, die besten Benchmark-Werte zu einem planbaren Minutenpreis wollen und mit einem reinen US-Betrieb leben können.
Alternativen zu Grok Voice 3.0
Grok Voice 3.0: häufige Fragen
- Lohnt sich Grok Voice 3.0?
- Grok Voice 3.0 führt den unabhängigen Speech-to-Speech-Index zu einem einfachen Pauschalpreis an, aber OpenAI gewinnt weiter bei Support-artigen Aufgaben, und jedes Gespräch wird in einer einzigen US-Region verarbeitet. Wir bewerten es mit 4.3 von 5.
- Was kostet Grok Voice 3.0?
- 0,08 $ pro Minute Audio (4,80 $ pro Stunde) plus 0,004 $ pro Texteingabe-Nachricht, wie bei Grok Voice 2.0, wobei das Reasoning im Minutenpreis enthalten ist.
- Welche Nachteile hat Grok Voice 3.0?
- Liegt bei τ-Voice, dem Kundendienst-Benchmark, hinter GPT-Live-1; Nur aus us-east-1 betrieben, ohne US-Regional-Endpunkt; Einsatz- und Latenzzahlen stammen von SpaceXSI selbst; Stimmenklonen ohne dokumentierte Einwilligungsprüfung; Nur 20 Sprachen und Regionalvarianten in der Doku aufgeführt.
- Für wen eignet sich Grok Voice 3.0?
- Teams, die Sprachagenten für Telefon und Apps bauen, die besten Benchmark-Werte zu einem planbaren Minutenpreis wollen und mit einem reinen US-Betrieb leben können.
- Was kostet Grok Voice 3.0 für ein Team oder im Produktivbetrieb?
- 4,80 $ pro Stunde Audio, 10.000 Stunden im Monat kosten also 48.000 $, ohne veröffentlichten Mengenrabatt.
- Ist Grok Voice 3.0 sicher für Firmendaten?
- Kein Training mit API-Ein- oder -Ausgaben ohne ausdrückliche Erlaubnis; standardmäßig 30 Tage Aufbewahrung für Missbrauchsprüfungen; Gespräche des Sprachagenten werden unter Zero Data Retention nicht gespeichert; der Sitzungsverlauf wird nur mit aktivierter Wiederaufnahme behalten und nach 30 Minuten Leerlauf verworfen.
- Was sind die besten Alternativen zu Grok Voice 3.0?
- Die nächsten Alternativen, die wir getestet haben, sind GPT-Live-1 (and GPT-Realtime-2.1), Gemini Omni Flash 1.1 und Cartesia Sonic 3.6.
Antworten geprüft am 6. Nov. 2026.
Du entwickelst Grok Voice 3.0? Zeig diese Bewertung auf deiner Website
