xAI hat am 14. Oktober 2026 Grok Voice 3.0 vorgestellt, ein Speech-to-Speech-Modell für Sprachagenten. Laut dem Anbieter liegt es im Speech-to-Speech-Index von Artificial Analysis mit 86,9 Punkten vor GPT-Live-1 (83,2) und Gemini 3.8 Live (82,6). Das Modell ist ab sofort über die API verfügbar, zum gleichen Preis wie der Vorgänger.
Was Grok Voice 3.0 neu macht
Grok Voice 3.0 ist ein Modell, das Sprache direkt in Sprache umwandelt, ohne den Umweg über getrennte Erkennungs- und Sprachmodule. Der Anbieter nennt drei Schwerpunkte: Genauigkeit bei Kundenanrufen, eine Antwortlatenz von unter einer Sekunde und niedrige Kosten pro Aufgabe.
Die Ankündigung nennt außerdem, dass das Modell laut Anbieter bereits Millionen Gespräche am Tag bei Tesla und SpaceX führt. Diese Nutzungszahl ist eine Herstelleraussage und nicht unabhängig geprüft.
Die Benchmarks im Detail
Der Anbieter stützt sich auf Auswertungen von Artificial Analysis vom 13. Oktober 2026. Der Gesamtindex setzt sich laut Quelle aus Sprachverständnis, dem τ-Voice-Test, Präferenz in blinden Vergleichsgesprächen und Aufgabenerfolg zusammen.
Die Werte im Vergleich, laut Anbieter xAI:
• Speech-to-Speech-Index: Grok Voice 3.0 86,9 · GPT-Live-1 (Astra, Medium) 83,2 · Gemini 3.8 Live (Ext. Thinking, High) 82,6 · Grok Voice 2.0 81,3
• Big Bench Audio (Sprachverständnis): Grok Voice 3.0 98,5 % · Gemini 3.8 Live 97,7 % · GPT-Live-1 90,1 %
• Aufgabenerfolg: Grok Voice 3.0 94,8 % · GPT-Live-1 87,4 % · Gemini 3.8 Live 89,1 %
• Full Duplex Bench (Pausen, Sprecherwechsel, Unterbrechungen): Grok Voice 3.0 97,0 % · GPT-Live-1 94,9 %
Wichtig ist die Einordnung: Im τ-Voice-Test, der Kundensupport mit Akzenten, Hintergrundgeräuschen und Unterbrechungen simuliert, liegt GPT-Live-1 (Astra) mit 74,5 % vor Grok Voice 3.0 mit 71,6 %. Der Anbieter nennt Grok in diesem Test „vergleichbar“ und verweist auf rund 40 % geringere Latenz. Ein klarer Sieger über alle Testfelder ist das Modell also nicht.
Kosten
Laut Anbieter kostet ein Durchlauf im Big-Bench-Audio-Test im Schnitt 0,025 US-Dollar bei Grok Voice 3.0, gegenüber 0,030 US-Dollar bei GPT-Live-1 (Astra, Medium) und 0,055 US-Dollar bei GPT-Realtime-2.1 (High). Das sind Testwerte für einen Benchmark, keine Garantie für Ihre Produktionskosten.
Was das für Sie praktisch bedeutet
Für Sprachagenten im Kundenservice ist vor allem die Kombination aus Erfolgsquote und Latenz relevant. Die Herstellerdaten sprechen für Grok Voice 3.0 bei Sprachverständnis und Aufgabenerfolg. Im τ-Voice-Test, der den Support-Fall mit Störgeräuschen und Unterbrechungen am nächsten kommt, ist der Vorsprung aber nicht vorhanden.
Bevor Sie ein Modell für einen echten Gesprächskanal festlegen, sollten Sie es mit Ihren eigenen Gesprächsdaten testen: Akzente, Lärm, Unterbrechungen und Ihre Fachbegriffe.
Einschränkungen
Die Zahlen stammen vom Anbieter, der die Ergebnisse aus dem Index von Artificial Analysis zitiert. Dem Index liegen Testbedingungen zugrunde, die sich nicht auf jeden Anwendungsfall übertragen lassen. Die Preisangabe für die API nennt keinen konkreten Betrag, sondern nur den Vergleich zum Vorgänger. Prüfen Sie den aktuellen Preis in der offiziellen Dokumentation, bevor Sie kalkulieren.
Quellen:
• xAI, Ankündigung „Introducing Grok Voice 3.0“, 14. Oktober 2026: https://x.ai/news/grok-voice-3
• Artificial Analysis, Speech-to-Speech-Index (als Quelle in der xAI-Ankündigung genannt, Stand 13. Oktober 2026)
