xAI kündigte am 14. Oktober 2026 Grok Voice 3.0 an, ein Echtzeit-Sprachmodell für Sprachagenten. Das Unternehmen erklärte, das Modell sei über die Voice Agent API verfügbar. Den Speech-to-Speech-Tarif bezifferte xAI auf 0,08 US-Dollar pro Minute – denselben Minutenpreis wie für Grok Voice 2.0. (Ankündigung von xAI)
So lässt sich die Voice Agent API konfigurieren
Für die Echtzeitverbindung beschreibt xAI einen WebSocket-Endpunkt unter /v1/realtime. In einer Sitzung lassen sich die Stimme und die Anweisungen für den Agenten festlegen, serverseitige Erkennung von Sprechaktivität (VAD) konfigurieren und Werkzeuge einbinden. Ein Beispiel verwendet das Werkzeug web_search. (xAI Voice Overview)
Für clientseitige Apps empfiehlt xAI zeitlich begrenzte Tokens, damit der API-Schlüssel nicht im Client offengelegt werden muss. Außerdem meldete das Unternehmen, Agenten mit dem Alias grok-voice-latest seien automatisch auf Grok Voice 3.0 umgestellt worden; Änderungen am Agenten seien dafür nicht nötig gewesen. (xAI Voice Overview; xAI-Ankündigung)
Die Voice Overview führt 28 vorgefertigte Stimm-IDs auf. Ein Beispiel zur Erstellung einer benutzerdefinierten Stimme nutzt eine Referenzaufnahme von bis zu 120 Sekunden; die daraus erzeugte Voice-ID lässt sich laut xAI auch mit der Echtzeit-Speech-to-Speech-API verwenden. (xAI Voice Overview)
Was der Benchmark-Vergleich aussagt
Für die am 14. Oktober veröffentlichte Vergleichstabelle verwies xAI auf Ergebnisse von Artificial Analysis vom 13. Oktober 2026. Der Speech-to-Speech Index von Artificial Analysis setzt sich aus vier gleich gewichteten Komponenten zusammen: Big Bench Audio, τ-Voice, Arena Preference und Aufgabenerfolg. (xAI-Ankündigung; Methodik von Artificial Analysis)
| Modell und Variante | Speech-to-Speech Index |
| Grok Voice 3.0 | 86,9 |
| Grok Voice 2.0 | 81,3 |
| GPT-Live-1 (Astra, Medium) | 83,2 |
| Gemini 3.8 Live (Extended Thinking, High) | 82,6 |
Der Minutenpreis und ein weiterer Listenposten
Zusätzlich zum Minutenpreis führte die xAI-Preisseite 0,004 US-Dollar je Texteingabe auf. Laut ihrem Änderungsvermerk war die Seite zuletzt am 10. Oktober 2026 aktualisiert worden. Speech-to-Text und Text-to-Speech weist xAI als eigenständige API-Dienste mit separaten Tarifen aus. (xAI API-Preise)
