Grok Voice 3.0 ist das Speech-to-Speech-Modell, das xAI am 14. Oktober 2026 veröffentlicht hat. Es ist seit demselben Tag über die Voice Agent API verfügbar, zum gleichen Preis wie der Vorgänger. Im Speech-to-Speech-Index von Artificial Analysis belegt es mit 86,9 Punkten Platz eins. Aussagekräftiger als die Platzierung ist, wo das Modell laut xAI bereits läuft: Es wickelt täglich Millionen Gespräche in Tesla-Fahrzeugen und in den Supportzentren von Starlink ab. Der Wettbewerb der Voice-Agenten verlagert sich damit vom Demo-Effekt zur Frage, ob ein Anruf tatsächlich zum Abschluss gebracht wird.
Die Zahlen hinter Platz eins
Die 86,9 Punkte stammen aus der unabhängigen Messung von Artificial Analysis, die Sprachschlussfolgerung mit Präferenz und Aufgabenerfolg aus blinden Vergleichsanrufen verrechnet. Zum Vergleich: Grok Voice 2.0 kam auf 81,3 Punkte, OpenAIs GPT-Live-1 (Astra, mittlere Stufe) auf 83,2 und Googles Gemini 3.8 Live auf 82,6. In den Einzelwerten erreicht das Modell 98,5 Prozent bei der Sprachschlussfolgerung (Big Bench Audio) und 97 Prozent in der Full Duplex Bench, die misst, wie natürlich Pausen, Sprecherwechsel und Unterbrechungen gelingen. Einen Test hat es nicht gewonnen: Bei τ-Voice, das echte Support-Anrufe simuliert, liegt es mit 71,6 Prozent etwa gleichauf mit GPT-Live-1; xAIs Vorteil ist dort eine rund 40 Prozent niedrigere Latenz mit Antworten unter einer Sekunde. Der Spitzenplatz beruht also auf Gesamtpunktzahl und Tempo, nicht auf einem Durchmarsch in allen Kategorien.
Der eigentliche Prüfstand: 20.000 Starlink-Anrufe pro Tag
Die Produktionszahlen in xAIs Ankündigung sind ungewöhnlich konkret. Die Starlink-Callcenter bearbeiten mit Grok Voice rund 20.000 Anrufe pro Tag in mehreren Sprachen; etwa 70 Prozent werden ohne menschlichen Eingriff gelöst, und jeder vierte Verkaufsanruf endet noch vor dem Auflegen mit einem Kauf. Ein einzelner Agent kann Kunden verifizieren, Hardwarefehler eingrenzen, Gutschriften vergeben und Ersatzgeräte versenden. In der EVA-Bench, ServiceNows Benchmark für Unternehmens-Voice-Agenten mit über 200 realistischen Szenarien, erreichte das Modell mit 74 Prozent die höchste Genauigkeit. Im Auto ist die Größenordnung noch höher: Grok Voice trägt Millionen Gespräche pro Tag in Tesla-Fahrzeugen, wo Fahrer freihändig Kalender prüfen, E-Mails beantworten oder per Grok Bot Kaffee bestellen und Tische reservieren. Grok wurde zuletzt auch in das Abo The X Subscription gebündelt, und Sprache ist die Schicht dieses Ökosystems, die dem Nutzer am nächsten ist.
Gleicher Preis, andere Kaufrechnung
Die API kostet 0,08 US-Dollar pro Minute, exakt wie Version 2.0; Agenten mit grok-voice-latest wurden ohne Codeänderung automatisch umgestellt. In der Kostenmessung von Artificial Analysis pro erledigter Aufgabe liegt das Modell unter GPT-Live-1 und GPT-Realtime-2.1. Für Unternehmen verschiebt sich damit das Auswahlkriterium: weg von der Frage, wie klug ein Modell klingt, hin zu den Kosten pro gelöstem Anruf und dem Anteil der Anrufe, die gar nicht erst bei einem Menschen landen. Zur Vorsicht: Produktions- und Kostenzahlen stammen aus xAIs Ankündigung und der Messung des Prüfinstituts, und bei τ-Voice, dem Test mit der größten Nähe zu realem Lärm, Akzenten und Unterbrechungen, herrscht nur Gleichstand. Wer migrieren will, sollte zuerst mit eigenen Anrufaufzeichnungen und Dialektverteilung testen.
