Grok Voice 3.0: was neu ist, API-Preise und so nutzt man es

Grok Voice 3.0 ist xAIs Speech-to-Speech-Modell für Echtzeit-Sprachagenten, vorgestellt am 14. Oktober 2026. Man spricht, es hört zu und antwortet mit eigener Stimme über eine einzige WebSocket-Verbindung. Audio geht rein und kommt direkt wieder raus.

Wer Sprachagenten baut, achtet auf drei Dinge: wie gut das Modell zuhört und denkt, was eine Minute kostet und wie viel Code sich ändert. Bei Grok Voice 3.0 lauten die Antworten: Platz 1 im Speech-to-Speech-Index von Artificial Analysis (86.9 nach xAIs Angabe), $0.08 pro Minute und keine Änderung, wenn du bereits grok-voice-latest aufrufst.

Kurz gesagt

• Gleicher Preis, besseres Modell. Grok Voice 3.0 ersetzt Grok Voice 2.0 zum gleichen Preis von $0.08 pro Minute, mit demselben Endpoint und denselben Session-Events.
• In allen von xAI verglichenen Werten liegt es vorn: 86.9 zu 81.3 im Speech-to-Speech-Index und 97.0% zu 95.1% bei Pausen und Unterbrechungen.
• Verbindung per WebSocket an wss://api.x.ai/v1/realtime. Die API folgt dem Realtime-Format von OpenAI, OpenAI-SDKs laufen mit einer neuen Base URL.
• Über 20 Sprachen und 28 eingebaute Stimmen, dazu Tool-Aufrufe wie Websuche oder eigene Funktionen mitten im Gespräch.

Was ist Grok Voice 3.0?

Ein Speech-to-Speech-Modell: Audio rein, Audio raus, dazwischen denkt das Modell. xAI nennt es ein „Speech-to-Speech-Modell für Echtzeit-Sprachagenten“. Es führt täglich Millionen Gespräche in Tesla-Fahrzeugen, treibt den Sprachmodus von Grok Bot an, und die Callcenter von Starlink beantworten 20.000 Anrufe pro Tag mit Grok Voice.

Die Modell-ID ist grok-voice-3.0. Der Alias grok-voice-latest zeigt seit dem Starttag darauf, jede Session mit dem Alias wurde also automatisch aktualisiert. Grok Voice 2.0 ist jetzt als veraltet markiert.

Was ändert sich gegenüber Grok Voice 2.0?

Alle von xAI verglichenen Werte steigen, Preis und API bleiben gleich. Die Zahlen stammen aus xAIs Ankündigung, die die Tests von Artificial Analysis vom 13. Oktober 2026 nennt.

In derselben Tabelle kommt GPT-Live-1 (Astra) auf 83.2 im Index und Gemini 3.8 Live auf 82.6, und Grok Voice 3.0 liegt bei allen fünf Zeilen vor beiden.

Full Duplex Bench misst, wie natürlich ein Modell mit Pausen, Sprecherwechseln und Unterbrechungen umgeht. Genau dort merken Anrufer einen Sprachagenten am stärksten. xAI sagt außerdem, das Modell antworte in unter einer Sekunde.

Das Modell denkt, bevor es spricht. Das Reasoning ist standardmäßig an und lässt sich pro Session abschalten, wenn Tempo wichtiger ist als Tiefe. Eine Session kann während des Sprechens auch Tools aufrufen: Dateisuche, Websuche, X-Suche, entfernte MCP-Server und eigene Funktionen.

Was kostet die Grok Voice API?

Laut der Preisseite von xAI kostet Grok Voice 3.0 $0.08 pro Minute Audio, also $4.80 pro Stunde. Dieselbe Seite nennt für dasselbe Modell auch „$0.004 / text input“, ohne die Einheit zu erklären.

Für eine Richtung rechnet xAI getrennt ab: Text zu Sprache kostet $15 pro Million Zeichen, Sprache zu Text $0.10 pro Stunde (streaming $0.20 pro Stunde).

Wie verbindet man sich?

Du öffnest einen WebSocket an wss://api.x.ai/v1/realtime, übergibst das Modell als Query-Parameter, konfigurierst die Session und schickst Audio in beide Richtungen. Das ist xAIs eigener Python-Schnellstart aus der Dokumentation:

import asyncio
import json
import os
import websockets

async def voice_agent():
    async with websockets.connect(
        "wss://api.x.ai/v1/realtime?model=grok-voice-latest",
        additional_headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"}
    ) as ws:
        # Session konfigurieren
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "voice": "eve",
                "instructions": "You are a helpful assistant.",
                "turn_detection": {"type": "server_vad"}
            }
        }))

        # Textnachricht senden
        await ws.send(json.dumps({
            "type": "conversation.item.create",
            "item": {"type": "message", "role": "user",
                     "content": [{"type": "input_text", "text": "Hello!"}]}
        }))
        await ws.send(json.dumps({"type": "response.create"}))

        # Audio- und Textantworten empfangen
        async for msg in ws:
            event = json.loads(msg)
            print(f"Event: {event['type']}")

asyncio.run(voice_agent())

Um das neue Modell statt des Alias festzulegen, nutze model=grok-voice-3.0. Ein paar Details entscheiden, ob der erste Aufruf klappt:

Welche Stimmen und Sprachen gibt es?

Die Doku listet 28 eingebaute Stimmen, Standard ist eve, und jede Stimme spricht jede unterstützte Sprache. Die Speech-to-Speech-API unterstützt über 20 Sprachen. Sie erkennt die Sprache des Anrufers, antwortet darin und kann mitten im Gespräch die Sprache wechseln.

Mit xAIs Custom Voices API lässt sich eine Stimme aus einem Referenzclip von bis zu zwei Minuten klonen. Jedes Team kann bis zu 30 eigene Stimmen kostenlos anlegen, das Angebot gilt aber nur in den USA, außer Illinois.

xAI zufolge wird Sprachaudio in Echtzeit verarbeitet und weder gespeichert noch fürs Training verwendet.

Kann man Grok Voice 3.0 über OmniaKey nutzen?

Heute nicht. OmniaKey bietet Grok Voice nicht an, du rufst es mit einem xAI-API-Key auf. Wenn du auch Groks Text- und Bildmodelle nutzt: Grok 4.7 und Grok Imagine 2.0 laufen bei OmniaKey mit einem Key, neben Claude, GPT und Gemini. Der Leitfaden zur Grok Imagine API zeigt die Bildseite.

Häufige Fragen

Ist Grok Voice 3.0 kostenlos?

Die API ist kostenpflichtig: xAIs Preisseite nennt $0.08 pro Minute Audio. Wer nur mit Grok sprechen will, findet in den Grok-Apps für Web, iOS und Android einen Freisprech-Sprachmodus.

Muss ich meinen Code von Grok Voice 2.0 ändern?

Nein. Endpoint, Session-Einstellungen und Events sind gleich, und grok-voice-latest zeigt bereits auf 3.0. Nur Code, der fest auf grok-voice-2.0 steht, braucht den neuen Modellnamen.

Funktioniert Grok Voice 3.0 mit dem OpenAI SDK?

Ja. xAIs Migrationsleitfaden nennt drei Änderungen für eine App auf Basis der Realtime-API von OpenAI: die Base URL (https://api.x.ai/v1), den API-Key und den Modellnamen.

Wie schnell antwortet Grok Voice 3.0?

xAI sagt: in unter einer Sekunde. Die Ankündigung nennt außerdem einen τ-Voice-Wert von 71.6%, vergleichbar mit GPT-Live-1 (Astra) bei 40% geringerer Latenz.

Quellen

• xAIs Ankündigung: Grok Voice 3.0 (14. Oktober 2026)
• xAI-Doku: Speech to Speech und Voice-Überblick
• xAI-Preise, Rate Limits und Release Notes
• xAI Custom Voices

Geprüft am 19. Oktober 2026.