GPT-Live-1 vs. Grok Voice Think Fast 2.0: Zwei Voice-APIs mit gegenläufiger Preisentwicklung

Die nützlichste Tatsache bei diesem Aufeinandertreffen ist eine Richtung, keine Zahl. Als xAI Ende Juli 2026 Grok Voice Think Fast 2.0 veröffentlichte, erhöhte das Unternehmen den Minutenpreis für Audio um 60 %, von 0,05 US-Dollar, die Think Fast 1.0 verlangte, auf 0,08 US-Dollar. Sechs Wochen später, am 10. September 2026, brachte OpenAI GPT-Live-1 zu genau dem Preis in die Entwickler-API, den xAI gerade erst aufgegeben hatte. Das ergibt die seltene Situation, dass die beiden führenden Vollduplex-Sprach-APIs direkt über den Preis verglichen werden können und dass der neuere Anbieter der günstigere ist — während das ältere, teurere Modell dasjenige ist, hinter dem Benchmark-Werte von Drittanbietern stehen.

Das Hauptbuch, vor jeglichen Benchmarks

Beide sind Speech-to-Speech-Modelle, die für telefonieartige Workloads entwickelt wurden: ein Live-Gespräch mit einem Kunden, eine Unterbrechung, ein Tool-Aufruf und eine Abrechnung in Minuten. Darüber hinaus gehen sie schnell auseinander.

• Preis pro Minute Audio — GPT-Live-1 0,05 $ vs. Grok Voice Think Fast 2.0 0,08 $

• Abrechnungseinheit — GPT-Live-1 wird sekundengenau abgerechnet, ohne Aufrundung auf die nächste volle Minute; Gr​ok Voice Think Fast 2.0 wird pro Minute Audio berechnet und ergibt ungefähr 4,80 $ pro Stunde

• Veröffentlichung — GPT-Live-1 wurde am 8. Juli 2026 in ChatGPT eingeführt und erreichte die API am 10. September 2026; Gr​ok Voice Think Fast 2.0 wurde etwa am 29./30. Juli 2026 angekündigt, rund drei Monate nach Think Fast 1.0

• Endpunkte — GPT-Live-1 unterstützt nur Live-Sessions, unter v1/live/sessions, über WebRTC; Gr​ok Voice Think Fast 2.0 nutzt die Speech-to-Speech-API von x​AI sowohl über WebSocket als auch über WebRTC.

• Tool-Oberfläche — GPT-Live-1 delegiert über die Responses API an ein Backend-Reasoning-Modell; Gr​ok Voice Think Fast 2.0 hat Websuche, X-Suche, Dateisuche, MCP-Server und clientseitige Funktionen, die innerhalb der Sitzung verfügbar sind

• Stimmportabilität — GPT-Live-1 verwendet das remasterte Set aus zwölf Stimmen von Ope​nAI; Gr​ok Voice Think Fast 2.0 unterstützt integrierte und benutzerdefinierte Stimmen

Die WebSocket-Linie ist kleiner, als sie aussieht, und wichtiger, als sie sein sollte. Ein großer Teil der Telefonie-Infrastruktur – die Media-Stream-Rohrleitungen in den meisten CPaaS-Produkten – spricht WebSocket, nicht WebRTC. Gr​ok Voice Think Fast 2.0 begegnet dieser Infrastruktur dort, wo sie ist; GPT-Live-1 nicht, und von einem reinen WebSocket-Anrufpfad zu WebRTC zu gelangen, ist echte Ingenieursarbeit und kein Konfigurationsschalter.

Die Benchmark-Asymmetrie ist das eigentliche Thema.

Hier hört der Vergleich auf, ein Unentschieden zu sein, und hier verdrehen die meisten Abhandlungen die Sache, indem sie beide Zahlenreihen als dieselbe Art von Beweis behandeln.

Die wichtigsten Werte von Gr​ok Voice Think Fast 2.0 stammen aus dem Speech-to-Speech Quality Index von Artificial Analysis, einer Drittanbieter-Messung, die das Modell bei 82,9 % einordnet – ein Anstieg von 75,7 % in Version 1.0 – und damit vor GPT-Realtime-2.1 mit 79,1 % und Gemini 3.1 Flash mit 69,5 % liegt. x​AI meldet außerdem den ersten Platz im τ-voice Bench für agentisches Verhalten mit 56,5 %, vor GPT-Realtime-2.1 mit 45,7 %. Dabei handelt es sich um extern durchgeführte Messungen des Modells von x​AI.

Die Schlagzeilenwerte von GPT-Live-1 stammen von OpenAI selbst. Das Unternehmen meldet eine Vollduplex-Interaktivität von 80,1 % gegenüber 45,4 % bei GPT-Realtime-2.1, eine Reduzierung der Turn-Taking-Latenz von 1,4 Sekunden auf 0,8 und eine Steigerung der Tool-Calling-Genauigkeit von 60 % auf 87 %. Bei jeder einzelnen dieser Zahlen handelt es sich um eine Anbieterangabe, die nicht von einem unabhängigen Labor reproduziert wurde; außerdem wird darin das neue Modell von OpenAI mit dem eigenen vorherigen Modell von OpenAI statt mit einem Wettbewerber verglichen.

Das ist kein Grund, die Zahlen zu verwerfen — die Richtung, in die es geht, deckt sich mit dem, was frühe Anwender berichten —, aber es bedeutet, dass der einzige derzeit verfügbare anbieterübergreifende Vergleich das Modell von x​AI bei unabhängig durchgeführten Tests begünstigt, während die einzige verfügbare Zahl für den Latenzvorteil von Ope​nAI von Ope​nAI selbst stammt. Betrachten Sie 0,8 Sekunden und 0,70 Sekunden nicht als einen echten Wettstreit; nur eine dieser beiden Zahlen wurde von jemandem gemessen, der kein Eigeninteresse am Ergebnis hat.

Die Alias-Falle – und warum die Preiserhöhung viele kalt erwischte

Die Erhöhung um 60 % wäre in den meisten Release Notes ein Rundungsfehler gewesen, wenn xAI sie nicht auch über einen Alias ausgerollt hätte. Anwendungen, die auf den Alias grok-voice-latest zeigten, erbten am 5. August 2026 automatisch sowohl das neue Modell als auch den höheren Preis, sofern sie nicht explizit grok-voice-think-fast-1.0 gepinnt hatten. Das ist eine Designentscheidung, die man verstehen sollte, statt sich zu beschweren: Floating Aliases bescheren dir kostenlose Upgrades und verschieben zugleich deine Unit Economics, ohne zu fragen.

Das naheliegende Mittel ist schwächer, als es aussieht. Grok Voice Think Fast 1.0 – das Modell für 0,05 $ pro Minute, veröffentlicht am 23. April 2026 – ist jetzt auf xAIs eigener Modellliste als veraltet markiert. Das Pinning schützt Sie vor dem automatischen Upgrade und verschafft Ihnen Zeit statt eines dauerhaft günstigeren Wegs, denn ein veraltetes Modell hat irgendwann in der Zukunft ein Auslaufdatum. Planen Sie die Migration nach Ihrem eigenen Zeitplan statt nach dem des Alias.

Die Preisübersicht selbst ist es wert, sorgfältig gelesen zu werden, bevor Sie sich auf eine Zahl festlegen. xAIs Modellseite listet die versionierten Tarife ausdrücklich auf – grok-voice-think-fast-2.0 mit 0,08 $ pro Minute Audio, 4,80 $ pro Stunde, plus 0,004 $ pro Texteingabe – während die separate Voice-API-Karte auf derselben Seite einen Agentenpreis von „ab 0,05 $ pro Minute“ bewirbt, was der Einstiegspunkt und nicht der Tarif ist, zu dem das 2.0-Modell abgerechnet wird. Wenn Ihre Kapazitätsplanung auf Basis der Marketingzahl erfolgt ist, liegt sie um rund 60 % zu niedrig.

OpenAIs Modell hat dieses Problem nicht in derselben Form, weil es nichts gibt, wohin es gleiten könnte. GPT-Live-1 hat genau eine Modell-ID, gpt-live-1, die auch der eigene Standard-Snapshot ist – es gibt keine datierten Varianten zum Pinnen, und daher keinen Alias, der still und leise entweder das Modell oder den Preis ändern kann. Der Kompromiss ist, dass man auch kein bewährtes Verhalten einfrieren und es weiter nutzen kann, während sich etwas Neues einlebt.

Beide Modelle stellen die Reasoning-Ebene getrennt von der Voice-Ebene in Rechnung, und hier macht der beworbene Tarif nicht mehr die Gesamtkosten aus. Die delegierten Responses-Aufrufe von GPT-Live-1 werden zu den normalen Pro-Token-Preisen des konfigurierten Backend-Modells abgerechnet. x​AI berechnet zusätzlich 0,004 $ pro Texteingabe in der Voice-Session, dazu Tool-Aufrufe, eine bereitgestellte Telefonnummer für rund 0,01 $ pro Minute, wenn man eine benötigt, Telefonie und Speicher – zusätzlich zum Minutenpreis für Audio. Ein Voice-Agent, der überwiegend zuhört und gelegentlich etwas nachschlägt, wird sich nahe an seinem beworbenen Tarif bewegen; einer, der bei jedem Turn Tools aufruft, nicht, und die beiden werden nicht in dieselbe Richtung auseinanderlaufen, weil das Design des delegierten Backends und das In-Session-Tool-Design Token an unterschiedlichen Stellen verbrauchen.

Der Grund, warum Änderungen der Minutenpreise bei uns genau im Auge behalten werden sollten, ist, dass OrcaRouter die Listenpreise der Anbieter ohne Aufschlag weitergibt. Wenn ein Anbieter einen veröffentlichten Preis ändert, ändert sich die Zahl bei uns noch am selben Tag und nicht erst zum nächsten Vertragszyklus.

Was die Aufteilung der Delegation Sie im Engineering kostet

Wenn Sie zwischen diesen beiden anhand der Architektur und nicht anhand des Preises wählen, ist die entscheidende Frage, wo die Naht liegt.

Das Modell von x​AI behält die Tools innerhalb der Sitzung. Das ist einfacher nachzuvollziehen – eine Verbindung, eine Konversation, ein Ort, an dem ein Funktionsaufruf stattfindet – und es bedeutet, dass das Modell mitten im Satz entscheiden kann, dass es suchen muss und weiterredet, während es wartet.

OpenAIs Modell verlagert diese Arbeit nach außen. Die Voice-Schicht hält das Gespräch am Leben und übergibt die Aufgabe über die Responses API an ein separates Reasoning-Modell. Das bedeutet, dass deine Tool-Definitionen, dein Retrieval und deine Geschäftslogik in einer normalen Textmodell-Integration angesiedelt sind und nicht in einem Session-Event-Stream. Es sind mehr bewegliche Teile, und es ist zugleich portierbarer: Die delegierte Hälfte ist ein gewöhnlicher API-Aufruf, den du unabhängig von der Voice-Schicht austauschen, bepreisen und mit Failover absichern kannst.

Das ist aus genau einem Grund wichtig. Weder GPT-Live-1 noch Gr​ok Voice Think Fast 2.0 wird von jemand anderem als seinem eigenen Anbieter bereitgestellt — beide sind Single-Source, und bei der Audio-Hälfte kann ein Router Ihnen nicht helfen. Was ein Router leisten kann, ist, die Hälfte zu bündeln, die Sie tatsächlich wählen können. GPT-5.6 Terra, das Backend in Ope​nAIs eigenem Delegationsbeispiel, ist über OrcaRouter erhältlich für $2,00 pro Million Input-Tokens und $12,00 pro Million Output, wobei sowohl /v1/chat/completions als auch /v1/responses verfügbar sind, zusammen mit rund 190 weiteren Modellen unter einem einzigen Schlüssel. Wenn Ihr Voice-Agent pro Turn ein Reasoning-Modell aufruft, ist das der Posten, bei dem Routing-Hebel ins Spiel kommt.

Das Urteil, aufgeschlüsselt nach Arbeitsbelastung

• Wählen Sie GPT-Live-1, wenn der Preis pro Minute die Einschränkung ist, wenn Ihr Call-Pfad bereits WebRTC spricht, oder wenn Sie möchten, dass das Reasoning-Gehirn hinter der Stimme eher ein austauschbares Textmodell als ein fester Bestandteil der Sitzung ist.

• Wähle Gr​ok Voice Think Fast 2.0, wenn du vor deiner Entscheidung unabhängig verifizierte Qualität auf dem Tisch brauchst, wenn dein Telefonie-Stack WebSocket-nativ ist oder wenn In-Session-Tools – insbesondere die X-Suche – zum Kern des Produkts gehören statt nur nebensächlich zu sein.

• Behalte den Alias im Auge, wenn du bereits x​AI nutzt. Das Anpinnen einer versionierten Modell-ID ist das Einzige, was zwischen dir und der nächsten automatischen Preisänderung steht, und dieselbe Disziplin lohnt sich überall dort, wo ein schwebender Alias auftaucht.

Die unangenehme Zusammenfassung lautet, dass das günstigere Modell dasjenige ohne Third-Party-Nachweis ist und das besser dokumentierte Modell dasjenige, das gerade 60 % teurer geworden ist. Wenn Sie sich früh genug in der Entwicklung befinden, dass keine der beiden Integrationen festgelegt ist, besteht der risikoärmste Schritt darin, gegen beide zu prototypen – der Audiopfad umfasst so oder so ein paar hundert Zeilen – und Ihre eigene Transkriptqualität entscheiden zu lassen, denn die öffentliche Beweislage klärt dies derzeit nicht.