Grok Voice 3.0 führt den Speech-to-Speech-Index mit 86,9 an – und gibt den Latenzrekord zurück

Die Zahl, die alle zitieren werden, ist 86,9. Dort Grok Voice 3.0 landete auf dem Artificial Analysis Speech to Speech Index, als das Ranking am 13. Oktober 2026 neu berechnet wurde, mit fünfeinhalb Punkten Vorsprung vor dem Modell, das es ersetzt, Grok Voice 2.0, das bei 81,3 lag. Es liegt außerdem mit Abstand vor GPT-Live-1 in seiner Astra-Medium-Konfiguration bei 83,2 und Gemini 3.8 Live Extended Thinking bei 82,6, was es zum ersten xAI-Sprachmodell macht, das die Spitzenposition uneingeschränkt hält, statt sie sich mit anderen zu teilen. SpaceXAI kündigte es am 14. Oktober an, am selben Tag, an dem sich die API-Release-Notes änderten, und zu demselben Preis pro Minute wie das Modell, das es ablöst.

Die Zahl, die niemand zitieren wird, weil xAI sie nicht in die Schlagzeile gesetzt hat, ist 0,70. Das ist die Zeit bis zum ersten Ton von Grok Voice 2.0 in Sekunden, und sie ist schneller als die 0,81 von Grok Voice 3.0. Das Unternehmen, das ein Jahr lang Gesprächswechsel unter einer Sekunde verkauft hat, bringt nun ein Flaggschiff auf den Markt, das 0,11 Sekunden später zu sprechen beginnt als sein eigenes Vorgängermodell. Es ist immer noch rund 40 % schneller aus den Startlöchern als die GPT-Live-1-Konfiguration, die Artificial Analysis mit 1,34 Sekunden gemessen hat, sodass die Marketingbehauptung eine wörtliche Lesart übersteht. Sie übersteht nur keinen Vergleich mit der vorherigen Version.

Was tatsächlich ausgeliefert wurde und was es kostet

Grok Voice 3.0 ist ein Speech-to-Speech-Modell, das über denselben Realtime-WebSocket-Endpunkt wie sein Vorgänger bereitgestellt wird, mit denselben Sitzungsparametern und denselben Ereignisnamen. Es gibt kein neues SDK und kein Migrationsdokument, denn es gibt nichts zu migrieren. Der Modell-String hat sich geändert und das Verhalten dahinter ebenfalls.

• Preis — 0,08 $ pro Minute Audio oder 4,80 $ pro Stunde, plus 0,004 $ pro Texteingabe. Identisch mit Grok Voice 2.0. Dies ist ein Fähigkeits-Update bei gleichbleibendem Preis, keine Preisänderung.

• Alias-Verhalten — grok-voice-latest verweist jetzt auf grok-voice-3.0. Alle, die gegen den Alias deployt hatten, wurden automatisch auf das neue Modell umgestellt – ohne Codeänderung und ohne Versions-Pin.

• Veraltung — grok-voice-2.0 ist als veraltet gekennzeichnet. Der von xAI dokumentierte Upgrade-Pfad besteht darin, das Feld model auf grok-voice-3.0 zu setzen oder den Alias unverändert zu lassen.

• Endpunkt und Authentifizierung — unverändert. Gleiche Realtime-URL, gleicher Bearer-Token-Handshake, gleiche kurzlebige Ephemeral-Tokens für clientseitige Verbindungen.

• Stimmen — das integrierte Voice-Set und der Custom-Voice-Endpunkt sind unverändert; benutzerdefinierte Stimmen werden anhand eines Referenzclips von bis zu 120 Sekunden trainiert, und die resultierende voice_id funktioniert sowohl über die Realtime-API als auch über Streaming-Text-to-Speech.

Diese letzte Liste ist der Grund, warum die Alias-Verschiebung wichtiger ist, als es klingt. Grok Voice 2.0 wurde erst am 5. August 2026 zum Alias-Ziel gemacht – etwa zehn Wochen vor diesem Release. Ein Team, das im August gegen grok-voice-latest entwickelt hat, hat nun innerhalb eines einzigen Quartals zwei stille Modellwechsel durchgemacht, was für ein Chatbot-Experiment eine gute Eigenschaft ist und für ein Telefonsystem, dessen Regressionssuite auf das Timing einer bestimmten Stimme geschrieben wurde, eine weniger gute.

Der Index, Komponente für Komponente

Zusammengesetzte Indizes verbergen das Argument, daher lohnt es sich, Grok Voice 3.0 auseinanderzunehmen. Jede unten stehende Zahl stammt aus den eigenen Tests von Artificial Analysis, datiert auf den 13. Oktober 2026.

• Sprachliches Schlussfolgern, Big Bench Audio — 98,5 %, gegenüber 97,2 % bei Grok Voice 2.0.

• Gesprächsdynamik, Full Duplex Bench — 97,0 %, ein Anstieg von 95,1 %.

• Präferenz in der Speech Agent Arena — Elo 1070, ein Anstieg von 1011, und der höchste auf der Rangliste.

• Aufgabenerfolg — 94,8 %, ein Anstieg von 94,6 %. Dies ist die kleinste Veränderung unter allen fünf und als solche erwähnenswert: Bei der reinen Aufgabenbewältigung sind die beiden Modelle – im Rahmen der Messung – dasselbe Modell.

• Agentische Performance, τ-Voice — 71,6 %, ein Anstieg von 56,5 %. Dies ist die größte einzelne Veränderung in diesem Release, ein Sprung um 15 Punkte bei der einen Komponente, die misst, ob ein Agent tatsächlich eine Multi-Turn-Aufgabe abschließen kann, statt dabei nur kompetent zu klingen.

• Zeit bis zum ersten Ton — 0,81 Sekunden, gegenüber 0,70 für Grok Voice 2.0.

Liest man sie zusammen, erzählen sie eine nützlichere Geschichte als der zusammengesetzte Wert. Der Indexzuwachs von 5,6 Punkten ist nicht gleichmäßig verteilt: Fast der gesamte Zuwachs entfällt auf agentische Leistung und Arena-Präferenz, während Reasoning und Duplex-Verarbeitung leicht nach oben gehen und der rohe Aufgabenerfolg unverändert bleibt. Grok Voice 3.0 ist ein besserer Agent, kein besserer Gesprächspartner. Wenn Ihr Sprachprodukt eine Support-Hotline ist, die Termine vereinbart und Bestellstatus prüft, ist das genau das Delta, das Sie wollen. Wenn es ein Begleiter oder ein Rollenspiel-Frontend ist, ist der Indexzuwachs weitgehend nebensächlich, und Sie haben dafür eine Latenzstrafe gezahlt.

Der eine Test, bei dem der Führende nicht der Führende ist

τ-Voice ist die Komponente, über die xAI sprechen sollte, und die, bei der es noch zurückliegt. Mit 71,6 % liegt Grok Voice 3.0 enorm über den 56,5 % seines Vorgängers – und noch immer hinter GPT-Live-1, konfiguriert mit Astra bei mittlerem Reasoning, das Artificial Analysis mit 74,5 % beziffert. Gemini 3.8 Live kommt im selben Test auf 68,6 %.

Die Form der Kategorie nach diesem Release ist also: xAI hält das Composite und die Arena; OpenAI hält den agentischen Task-Completion-Test; Google hält weder das eine noch das andere und ist günstiger als beide. Keine dieser drei Aussagen widerspricht den anderen, und jeder Artikel, der nur die erste berichtet, berichtet eher ein Ranking als ein Ergebnis.

Der Anbieter behauptet, dass kein Board abdeckt.

Die Leistungsbehauptungen gehen mit einer zweiten Ebene von Zahlen einher, die Artificial Analysis nicht misst und nicht messen kann, weil sie Produktionsverkehr innerhalb der eigenen Produkte eines Unternehmens beschreiben. Dabei handelt es sich um Zahlen von xAI, gemeldet von xAI, wobei keine unabhängige Überprüfung verfügbar ist und eine solche auch nicht zu erwarten ist:

• Tesla — Grok Voice soll täglich Millionen Gespräche in Fahrzeugen ermöglichen und über Konnektoren Kalender- und E-Mail-Aktionen sowie über den Sprachmodus von Grok Bot Essensbestellungen abwickeln.

• Starlink-Support — 20.000 Kundengespräche pro Tag in mehreren Sprachen, wobei etwa 70 % ohne einen Menschen gelöst werden und etwa jeder vierte Verkaufsanruf mit einem Kauf endet. Derselbe Agent soll Identitätsprüfung, Hardware-Fehlerbehebung, Kontogutschriften und Ersatzlieferungen in einem Ablauf bearbeiten.

• ServiceNow EVA-Bench — eine gerundete Genauigkeitszahl von 74 %, die als höchste in diesem Benchmark und als beste angegeben wird, wenn Genauigkeit und Kundenerfahrung gemeinsam bewertet werden. EVA-Bench umfasst Kundenservice mit 15 Tools und 50 Szenarien, IT-Service-Management mit 59 Tools und 80 Szenarien sowie HR mit 47 Tools und 83 Szenarien.

Betrachte die ersten beiden als Beschreibung der Absicht, nicht als Beleg. Sie sind der stärkstmögliche Beweis dafür, dass ein Voice-Modell funktioniert – ein Unternehmen, das seine eigenen Umsatzanrufe darüber laufen lässt, hat selbst etwas zu verlieren – und zugleich der schwächstmögliche Beleg für einen Leser, weil nichts davon von außen auditierbar ist und nichts davon das Modell von den Prompts, dem Retrieval und der Eskalationsrichtlinie trennt, die darum herumgebaut sind. Besonders die 70%-Containment-Zahl ist eine Kennzahl auf Systemebene, die sich als Kennzahl auf Modellebene verkleidet.

Was ein Preis, der sich nicht bewegt hat, Ihnen verrät

Die Rate bei 0,08 $ pro Minute zu halten, ist das strategisch Interessanteste an der Veröffentlichung. Die naheliegende Lesart ist Wettbewerbsdruck: Google hat das Jahr damit verbracht, Gemini Live als die günstige Option in dieser Kategorie zu positionieren, und die vorherige Generation von xAIs Sprachlinie hatte bereits eine Preiserhöhung um 60 % verkraftet, als die Think-Fast-Linie von 3,00 $ auf 4,80 $ pro Stunde stieg. Die Flaggschiff-Rate erneut anzuheben, war nicht möglich.

Der Effekt zweiter Ordnung betrifft alle, die Kosten modellieren. Die Messung pro Aufgabe von Artificial Analysis setzt Grok Voice 3.0 bei $0,025 an, um eine Big-Bench-Audio-Aufgabe abzuschließen, gegenüber $0,030 für GPT-Live-1 Astra medium und $0,055 für GPT-Realtime-2.1 High. Günstiger pro Aufgabe und zugleich genauer pro Aufgabe zu sein, ist die Kombination, die Beschaffungsdebatten beendet, und es ist das erste Mal in dieser Kategorie, dass ein einzelnes Modell beide Enden hält.

Wo eine Routing-Schicht in dieses Bild eintritt, ist enger, als es aussieht, und es lohnt sich, hier präzise zu sein. OrcaRouter bedient nicht den Grok Voice 3.0 Realtime-Endpunkt – der kommt von xAIs eigener API, ebenso wie das Äquivalent zu Gemini Live und GPT-Live-1. Was wir betreiben, ist die Textseite: über 200 Sprachmodelle hinter einem einzigen Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, und dort sind typischerweise die Bereinigung der Transkription, die Zusammenfassung nach dem Anruf, die Klassifizierung eines Transkripts in einen Dispositionscode und die Tool-Calling-Logik angesiedelt, an die das Sprachmodell delegiert. Das sind ganz normale, nach Anfragen abgerechnete Modelle, sie sind genau die Arbeitslast, für die ein Router gedacht ist, und weil der Listenpreis unverändert durchgereicht wird, ist eine Preissenkung eines Anbieters für eines dieser Modelle bei uns noch am selben Tag aktiv und nicht erst bei Ihrer nächsten Verlängerung.

Was ist noch ungemessen?

Drei Dinge – und sie sind es, die entscheiden sollten, ob du jetzt verschiebst oder anheftest.

Das erste ist die Stabilität über lange Sitzungen. Jede oben genannte Zahl stammt aus kurzen, bewerteten Interaktionen. Nichts Veröffentlichtes deckt ab, was ein 20-minütiges Gespräch mit Fehlerraten macht, und der interessante Fehlermodus bei einem Duplex-Modell – sich anhäufende Drift oder eine Turn-Taking-Strategie, die unter Barge-in schlechter wird – zeigt sich erst über Minuten, nicht über einzelne Turns.

Die zweite ist die Behauptung zum verrauschten Kanal. Die Vorgängergeneration von xAI wurde mit der Wortfehlerrate unter Telefonbedingungen beworben, und das ist die am leichtesten zu falsifizierende Behauptung des gesamten Launches. Jeder mit einem Korpus von Anrufaufzeichnungen und einem freien Nachmittag kann sie überprüfen.

Der dritte Punkt ist, ob der Wert von 0,81 Sekunden unter Last Bestand hat. Die Zeit bis zum ersten Audio wird auf einem ruhigen System gemessen. Die Produktion ist kein ruhiges System.

Bis diese verfügbar sind, lautet die ehrliche Zusammenfassung von Grok Voice 3.0 so: Es ist das beste Sprachmodell auf der öffentlichen Rangliste – mit einem Vorsprung, der real, aber auf eine einzige Dimension konzentriert ist, es kostet genauso viel wie das Modell, das es ersetzt, es braucht länger als jenes Modell, bis es zu sprechen beginnt, und es hat jedes bestehende grok-voice-latest-Deployment ohne Nachfrage auf sich selbst umgestellt. Die ersten drei sind Gründe, es zu testen. Der vierte ist ein Grund, eine Versions-Pin in deiner Config zu haben, bevor du es tust.

Die Veröffentlichung eines Voice-Modells ist auch der Moment, um zu prüfen, was zuvor schiefgelaufen ist: Die dokumentierten KI-Vorfälle und Agentenfehler rund um Modelle dieser Klasse sind im OrcaRouter AI Incident Archive erfasst, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seine Konfidenzstufe und eine Kennzeichnung als umstritten enthält.