Grok Voice 3.0: „Unter einer Sekunde“ stimmt, und „40 % niedriger“ wird gegen das falsche Modell gemessen

SpaceXAI kündigte Grok Voice 3.0 am 14. Oktober 2026 an, und die Aussage, mit der die Ankündigung aufwartete, war, dass das Modell in unter einer Sekunde antwortet und dabei die Latenz um 40 % senkt. Beide Hälften davon halten dem Kontakt mit den Zahlen stand, weshalb es sich lohnt, nachzulesen, um welche Zahlen es geht. Die Behauptung „unter einer Sekunde“ ist wahr: 0,81 Sekunden bis zum ersten Audio, der schnellste Wert, den heute ein Frontier-Speech-to-Speech-Modell veröffentlicht. Die 40-%-Behauptung ist ebenfalls wahr, und sie vergleicht Grok Voice 3.0 mit GPT-Live-1, konfiguriert mit Astra bei mittlerem Reasoning-Aufwand, das vom Board mit 1,34 Sekunden gemessen wird. Was das Launch-Material nicht sagt, ist, dass das Modell, das dieses hier ersetzt, Grok Voice 2.0, in 0,70 Sekunden zu sprechen beginnt — 0,11 Sekunden schneller als das Flaggschiff, das es abgelöst hat.

Das ist keine Widerlegung. Es ist die Gestalt dieser Veröffentlichung, und jeder Teil davon ist ein Kompromiss. Grok Voice 3.0 ist ein deutlich besserer Agent als sein Vorgänger und einer, der seinen Mund etwas langsamer aufmacht, und diese beiden Tatsachen weisen in entgegengesetzte Richtungen, je nachdem, wofür Ihre Telefonleitung gedacht ist.

Die vier Zahlen, die sich bewegten, und die zwei, die es nicht taten.

Artificial Analysis hat sein Speech-to-Speech-Board am 13. Oktober 2026, einen Tag vor der Ankündigung, erneut durchlaufen lassen, sodass die Messung vor dem Marketing liegt. Jede der unten aufgeführten Zahlen stammt vom Board, nicht von SpaceXAI.

• Gesamtindex — 86,9, ein Anstieg gegenüber 81,3 für Grok Voice 2.0, und die höchste Punktzahl auf der Bestenliste. GPT-Live-1 liegt in seiner Astra-Medium-Konfiguration bei 83,2 und Gemini 3.8 Live Extended Thinking bei 82,6.

• Agentische Leistung, τ-Voice — 71,6 %, gegenüber 56,5 %. Das ist mit großem Abstand die größte Veränderung in diesem Release: ein Sprung von 15 Punkten bei der Komponente, die bewertet, ob ein Agent eine mehrstufige Aufgabe abschließt, statt dabei nur kompetent zu klingen.

• Arena-Präferenz — Elo 1070, gestiegen von 1011, und der höchste auf dem Board.

• Zeit bis zum ersten Audio — 0,81 Sekunden, gegenüber 0,70 Sekunden für das Modell, das abgelöst wird. Langsamer, und dennoch rund 40 % schneller aus den Startlöchern als die GPT-Live-1-Konfiguration, mit der sich SpaceXAI selbst vergleicht.

• Aufgabenerfolg — 94,8 % gegenüber 94,6 %. Zwei Zehntel eines Prozentpunkts. Bei der reinen Aufgabenbewältigung sind dies, innerhalb der Messfehlergrenze, dasselbe Modell.

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

Die Aufschlüsselung ist wichtiger als die Schlagzeile. Der größte Teil des Zuwachses von 5,6 Punkten beim Composite-Wert kam aus agentischer Leistung und Arena-Präferenz, mit einem kleinen Schub beim Sprach-Reasoning — die Reasoning-Komponente des Boards liegt je nach Snapshot zwischen 98,5 und 99, was so oder so eine Obergrenze ist — während der rohe Aufgaben-Erfolg unverändert blieb. Grok Voice 3.0 ist ein besserer Agent. Er ist kein besserer Gesprächspartner, und er ist auch kein schnellerer.

Worauf „Kundenanrufe“ tatsächlich verweist

Das Briefing, das diese Veröffentlichung ans Licht brachte, beschrieb sie als für Kundengespräche konzipiert, und das Anbietermaterial stützt diese Lesart mit Einsatzzahlen, die keine externe Partei überprüfen kann. SpaceXAI sagt, Grok Voice treibe Millionen täglicher Gespräche in Tesla-Fahrzeugen und bei SpaceX an, der Starlink-Support führe 20.000 Kundenanrufe pro Tag in mehreren Sprachen durch, wobei rund 70 % ohne einen Menschen gelöst würden und etwa jeder vierte Verkaufsanruf mit einem Kauf ende, und derselbe Agent übernehme Identitätsprüfung, Hardware-Fehlerbehebung, Kontogutschriften und Ersatzlieferungen in einem einzigen Ablauf. Zudem meldet SpaceXAI gerundete 74 % auf dem EVA-Bench von ServiceNow.

Lesen Sie die Containment-Rate sorgfältig, denn sie ist die Zahl, die am ehesten als Modellfähigkeit zitiert wird, obwohl sie ein Systemergebnis ist. Wie viele Anrufe ein Support-Agent ohne Eskalation abschließt, hängt vom Prompt-Design, der Retrieval-Qualität und der Eskalationsrichtlinie ab, die Sie geschrieben haben — nicht nur vom darunterliegenden Modell. Ein Anbieter, der seine eigenen Umsatzanrufe durch sein eigenes Modell leitet, ist das stärkste verfügbare Signal dafür, dass die Sache funktioniert, und zugleich der schwächste verfügbare Beleg für einen Leser, denn nichts davon trennt das Modell vom Wrapper.

Die τ-Voice-Bewegung ist der Teil des Releases, der dieselbe Frage mit einer Zahl angeht, die ein Außenstehender überprüfen kann. Der Sprung von 56,5 % auf 71,6 % bei einem Multi-Turn-Agentic-Benchmark ist der Unterschied zwischen einem Voice-Modell, das ein Gespräch führen kann, und einem, das eine Aufgabe darin abschließen kann. Das ist die Behauptung, die man kaufen sollte; die Containment-Zahl ist diejenige, auf die man warten sollte.

Die Migration, der niemand zustimmen musste

Grok Voice 3.0 läuft über denselben Realtime-WebSocket-Endpunkt wie sein Vorgänger, mit denselben Sitzungsparametern, denselben Ereignisnamen, demselben Bearer-Token-Handshake und demselben integrierten Stimmensatz plus Endpunkt für benutzerdefinierte Stimmen. Es gibt keine Änderung am SDK und kein Migrationsdokument, weil es nichts zu migrieren gibt. Der Modell-String hat sich geändert – und das Verhalten dahinter ebenfalls.

Dann ist da noch der Alias. grok-voice-latest löst jetzt zu Grok Voice 3.0 auf, und grok-voice-2.0 ist als veraltet markiert. Jeder, der gegen den Alias deployed hat, wurde automatisch auf das neue Modell umgestellt – ohne Codeänderung und ohne Versions-Pin – und das ist wichtiger, als es klingt, denn der Alias wurde erst am 5. August 2026 auf Grok Voice 2.0 ausgerichtet. Ein Team, das im August darauf aufgebaut hat, hat in einem einzigen Quartal zwei stille Modellwechsel durchgemacht. Für ein Chatbot-Experiment ist das eine Erleichterung. Für ein Telefonsystem, dessen Regressionssuite gegen das Timing einer bestimmten Stimme und eine bestimmte Zeit bis zum ersten Audio geschrieben wurde, ist es eine Konfigurationsänderung, die jemand anderes in Ihrem Namen vorgenommen hat.

Der zweite Punkt im selben Briefing.

Der Launch kam nicht allein. Der Marktplatz von Grok Bot ist jetzt offen für Entwickler-Einreichungen von Konnektoren und Plugins, was eine andere Art von Nachricht ist und nennenswert, weil die beiden Ankündigungen zusammenspielen. Grok Bot ist das Agentenprodukt, dessen Cloud-Computer sich bei den Tools anmelden, die ein Team bereits nutzt; eine Einreichungs-Pipeline für Konnektoren ist das, was seine Integrationsliste von dem, was SpaceXAI geschrieben hat, in das verwandelt, was seine Kunden brauchen.

Fügt man die beiden zusammen, ist die interessante Konsequenz eher architektonisch als kommerziell. Wenn Voice die Schnittstelle zu einem Agenten ist und die Reichweite des Agenten durch Konnektoren definiert wird, die er aufrufen kann, dann ist die Ebene, die entscheidet, ob ein Aufruf aufgelöst wird, zunehmend die Tool-Ebene. Das ist die Ebene, die ein Voice-Anbieter weder besitzt noch benchmarkt. Es gibt keine öffentliche Kennzahl dafür, und es wird keine geben, weil sie für jeden Kunden anders ist.

Wo ein Router hier tatsächlich tragend ist

OrcaRouter bedient den Grok Voice 3.0 Realtime-Endpunkt nicht. Dieser Endpunkt gehört SpaceXAI, und niemand kann sich in eine Duplex-Audiositzung einklinken, die einem einzelnen Anbieter gehört; wer etwas anderes behauptet, beschreibt eine Fähigkeit, über die er nicht verfügt. Was wir betreiben, ist die Textebene darunter – der Summarizer, der nach dem Anruf den Datensatz schreibt, der Klassifikator, der einen Dispositionscode zuweist, das Retrieval, das beantwortet, was das Sprachmodell übergeben hat, und die Tool-Aufrufe hinter den Konnektoren, die der Marktplatz jetzt akzeptiert. Diese Arbeit wird pro Anfrage abgerechnet, und hier summiert sich ein erheblicher Teil der Kosten pro Anruf: 207 Modelle von über einem Dutzend Upstream-Anbietern hinter einem einzigen Schlüssel, zum Listenpreis des Anbieters ohne Aufschlag, mit automatischem Failover, wenn ein Anbieter schwächelt, und einer Routing-DSL, die mehrere Modelle zu einem Aufruf zusammenfügt. Da nichts aufgeschlagen wird, ist eine Preissenkung eines Anbieters für eines dieser Modelle bei uns noch am selben Tag live und nicht erst zu Ihrer nächsten Verlängerung.

Was ist noch ungemessen?

Drei Dinge – und sie sollten die Entscheidung bestimmen, ob du jetzt wechselst oder zuerst deine Version festnagelst.

Der erste Punkt ist die Stabilität bei langen Sitzungen. Jede der oben genannten Zahlen stammt aus kurzen, bewerteten Interaktionen. Nichts Veröffentlichtes behandelt, was ein 20-minütiger Anruf mit den Fehlerraten macht, und die Fehlermodi, die für ein Duplexmodell relevant sind — akkumulierende Drift, eine Turn-Taking-Strategie, die bei wiederholtem Barge-in schlechter wird —, zeigen sich erst über Minuten statt über Turns.

Beim zweiten geht es darum, ob 0,81 Sekunden unter Last standhalten. Die Zeit bis zum ersten Audio wird auf einem ruhigen System gemessen, und die Produktion ist kein ruhiges System. Die 0,70 Sekunden des Vorgängers wurden auf dieselbe Weise gemessen, weshalb der Vergleich zwischen ihnen zumindest auf gleicher Grundlage erfolgt, der Vergleich mit einem Live-Deployment hingegen nicht.

Das dritte ist die Noisy-Channel-Behauptung. Die vorherige Generation dieser Reihe wurde mit der Wortfehlerrate unter Telefoniebedingungen und über 24 Sprachen hinweg beworben, und das ist die am besten falsifizierbare Aussage, die der Anbieter je über ein Sprachmodell gemacht hat. Das neuere Material zur Markteinführung wiederholt sie nicht, was entweder ein Versehen oder ein Eingeständnis ist, und niemand von außen kann Ihnen derzeit sagen, was davon zutrifft. Jeder mit einem Korpus von Anrufaufzeichnungen und einem Nachmittag Zeit kann das überprüfen, und bis es jemand tut, lautet die ehrliche Zusammenfassung von Grok Voice 3.0 so: das beste Gesamtergebnis auf dem öffentlichen Leaderboard, mit Schwerpunkt auf agentischer Leistung; denselben Preis wie das Modell, das es ablöst; braucht länger, bis es mit dem Sprechen beginnt, als jenes Modell; und wurde ohne Nachfrage auf jeden bestehenden Alias-Nutzer ausgerollt. Die ersten drei sind Gründe, es zu testen, und der vierte ist ein Grund, einen Versions-Pin in Ihrer Konfiguration zu haben, bevor Sie das tun.