Grok Voice Think Fast 2.0: xAI's schnellster, teuerster Sprachagent, erklärt

xAI veröffentlichte Grok Voice Think Fast 2.0 am 29. Juli 2026 — sein selbsternanntes „fähigstes Speech-to-Speech-Sprachmodell“ und das neue Flaggschiff seiner Sprachagenten-Linie. Es antwortet schneller als jeder Konkurrent in den Top 5 (0,70 s bis zum ersten Audio), führt die agentische Sprach-Benchmark an und transkribiert genauer als die vorherige Generation. Es ist außerdem pro Minute 60 % teurer als das Modell, das es ersetzt, wird über einen Minuten-Zähler abgerechnet, der Ihre Rechnung unauffällig erhöht, und wird mit einem Versions-Alias-Schalter geliefert, der in einer Woche automatisch umgestellt wird. Dieser Leitfaden erklärt, was Think Fast 2.0 tatsächlich ist, was xAI unter der Haube geändert hat, wie sich die Benchmark-Geschichte in unabhängige Ergebnisse und herstellergemeldete Behauptungen aufteilt, was es wirklich kostet, wenn man nachrechnet, und wie man es aufruft — plus die Warnhinweise, die man besser lesen sollte, bevor man einen Produktions-Callflow darüber laufen lässt.

Hinweis zur Genauigkeit: Die Startdetails, die Preisgestaltung sowie die Genauigkeit der Schlagzeile und die geschäftlichen Behauptungen stammen aus der Ankündigung und Dokumentation von xAI (2026-07-29). Die Composite Scores von Artificial Analysis sind unabhängig und von Dritten gemessen. Von xAI gemeldete Behauptungen – die Starlink-A/B-Ergebnisse, die Transkriptionsmultiplikatoren, die Aussage „60 % weniger Reasoning-Tokens“ und die Darstellung „fast 5x schneller“ – haben keine zugrunde liegenden Daten veröffentlicht; behandeln Sie sie als Richtwerte des Herstellers und führen Sie Ihre eigenen Evaluierungen durch. Technische Daten, Preise und das Alias-Verhalten können sich ändern; verifizieren Sie, bevor Sie darauf aufbauen.

TL;DR. Grok Voice Think Fast 2.0 ist xAIs End-to-End-Sprach-zu-Sprach-Modell für Sprachagenten: Audio rein, Audio raus über einen WebSocket, ohne separate ASR→LLM→TTS-Pipeline. Es ist wirklich schnell (0,70 Sekunden bis zum ersten Audio, das einzige Top-5-Modell unter einer Sekunde) und wirklich stark bei agentischen Sprachaufgaben: Es belegt den ersten Platz im τ-Voice-Agent-Benchmark von Artificial Analysis (56,5 %) und liegt gleichzeitig auf Platz zwei beim Sprach-zu-Sprach-Qualitätsindex (82,9 %), hinter Qwen Audio 3.0 Realtime Plus (84,1 %). Es denkt nach, während es spricht – der mediane Verbrauch an Reasoning-Tokens sinkt auf etwa 40 % des alten Modells – und kostet 0,08 $ pro Minute, gegenüber 0,05 $. Der Haken ist die Abrechnung: Sprache wird pro Minute Echtzeit-Audio abgerechnet, sodass sich eine 60-prozentige Preiserhöhung bei einem Modell, das günstiger zu bedienen ist, direkt auf Ihrer Rechnung niederschlägt. Und am 5. August beginnt der Alias grok-voice-latest automatisch auf 2.0 umzuleiten, weshalb Teams, die die alte Version verwenden, diese vorher bewusst pinnen müssen.

Wichtige Erkenntnisse

• Native Sprach-zu-Sprach: ein Modell vom Mikrofon zum Lautsprecher, keine ASR→LLM→TTS-Kette — deshalb ist das erste Audio in 0,70 Sekunden da.

• Agentischer Spitzenreiter: #1 auf Artificial Analysis' τ-Voice-Agent-Benchmark (56.5%), deutlich vor GPT-Realtime-2.1 (45.7%) und Gemini 3.1 Flash (37.7%).

• Nicht der Gesamtführende: #2 beim Qualitätsindex für Sprach-zu-Sprach (82,9 %), hinter Qwen Audio 3.0 Realtime Plus (84,1 %); OpenAI gewinnt weiterhin bei der Konversationsdynamik (95,7 % gegenüber 95,1 %).

• 60% teurer: $0.08/Min. (~$4.80/Std.) gegenüber $0.05/Min. für Think Fast 1.0 — obwohl das Modell Berichten zufolge ~60% weniger Reasoning-Tokens verwendet.

• Alias-Umstellung am 5. August: grok-voice-latest leitet automatisch auf 2.0 um; pinnen Sie grok-voice-think-fast-1.0 vorher an, um bei der günstigeren Version zu bleiben.

• Kennzeichne jede Behauptung: Die Artificial-Analysis-Werte sind unabhängig; die Starlink-A/B-Ergebnisse, die Transkriptionsmultiplikatoren und die Geschwindigkeitsdarstellung wurden von xAI berichtet und sind unveröffentlicht.

Was Grok Voice Think Fast 2.0 ist

Grok Voice ist xAIs Familie von Echtzeit-Sprach-zu-Sprach-Modellen. „Think Fast“ ist die Schnellantwort-Linie, die ursprünglich mit dem Voice Agent Builder im April 2026 eingeführt wurde; Think Fast 2.0 ist die zweite Generation dieser Linie, veröffentlicht am 29. Juli 2026. Das Modell ist End-to-End: Es verarbeitet rohes Audio, denkt nach und gibt Audio direkt aus, anstatt eine Pipeline aus einem Spracherkennungsmodell, das einen Text-LLM speist, der wiederum ein Text-zu-Sprache-Modell speist, auszuführen. Diese Architekturentscheidung ist die Wurzel seines Latenzvorteils – es gibt keine seriellen Zwischenschritte und keinen Zwischentext, sodass das Modell mit einer Antwort beginnen kann, während es noch zuhört.

xAI positioniert es ausdrücklich für Sprach-KI-Agenten: Kundendienst-Hotlines, Telefonverkauf, Empfang, Telefonie und andere Anwendungen, bei denen ein System in Echtzeit mit einer Person spricht und tatsächlich etwas erledigen muss – einen Anruf vereinbaren, einen Lead qualifizieren, einen Datensatz aktualisieren, im Web suchen – anstatt nur zu chatten. Der agentische Schwerpunkt, nicht die reine Transkription oder Synthese, ist das Schlachtfeld, das die Markteinführung im Visier hat.

Was ist neu gegenüber Think Fast 1.0

Das Upgrade von 1.0 ist mehr als eine bloße Nummernänderung; xAI beschreibt drei strukturelle Änderungen:

• Paralleles Sprachdenken. Das Modell verarbeitet eine Anfrage, während es spricht, anstatt erst zu denken und danach zu reden. In der Praxis können Tool-Aufrufe ausgelöst werden, bevor der Agent seinen ersten Satz beendet hat – eine große Sache für latenzempfindliche Sprachflüsse.

• Deutlich weniger Reasoning-Tokens. xAI berichtet, dass der mediane Reasoning-Token-Verbrauch auf etwa das 0,4-fache des Vorgängermodells gesunken ist (rund 60 % weniger), was ein Grund dafür ist, dass das Modell laut xAI trotz des gestiegenen Preises kostengünstiger zu betreiben ist.

• Durch Reinforcement Learning geprägter Gesprächsstil. RL hat die Sprechweise verändert: kürzere Sätze, immer nur eine Frage, keine Füllwörter – ein knapperer, „menschlicherer" Telefonstil, der sich für Telefonarbeit eignet, bei der Geschwätz Minuten kostet (und bei minutengenauer Abrechnung auch Geld).

Bei messbarer Geschwindigkeit sank die Zeit bis zum ersten Audio von 1.25 s in 1.0 auf 0.70 s in 2.0. Bei der Transkription berichtet xAI von einer etwa 1.4-fachen Verbesserung in 24 Sprachen (vom Anbieter gemeldet, unten).

Die Benchmarks, Benchmark für Benchmark

Die Markteinführung stützt sich auf Artificial Analysis, ein unabhängiges externes Benchmark-Unternehmen. Das ist wichtig: Anders als die meisten anderen Zahlen in der Ankündigung werden diese von einer neutralen Partei gemessen, und genau diese sind diejenigen, die sich direkt vergleichen lassen. Das Gesamtbild ist besser als eine einzelne Schlagzeile.

Sprach-zu-Sprach-Qualitätsindex: 82.9 % (zweiter Platz). Dies ist der Gesamtwert für Sprach-zu-Sprach, gestiegen von 75.7 % bei Think Fast 1.0. Er übertrifft GPT-Realtime-2.1 (79.1 %) und Gemini 3.1 Flash (69.5 %) – aber er ist nicht auf Platz eins. Qwen Audio 3.0 Realtime Plus führt mit 84.1 %. Daher ist „bestes Gesamt-Sprachmodell“ eine Übertreibung, die die Daten nicht stützen; „schnellstes agentisches Sprachmodell der Spitzenklasse“ ist zutreffend.

τ-Voice-Agent-Benchmark: 56,5 % (Platz eins). Das ist die Kennzahl, die xAI am wichtigsten ist, und das Ranking ist real: 56,5 % schlägt Think Fast 1.0 (52,1 %), GPT-Realtime-2.1 (45,7 %) und Gemini 3.1 Flash (37,7 %). τ-Voice misst die agentische Sprachleistung – also wie gut ein Modell Aufgaben über einen Sprachkanal erledigt, einschließlich der Nutzung von Tools während des Gesprächs. Auf der engen Achse „Kann es die Aufgabe erledigen?“ führt Grok. Musk hat genau dieses Ranking beworben.

Big Bench Audio: 97,2 %. Ein Benchmark für Sprach-Reasoning; stark, allerdings erzielte Qwen einen Rekordwert von 99,2 %.

Full Duplex Bench: 95,1 %. Gesprächsdynamik — Unterbrechungsmanagement, Sprecherwechsel, Barge-in. Das ist ein großer Sprung gegenüber den 77,8 % von 1.0, aber OpenAI liegt mit 95,7 % immer noch knapp davor, und Qwen führt mit 98,4 %.

Zeit bis zum ersten Audio: 0.70s. Die wichtigste Kennzahl für echte Sprachprodukte. Sie ist von 1.25s gesunken und ist bei den fünf bestplatzierten Modellen der einzige Wert unter einer Sekunde; unabhängige Tests bestätigen weitgehend eine Reaktionszeit unter einer Sekunde. Die Latenz bis zum ersten Token beim Streaming-TTS liegt bei etwa 285ms. Bei Telefon- und Echtzeitanwendungen ist die Latenz die Kennzahl, die Nutzer bei jeder einzelnen Interaktion spüren, und genau hier ist 2.0 eindeutig am besten.

Liest man die Zeilen, so ist das Profil eindeutig: am schnellsten beim Sprechen, am besten beim Erledigen von Aufgaben, insgesamt auf Platz zwei, beim Gesprächsgeschick an dritter Stelle. Das ist ein ausgezeichnetes Sprachagenten-Modell und ein mittelmäßiger Anspruch auf die „beste Chatbot-Stimme“. Wähle es für die Aufgaben, die die oberste Zeile abdeckt.

Transkriptionsgenauigkeit

Über Gespräche hinaus behauptet xAI eine wesentlich bessere Transkription. Die interne Bewertung über 24 Sprachen und Tausende von Phrasen zeigt Berichten zufolge etwa die 1,4-fache Genauigkeit von Think Fast 1.0 und die 1,5- bis 2-fache Genauigkeit dedizierter Transkriptionsmodelle wie Deepgram Nova 3 und ElevenLabs Scribe v2. Unter lauten realen Bedingungen – Hintergrundgeräuschen, Telefoniekompression, schmalbandigen Anrufen – weitet sich die berichtete Genauigkeitslücke gegenüber dedizierten STT-Modellen auf ungefähr das Zehnfache.

Genau diese Behauptungen sind mit Vorsicht zu genießen. Sie stammen von xAI; der Evaluierungsrahmen, die Phrasensätze und die Rauschprofile sind nicht veröffentlicht. Ein unabhängiger Test der verrauschten Telefontranskription von 2.0 gegen Deepgram oder ElevenLabs wäre wertvoll und wurde, Stand heute, nicht veröffentlicht. Vom Trend her ist es plausibel, dass End-to-End-Modelle durch mehr Telefonie im Training eine echte Verbesserung erzielen – aber „10x“ sollte verifiziert und nicht als Tatsache wiederholt werden.

Preise: 0,08 $ pro Minute und die 60%-Frage

An dieser Stelle wird die Markteinführung umstritten. Think Fast 2.0 kostet 0,08 $ pro Minute Audio – etwa 4,80 $ pro Stunde – plus 0,004 $ pro eingehende Textnachricht. Think Fast 1.0 kostete 0,05 $ pro Minute (3,00 $/Stunde). Das ist eine Steigerung um 60 %, und sie erfolgte im selben Monat, in dem OpenAI die Preise für GPT-5.6 Luna um 80 % und für Terra um 20 % senkte – mit Verweis auf dieselben sinkenden Bereitstellungskosten, die xAI für dieses Modell geltend macht.

Der Zähler ist die ganze Geschichte. Textmodelle werden pro Token abgerechnet. Wenn ein Modell effizienter wird, schrumpft die Rechnung des Kunden automatisch. Sprachemodelle werden pro Minute Echtzeit-Audio abgerechnet, und die Länge eines Gesprächs bestimmt die sprechende Person, nicht das Modell. Effizienzgewinne bei einem Minuten-Produkt kommen dem Anbieter zugute, nicht dem Käufer. Deshalb kostet ein Modell, das Berichten zufolge etwa 60 % weniger Reasoning-Tokens verbraucht — und daher für xAI günstiger zu betreiben ist — 60 % mehr Miete.

Machen Sie die Rechnung anhand eines realen Anrufablaufs. Ein 4-minütiger Anruf kostet bei 1.0 $0.20; derselbe Anruf bei 2.0 kostet $0.32. Zehntausend solcher Anrufe pro Monat ergeben 40.000 Minuten: $2.000/Monat bei 1.0 gegenüber $3.200/Monat bei 2.0 – eine Differenz von $1.200/Monat bzw. etwa $14.400/Jahr, die allein durch eine geänderte Route entsteht, nicht durch das Anrufvolumen. Selbst ein großzügiger Geschwindigkeitsgewinn macht kaum einen Eindruck: Wenn man bei jedem Anruf volle 10 Sekunden einspart, spart das etwa $0.013, während die Preiserhöhung $0.12 ausmacht – Sie holen also ungefähr ein Neuntel der Erhöhung zurück. Jedes Geschäftsmodell, das 2.0 als das günstigere Modell verkauft, verwechselt „schneller“ mit „billiger“.

Zur Einordnung: 2.0 ist mit etwa 10,75 $/Stunde immer noch ungefähr 2,2x günstiger als GPT-Realtime-2.1 High. Es ist also nicht in absoluten Zahlen teuer – sondern teuer im Vergleich zu seinem direkten Vorgänger und zu der Richtung, in die sich alle anderen Modellanbieter in diesem Monat bewegten.

Die Migrationsfalle vom 5. August

Es gibt eine Frist. Am 5. August 2026 wird der Alias grok-voice-latest automatisch auf Think Fast 2.0 umgestellt. Wenn Sie über diesen Alias live auf Think Fast 1.0 sind, bedeutet „Nichts tun“, dass Sie – und Ihre Rechnung – an diesem Datum automatisch auf die neue Version umgestellt werden. Um auf 1.0 zu bleiben, müssen Sie vor dem 5. August explizit die Modell-ID grok-voice-think-fast-1.0 festlegen.

Die beiden vertretbaren Positionen erfordern beide Handeln vor Ablauf der Frist: entweder bewusst bei 1.0 bleiben, weil Ihre skriptbasierten Abläufe bei 3,00 $/Stunde einwandfrei funktioniert haben, oder bewusst auf 2.0 umsteigen und bei 4,80 $/Stunde neu kalkulieren, begründet mit Qualität statt Einsparungen. Was nicht zu verteidigen ist, ist die Änderung erst in einer September-Rechnung zu entdecken. Eine gute Faustregel: Behandeln Sie jeden Alias, der auf „latest“ endet, als ständige Anweisung, alles zu akzeptieren, was der Anbieter als Nächstes ausliefert – einschließlich des Preises.

Wie Sie darauf zugreifen und es verwenden

Think Fast 2.0 ist über xAIs Speech-to-Speech-API unter der Modell-ID grok-voice-think-fast-2.0 verfügbar, mit grok-voice-latest als rollierendem Alias. Es handelt sich um ein Echtzeit-, Vollduplex-Modell über einen WebSocket: wss://api.x.ai/v1/realtime?model=grok-voice-think-fast-2.0, authentifiziert mit einem Authorization: Bearer-Header beim Handshake. Für Browser-Apps sollten Sie kurzlebige Tokens serverseitig über den Realtime-Sessions-Endpunkt erstellen, damit der übergeordnete API-Schlüssel niemals den Client erreicht.

Die API ist OpenAI-Realtime-kompatibel, daher benötigt vorhandener Realtime-Sprachcode in der Regel nur einen Austausch von Basis-URL und Schlüssel. Die Sitzungseinrichtung erfolgt über ein session.update-Ereignis: Wählen Sie eine voreingestellte Stimme (eve, ara, rex, sal, leo), legen Sie das Audioformat für Eingabe und Ausgabe fest (standardmäßig PCM16 bei 24 kHz; μ-law für Telefonie), aktivieren Sie die serverseitige Sprachaktivitätserkennung und registrieren Sie Tools – einschließlich eines integrierten Websuchtools –, damit der Agent mitten im Gespräch handeln kann. Der Ereignisfluss folgt dem Standardmuster: Der Client hängt Audiopuffer-Frames an, der Server streamt Audio-Deltas als Antwort, und Argument-Ereignisse für Tool-Aufrufe werden ausgelöst, wenn das Modell beschließt zu handeln, wobei die Ergebnisse als Funktionsaufruf-Ausgaben zurückgegeben werden. Das Modell unterstützt 25+ Sprachen und benutzerdefinierte Stimmklonierung aus etwa einer Minute Sprache.

Beachten Sie, was es nicht ist: Es ist ein Sprach-zu-Sprach-Agentenmodell, kein allgemeiner Transkriptions- oder Übersetzungsdienst. Wenn die Hauptaufgabe Ihres Produkts darin besteht, Audio kostengünstig in Text umzuwandeln, ist ein dediziertes STT-Modell ein anderes Werkzeug – und bei der Abrechnung pro Minute zahlen Sie für das gesamte Gespräch, sodass reine Transkriptions-Workloads schnell teuer werden.

Wie es in einen Voice-Agent-Stack passt

Think Fast 2.0 ist ein spezialisiertes Echtzeit-Sprachmodell, das über die dedizierte API von xAI abgerufen wird – kein Allzweck-LLM, das ein Modell-Router hostet. Der Sprachkanal läuft direkt über den WebSocket von xAI – dort liegt die Latenz im Sub-Sekunden-Bereich, und sie übersteht keinen Zwischenstopp.

Alles andere rund um ein Sprachprodukt – die nicht zeitkritische Verarbeitung natürlicher Sprache, die Fallback-Logik, wenn ein Gespräch vom Skript abweicht, die Zusammenfassung, die Analysen, die E-Mail-Nachfassung, die der Agent nach einem Anruf auslöst – ist allgemeine Text- und Multimodalarbeit. Für diesen Teil bietet ein anbieterneutraler Endpoint wie OrcaRouter eine OpenAI-kompatible API für viele LLMs, sodass du für die Teile des Stacks, die keinen Echtzeit-Sprachkanal benötigen, nicht an einen einzigen Anbieter gebunden bist. Die klare Aufteilung: xAIs dedizierte API für den Sprachstream selbst, OrcaRouter (oder Ähnliches) für die Text- und Multimodalverarbeitung rundherum.

Der Wettbewerb: agentische Geschwindigkeit vs. rohe Intelligenz

Think Fast 2.0 landet mitten in dem derzeit umkämpftesten Markt der KI — Echtzeit-Sprachagenten — und die Benchmark-Tabelle macht die Kompromisse ungewöhnlich sichtbar.

Qwen Audio 3.0 Realtime Plus ist der Intelligenzführer: 84,1 % beim Sprach-zu-Sprach-Qualitätsindex (Platz 1), rekordverdächtige 99,2 % bei Big Bench Audio und 98,4 % bei Vollduplex. Aber die durchschnittliche Zeit bis zum ersten Audio beträgt etwa 4,02 Sekunden – etwa 5,7-mal langsamer als Groks 0,70 s. Für den Einsatz im Auto, bei Wearables und Telefongesprächen ist dieser Unterschied nicht „schnell vs. langsam“, sondern nutzbar vs. unbrauchbar. Qwen unterteilt sich auch in eine Plus-Stufe (Qualität) und eine Flash-Stufe (etwa 300 ms erstes Paket) für verschiedene Szenarien, was eine durchdachte Antwort auf dasselbe Spannungsfeld ist.

GPT-Realtime-2.1 liegt in den meisten Zeilen im Mittelfeld (79,1 % Qualität, 45,7 % agentisch) und gewinnt bei der Gesprächsdynamik (95,7 %). Der High-Tarif kostet ungefähr das 2,2-fache des Stundenpreises von Grok. Für Teams, die bereits tief im OpenAI-Ökosystem verwurzelt sind, bleibt es die reibungsloseste Standardoption.

Gemini 3.1 Flashliegt bei den Qualitäts- und Agentic-Composites (69,5 %, 37,7 %) zurück, ist aber Teil eines breiteren Gemini-Sprachstacks und Google-Ökosystems, das viele Teams aus anderen Gründen bevorzugen.

Die praktische Erkenntnis: Wählen Sie nach Workload. Wenn Ihr Sprachagent sich sofort anfühlen muss und zuverlässig werkzeuggestützte Aufgaben erledigen soll (Support, Qualifizierung, Buchung), ist Think Fast 2.0 heute die stärkste gemessene Option. Wenn Ihnen tiefste Denkfähigkeit am wichtigsten ist und Sie mehrere Sekunden Latenz in Kauf nehmen können, gewinnt Qwen Plus. Wenn es auf konversationellen Feinschliff und Ökosystem-Anbindung ankommt, bleibt GPT-Realtime-2.1 der etablierte Platzhirsch, den es zu schlagen gilt.

Drei Szenarien, in denen es passt

1. Telefonsupport und Telefonie

Die Kombination, die am meisten zählt: erstes Audio in unter einer Sekunde, robuste Transkription bei verrauschten Telefonaten (vom Anbieter gemeldet) und die Handhabung von Unterbrechungen im Vollduplex-Betrieb. Eine Support-Leitung, bei der der Agent fast sofort zu sprechen beginnt und mitten im Gespräch Kontoinformationen abrufen kann, ist genau das, worauf 2.0 abgestimmt wurde. Sein kürzerer, eine Frage nach der anderen stellender RL-Sprechstil passt ebenfalls gut zur Telefonie, wo Minuten die abrechenbare Einheit sind – auf dem Zähler beider Anbieter.

2. Lead-Qualifizierung und Follow-up nach dem Anruf

Agentic Voice ist der Bereich, in dem 2.0 wirklich der Erste ist, und die Lead-Qualifizierung ist die kanonische Agentic-Voice-Aufgabe: qualifizieren, weiterleiten und Follow-up auslösen, solange die Absicht frisch ist. Das Tool-Calling kann feuern, bevor der erste Satz endet, sodass ein Agent einen CRM-Datensatz anlegen kann, während er noch mit dem Interessenten spricht. Planen Sie Attribution auf Sitzungsebene und strikte Tool-Berechtigungen ein – ein Sprachagent kann in Echtzeit Fehler machen, und die Bereinigung liegt bei Ihnen.

3. Sprachagenten-Produkte in aktiver Entwicklung

Für Entwickler, die ihre eigenen Sprachagenten ausliefern, sind die Tradecraft- und GrokTerm-Integrationen, auf die xAI verweist, genau dieser Art. Dank der Geschwindigkeit von 2.0 und der OpenAI-kompatiblen API lässt es sich problemlos als Drop-in für GPT-Realtime-Code einsetzen. Pinnt die Version fest, führt einen schmalen Pilotversuch mit einer klaren Erfolgsbedingung durch (z. B. „Pricing-Seiten-Besucher qualifizieren und weiterleiten“) und messt die Kosten pro abgeschlossenem Ergebnis, nicht pro Minute.

Einschränkungen und Vorbehalte

Zum Zeitpunkt dieses Beitrags ist Think Fast 2.0 fünf Tage alt, und das zeigt sich in den Einschränkungen. Die A/B-Ergebnisse von Starlink (höhere Konversion und Support-Containment) stammen von xAI, ohne veröffentlichte Zahlen; die Transkriptionsmultiplikatoren und die Darstellung von „fast 5x schneller" sind ebenfalls Herstellerangaben und keine unabhängigen Benchmarks. Der einzige Artikel, den Sie finden werden und der „Leistungsregression und gefälschte Testberichte" behauptet, bezieht sich auf genau diese Nichtverifizierbarkeit – die von xAI veröffentlichten Zahlen wurden nicht unabhängig reproduziert, und die auf Verlässlichkeit angewiesene Voice-Community misstraut zu Recht unveröffentlichten Herstellermetriken. Benchmarks können auch nicht Ihren schlimmsten Anruf messen: Eine 0,70-Sekunden-Antwort ist wertlos, wenn der Agent einen Lead souverän an das falsche Team weiterleitet. Die Sprachabrechnung erfolgt pro Minute, und eine Preiserhöhung ist bereits eingepreist, sodass das Kostenrisiko real ist. Und wie bei jedem brandneuen Echtzeitmodell sollten Sie mit häufigen API-Änderungen rechnen. Verifizieren Sie die Genauigkeitsbehauptungen anhand Ihres eigenen Audiomaterials, fixieren Sie die Versionen in der Produktion und richten Sie Eskalation und Aufzeichnung ein, bevor der erste Live-Anruf erfolgt.

FAQ

Was ist Grok Voice Think Fast 2.0?

xAIs Flaggschiff-Sprach-zu-Sprach-Modell für Sprachagenten, veröffentlicht am 29. Juli 2026: natives End-to-End-Audio-zu-Audio über einen WebSocket, mit 0,70 s Zeit bis zum ersten Audio und dem ersten Platz auf dem τ-Voice-Agenten-Benchmark.

Wie viel kostet Grok Voice Think Fast 2.0?

$0,08 pro Minute Audio (etwa $4,80/Stunde) plus $0,004 pro Texteingabenachricht – eine Steigerung von 60 % gegenüber den $0,05/Minute von Think Fast 1.0.

Ist Think Fast 2.0 das beste Sprachmodell?

Es ist das Schnellste und Beste bei agentischen Aufgaben (56,5 % τ-Voice, erster Platz) und insgesamt Zweiter beim Sprach-zu-Sprach-Qualitätsindex (82,9 %), hinter Qwen Audio 3.0 Realtime Plus (84,1 %). Was „am besten“ ist, hängt von der Arbeitslast ab.

Was hat sich gegenüber Think Fast 1.0 geändert?

Paralleles Sprach-Reasoning (es denkt, während es spricht), etwa 60 % weniger Reasoning-Tokens, ein RL-abgestimmter kürzerer Gesprächsstil, eine 1,4-fache Transkriptionsverbesserung (vom Anbieter gemeldet) und die Zeit bis zum ersten Audio wurde von 1,25 s auf 0,70 s gesenkt.

Wird mein Think Fast 1.0 Traffic-Switch automatisch umschalten?

Ja, am 5. August 2026, wenn Sie den Alias grok-voice-latest verwenden. Pinnen Sie grok-voice-think-fast-1.0 vorher, um bei 1.0 zu bleiben, oder nehmen Sie bewusst 2.0 und prognostizieren Sie die Kosten neu.

Wie rufe ich Grok Voice Think Fast 2.0 auf?

Über die Speech-to-Speech-API von xAI – ein Echtzeit-WebSocket (wss://api.x.ai/v1/realtime?model=grok-voice-think-fast-2.0), kompatibel mit der OpenAI Realtime API, mit voreingestellten Stimmen, Server-VAD und Tool-Aufrufen.

Mit welchen Sprachmodellen konkurriert es?

Qwen Audio 3.0 Realtime Plus (intelligenter, aber mit 4,02 s bis zum ersten Audio deutlich langsamer), GPT-Realtime-2.1 (bessere Gesprächsdynamik, in der High-Tier-Stufe etwa 2,2-mal teurer) und Gemini 3.1 Flash.

Sind die Benchmark-Angaben zuverlässig?

The Artificial Analysis scores are independent and solid. The Starlink A/B results, transcription multipliers, and speed framing are xAI-reported with no published data — treat them as directional and verify on your own audio.

Ist Grok Voice gut für die Transkription?

Es transkribiert innerhalb eines Gesprächs, und xAI behauptet große Verbesserungen gegenüber dedizierten STT-Modellen bei Rauschen – aber es wird pro Gesprächsminute abgerechnet, daher werden dedizierte Transkriptions-Workloads besser von einem dedizierten STT-Modell bedient.

Fazit

Grok Voice Think Fast 2.0 ist das stärkste agentische Sprachmodell, das bisher gemessen wurde, und mit großem Abstand das schnellste in der Spitzenklasse – 0,70 Sekunden bis zum ersten Audio sind ein echter, unabhängiger, nutzerorientierter Erfolg, und der erste Platz bei τ-Voice ist eine echte Platzierung. Die ehrliche Zusammenfassung ist konkret: Es ist das beste Werkzeug seiner Klasse für Echtzeit-Sprachagenten mit Tool-Anbindung, nicht das beste Sprachmodell in jeder Kategorie – Qwen führt bei der Intelligenz und OpenAI bei der Gesprächsfinesse. Die Kontroversen betreffen nicht die Geschwindigkeit. Sie betreffen den Preis: eine 60-prozentige Preiserhöhung für ein Modell, von dem xAI sagt, dass es billiger zu betreiben sei, eine automatische Alias-Migration mit einer festen Frist und Schlagzeilen, die auf unveröffentlichten Herstellerangaben beruhen. Nutzen Sie es für die agentische Geschwindigkeit, legen Sie Ihre Version fest, kennzeichnen Sie die Herstellerangaben und überprüfen Sie die Genauigkeit bei Ihren eigenen Aufrufen – und halten Sie den allgemeinen Text und das Reasoning rund um Ihr Sprachprodukt auf einem herstellerneutralen Endpunkt wie OrcaRouter.