Grok Voice Transcribe 2.0 sichert sich Platz 1 bei der Streaming-Genauigkeit – bei unverändertem Preis

Grok Voice Transcribe 2.0 ist das Speech-to-Text-Modell, das SpaceXAI am 18. September 2026 veröffentlichte, und die eine Zahl, die dabei zählt, ist nicht die, mit der der Launch-Post beginnt. Es ist diese: Die erste partielle Transkription – der Text, auf den ein Voice-Agent tatsächlich reagieren kann, während der Anrufer noch spricht – ging von 18,3 % Wortfehlerrate in Grok Voice Transcribe 1.0 auf 3,4 % zurück. Das ist die Messung auf dem AA-WER Streaming Board von Artificial Analysis, wo das neue Modell nun sowohl im Final-Transcript-Ranking (2,7 % WER, 0,49 Sekunden nach Ende des Sprechens) als auch im First-Partial-Transcript-Ranking (3,4 %, 0,49 Sekunden) an erster Stelle steht. Auch die Genauigkeit der finalen Transkription verbesserte sich, von 3,9 % auf 2,7 %, was real, aber bescheiden ist. Der Sprung bei der partiellen Transkription ist derjenige, der verändert, was man bauen kann.

Was hat sich tatsächlich zwischen 1.0 und 2.0 geändert?

Die beiden Versionen sind dasselbe Produkt in derselben API, und SpaceXAI hat keine Änderungen an der Schnittstelle vorgenommen: Grok Voice Transcribe 2.0 wird ausgewählt, indem man grok-voice-transcribe-2.0 an /v1/stt statt grok-voice-transcribe-1.0 übergibt, oder indem man es auswählt, wenn die WebSocket-Verbindung für Streaming aufgebaut wird. Bestehende Integrationen, die den Modellparameter weglassen, erhalten weiterhin 1.0, bis SpaceXAI die Standardeinstellung umstellt, was laut Unternehmen in den kommenden Wochen zusammen mit der Deprecation der älteren Version geschehen soll. Bis dahin ist 2.0 ein Opt-in und 1.0 kann bewusst festgeschrieben werden, was für eine solche Änderung die richtige Form ist: Sie können 2.0 mit Ihrem eigenen Audio A/B-testen, bevor es zu Ihrem Produktionsstandard wird, ob Sie danach gefragt haben oder nicht.

Die Zahlen von Artificial Analysis erzählen, Seite an Seite gelesen, eine spezifischere Geschichte als „doppelt so genau“:

• Genauigkeit des finalen Transkripts — Grok Voice Transcribe 2.0 bei 2,7 % WER gegenüber Grok Voice Transcribe 1.0 bei 3,9 % mit AA-WER Streaming, beide gemessen nach Ende des Sprechens

• Genauigkeit des ersten Teiltranskripts — 3,4 % WER vs. 18,3 %, der größte einzelne Unterschied zwischen den beiden Versionen

• Zeit bis zum endgültigen Transkript — 0,49 s vs. 0,37 s, das neue Modell ist also langsamer beim Festschreiben als das, das es ersetzt

• Zeit bis zum ersten Partial — 0,49 s vs. 0,25 s, ebenfalls langsamer

• Batch-Genauigkeit (nicht-streaming) — 2,3 % AA-WER auf dem Non-Streaming-Board von Artificial Analysis, gegenüber 4,07 % für Whisper Large v3 und 3,31 % für GPT Transcribe

• Batch-Durchsatz — ungefähr 162× Echtzeit auf demselben Board, hinter MAI-Transcribe-2 mit 333× und vor Gemini 3.5 Transcribe mit 88×

Diese vierte und fünfte Zeile sind der ehrliche Vorbehalt in diesem Release. SpaceXAI hat Genauigkeit mit Latenz erkauft. Das neue Modell braucht etwa eine Drittelsekunde länger, um sein erstes Teiltranskript und sein finales Transkript zurückzugeben, als 1.0. Auf einem Spielfeld, auf dem Deepgram Flux ein Teiltranskript in 0,02 Sekunden und Soniox v5 in 0,05 Sekunden liefert, konkurriert Grok Voice Transcribe 2.0 überhaupt nicht über Geschwindigkeit – es konkurriert darüber, richtig zu sein, und gewinnt diesen Tausch mit großem Abstand. Ob das der richtige Tausch ist, hängt ganz davon ab, ob Ihre Anwendung ein Live-Sprachagent ist, der mit dem Zurücksprechen beginnen muss, oder eine Transkriptionspipeline, in der eine halbe Sekunde unsichtbar ist.

Die Behauptung „doppelt so genau“, überprüft.

SpaceXAI macht damit Schlagzeilen, dass 2.0 bei gleichem Preis doppelt so genau ist wie 1.0, und die eigene Evaluierungstabelle untermauert das für die von ihr gewählten Datensätze. Bei englischsprachigen Kundensupport-Anrufen mit 8 kHz sank die Wortfehlerrate von 10,6 % auf 7,1 %. Bei Gesprächen mit Grok von 8,7 % auf 3,3 %. Bei gesprochenen Zugangsdaten – Kontocodes, Telefonnummern, E-Mail-Adressen – von 7,2 % auf 3,2 %. Bei kurzen Befehlen in 19 Sprachen von 20,6 % auf 6,8 %, eine Verringerung der Fehler um etwa zwei Drittel. Diese vier Datensätze stammen aus dem Produktionsverkehr von SpaceXAI, und die Vergleiche stammen von SpaceXAI selbst; niemand außerhalb des Unternehmens hat sie reproduziert. Betrachten Sie die Tabelle als eine Karte dessen, wo das Modell optimiert wurde, und nicht als allgemeine Genauigkeitsgarantie.

Das Ergebnis von Artificial Analysis ist der Teil, der nicht vom Anbieter gemeldet wird: ein unabhängiger Harness-Lauf gegen etwa acht Stunden Audio, gewichtet zu 50 % auf das private AA-AgentTalk-Set und zu je 25 % auf VoxPopuli und Earnings22. Es stützt eine engere und nützlichere Aussage als „doppelt so genau“ – nämlich dass dieses Modell bei genau dieser Mischung der genaueste gemessene Streaming-Transkriptor ist. Eine Feinheit, die es wert ist, benannt zu werden: Der Beitrag von SpaceXAI beschreibt einen ersten Platz „unter 32 Streaming-Modellen“, während die Leaderboard-Seite selbst 27 von 33 Modellen darstellt. Der Rang ist real; die Größe des Teilnehmerfelds im Marketingtext ist die Zählung des Unternehmens, nicht die des Leaderboards.

Es lohnt sich außerdem, genau zu sein, was ein erster Platz auf AA-WER Streaming abdeckt und was nicht. Das Board ist englischlastig und stark von Agenten-Sprache geprägt. Es misst weder Ihren Akzent noch Ihren Codec, Ihr Domänenvokabular oder Ihr achtkanaliges Callcenter-Audio. Ein Modell, das dort an der Spitze steht, kann bei Ihren Aufnahmen trotzdem deutlich schlechter abschneiden – und genau deshalb ist das Opt-in-Fenster wichtig.

Die Preisgestaltung ist unverändert, und das ist die zweitwichtigste Tatsache hier

Grok Voice Transcribe 2.0 kostet dasselbe wie 1.0: 0,10 $ pro Audio-Stunde für Batch- und aufgezeichnete Dateien über den REST-Endpunkt, 0,20 $ pro Audio-Stunde für Streaming über den WebSocket. Auf dem Preisboard von Artificial Analysis liegt die Streaming-SKU bei 3,33 $ pro 1.000 Minuten und die Batch-SKU bei 1,67 $ — derselbe Batch-Tarif, den Microsoft für MAI-Transcribe-2 berechnet, und etwa ein Drittel dessen, was ElevenLabs Scribe v2 Realtime pro Streaming-Minute kostet.

Diarisierung, Zeitstempel auf Wortebene mit Konfidenzwerten und die Gewichtung von Schlüsselbegriffen sind in diesem Tarif enthalten, statt separat abgerechnet zu werden, was in diesem Markt nicht überall üblich ist. Gemini 3.5 Transcribe Live rechnet sowohl für Audioeingabe als auch für Textausgabe pro Token ab, sodass sich Ihre Kosten danach richten, wie viel das Modell sagt, und nicht nur danach, wie lange die Audioaufnahme lief. Ein pauschaler Stundensatz ist leichter zu prognostizieren und leichter über Anbieter hinweg zu vergleichen – und da OrcaRouter die Listenpreise der Anbieter mit 0 % Aufschlag weitergibt, würde eine anbieterseitige Änderung dieses Satzes bei uns noch am selben Tag sichtbar werden, statt erst nach einem Preisänderungszyklus.

Was die API tatsächlich liefert

Die Funktionsliste ist umfangreich und überwiegend übernommen statt neu, was man wissen sollte, wenn man das Upgrade allein anhand der Funktionen bewertet:

• Batch- und Streaming-Verarbeitung in einem Modell – REST für aufgezeichnete Dateien bis 500 MB, WebSocket unter wss://api.x.ai/v1/stt mit Zwischenergebnissen, die etwa alle 500 ms ausgegeben werden

• Sprecherdiarisierung inklusive, plus Mehrkanaltranskription von bis zu 8 unabhängigen Kanälen

• Zeitstempel auf Wortebene mit Konfidenzwerten, sodass du Bereiche mit geringer Konfidenz mit einem Schwellenwert versehen kannst, anstatt dem gesamten Transkript gleichermaßen zu vertrauen

• Key-Term-Gewichtung von bis zu 100 Domänenbegriffen pro Anfrage, jeweils bis zu 50 Zeichen

• Inverse Textnormalisierung für Zahlen, Datumsangaben, Währungen, Telefonnummern und E-Mail-Adressen, mit Unterstützung für Formatierung in ausgeschriebener Form in 25 Sprachen

• Entfernung von Füllwörtern und Smart Turn End-of-Turn-Erkennung, die direkt auf Sprachagenten ausgerichtet sind

• Automatische Sprachenerkennung mit Sprachumschaltung während der Aufnahme in einem einzigen Durchgang, über 12 Audioformate und Abtastraten von 8 kHz bis 48 kHz

• Servicegrenzen von 10 Anfragen pro Sekunde sowohl bei REST als auch bei Streaming und 100 gleichzeitige Streaming-Sitzungen pro Team, gehostet in us-east-1

Der eine Produktionshinweis, der nicht auf der Feature-Liste steht: Der Dienst läuft in einer einzigen Region. Wenn Ihr Audio außerhalb der Vereinigten Staaten entsteht, ist die Netzwerkstrecke jetzt Teil Ihres Latenzbudgets, und AA-WER Streaming bezieht Netzwerkverzögerungen ausdrücklich in sein Timing ein. SpaceXAI bietet Zero-Data-Retention-Bedingungen und verweist auf SOC 2 Type II, BAAs und EU-Datenresidenzoptionen, sodass die Compliance-Story weiter entwickelt ist als die geografische.

Wer sollte ziehen, und worauf sollte man achten

Wenn Sie bereits Grok Voice Transcribe 1.0 einsetzen und Ihre Anwendung auf Teiltranskripte reagiert – Turn-Erkennung, Barge-in, Antworten von Live-Agenten –, ist die Genauigkeitslücke bei Teiltranskripten von 18,3 % auf 3,4 % groß genug, dass das Testen von 2.0 nicht optional ist. Dass diese Zahl von „meist falsch“ zu „meist richtig“ wird, ist der Unterschied zwischen einem Teiltranskript, auf dessen Grundlage Sie routen können, und einem, das Sie nur anzeigen können. Wenn Ihre Anwendung bei aufgezeichneten Dateien auf finale Transkripte wartet, ist die Verbesserung real, aber kleiner, und die zusätzlichen 0,12 Sekunden Commit-Latenz sind der Preis dafür.

Wenn Sie bei einem ganz anderen Anbieter sind, ist der Grund, sich dieses Release anzusehen, nicht der Platz in der Bestenliste – sondern dass ein Frontier-Lab sein Transkriptionsmodell gerade deutlich verbessert hat, ohne den Preis zu erhöhen, was zeigt, wie ein Markt aussieht, wenn Genauigkeit nicht mehr das ist, wofür man Geld verlangt. Der Upgrade-Pfad ist zudem die günstigste Art: ein Parameter, keine Codeänderung, kein neuer Vertrag und ein Pin verfügbar, falls etwas schiefgeht.

Was als Nächstes zu beobachten ist, ist der Wechsel der Standardeinstellung. Wenn SpaceXAI 2.0 zur Standardversion macht und beginnt, 1.0 als veraltet zu markieren, werden alle Integrationen, die nie einen Modellparameter übergeben haben, auf einmal auf das neue Modell umsteigen – einschließlich der Latenzänderung. Teams, die auf das alte 0,25-Sekunden-Partial-Timing angewiesen sind, sollten jetzt pinnen, statt die Änderung erst in der Produktion zu entdecken. Der zweite Punkt, den es zu beobachten gilt, ist die unabhängige Reproduktion: Der Eintrag von Artificial Analysis ist eine echte Messung, aber er ist ein einzelnes Board auf einem einzigen Audiomix, und noch kein Drittanbieter hat einen vergleichbaren 1.0-gegen-2.0-Durchlauf mit Produktionsaudio veröffentlicht.