Grok Voice Transcribe 2.0 vs. GPT Transcribe: Gleicher Streaming-Preis, unterschiedliche Genauigkeit

Der Zufall ist fast zu schön, um wahr zu sein. Auf dem AA-WER Streaming Board von Artificial Analysis werden Grok Voice Transcribe 2.0 und GPT Live Transcribe – der Streaming-Transkriptionsendpunkt – mit exakt 3,33 $ pro 1.000 Minuten Audio gelistet. SpaceXAIs Grok Voice Transcribe 2.0, veröffentlicht am 18. September 2026, liefert ein finales Transkript mit 2,7 % Wortfehlerrate, 0,49 Sekunden nach Ende des Sprechens, sowie ein erstes Teiltranskript mit 3,4 %. GPT Live Transcribe, das zusammen mit GPT Transcribe am 28. Juli 2026 erschien, liefert sein finales Transkript mit 3,9 % und sein erstes Teiltranskript mit 6,3 %. Gleicher Preis, und rund 1,2 Punkte Genauigkeit beim finalen Transkript plus 2,9 Punkte Genauigkeit beim Teiltranskript zugunsten von SpaceXAI. Die Batch-Seite desselben Vergleichs ist überhaupt kein Zufall: GPT Transcribe kostet 4,50 $ pro 1.000 Minuten gegenüber 1,67 $ bei Grok Voice Transcribe 2.0 – eine Lücke von 63 % auf dem Pfad für aufgezeichnete Dateien.

Zwei verschiedene Wetten darauf, wie die Transkription besser wird

OpenAIs Antwort auf Genauigkeit ist Kontext. GPT Transcribe und GPT Live Transcribe akzeptieren beide Freiform-Prompts, Keyword-Listen und Listen erwarteter Sprachen, und in Realtime-Sitzungen werden die früher transkribierten Turns als Kontext für spätere zurückgespeist. Im eigenen Context Aware ASR-Benchmark von OpenAI hob diese Konditionierung die semantische Genauigkeit von GPT Live Transcribe von 38,5 % auf 44,6 % – eine vom Anbieter berichtete Zahl, die misst, ob die Bedeutung erhalten blieb, statt ob die Wörter richtig waren. Das Angebot, das OpenAI macht, ist ausdrücklich: Geben Sie dem Modell Informationen darüber, was es gleich hören wird, und es transkribiert Ihre Domäne besser als ein allgemeines Modell mit derselben rohen Genauigkeit.

Die Antwort von SpaceXAI ist das Modell selbst. Grok Voice Transcribe 2.0 hat tatsächlich einen Bias-Mechanismus – bis zu 100 Schlüsselbegriffe pro Anfrage, jeder bis zu 50 Zeichen –, aber es ist eine Vokabelliste, kein Prompt. Man kann ihm sagen, dass „OrcaRouter“ und „Kubernetes“ echte Wörter sind; man kann ihm keinen Absatz übergeben, der erklärt, dass es sich um einen Support-Anruf wegen einer Rückerstattung handelt. Die Genauigkeitsverbesserung in 2.0 kommt stattdessen vom Retraining: Auf den eigenen, aus der Produktion abgeleiteten Evaluierungssets von SpaceXAI sank die Wortfehlerrate von 8,7 % auf 3,3 % bei Konversationsaudio, von 10,6 % auf 7,1 % bei 8-kHz-Telefonie, von 7,2 % auf 3,2 % bei gesprochenen Zugangsdaten und von 20,6 % auf 6,8 % bei kurzen Befehlen über 19 Sprachen hinweg. Das sind die Zahlen des Unternehmens auf dem Audio des Unternehmens, die von niemandem außerhalb des Unternehmens reproduziert wurden, und sie beschreiben ein Modell, das sich beim akustischen Problem verbesserte, statt eines, das sich darin verbesserte, gesagt zu bekommen, was zu erwarten ist.

Der praktische Unterschied zeigt sich in der zweiten Stunde der Arbeit. Ein kontextkonditioniertes Modell kann dramatisch besser sein, als sein roher Benchmark vermuten lässt, weil Sie das Vokabular und die Domäne vorgegeben haben. Es kann auch die von Ihnen vorgegebenen Schlüsselwörter halluzinieren: Schreiben Sie „OrcaRouter“ in den Prompt, und ein Modell, das das Wort nicht klar hören kann, gibt es trotzdem möglicherweise aus. Ein Modell mit Schlüsselbegriff-Bias baut sanfter ab, weil das Biasieren die Wahrscheinlichkeit eines Begriffs verschiebt, statt zu behaupten, dass er vorhanden ist. Keiner der beiden Fehlermodi erscheint auf einem Leaderboard, und beide werden in Ihren Logs auftauchen.

Die Zahlen, Seite an Seite

• Genauigkeit des finalen Transkripts (Streaming) — Grok Voice Transcribe 2.0 mit 2,7 % WER vs. GPT Live Transcribe mit 3,9 % auf AA-WER Streaming, beide laut Artificial Analysis

• Genauigkeit des ersten Teilresultats (Streaming) — 3,4 % vs. 6,3 %, der größte Unterschied im Vergleich und derjenige, der das Verhalten von Voice-Agents entscheidet

• Zeit bis zum finalen Transkript — 0,49 s vs. 0,81 s nach Ende des Sprechens, das genauere Modell legt sich also auch schneller fest.

• Zeit bis zum ersten Teilresultat — 0,49 s vs. 0,26 s, die eine Latenzspalte, die OpenAI klar für sich entscheidet

• Streaming-Preis — 3,33 $ pro 1.000 Minuten für beide, normalisiert von Artificial Analysis aus Groks 0,20 $/Stunde und OpenAIs 0,017 $/Minute

• Batch-Genauigkeit (Nicht-Streaming) — Grok Voice Transcribe 2.0 mit 2,3 % AA-WER vs. GPT Transcribe mit 3,31 %

• Batch-Preis — 1,67 $ pro 1.000 Minuten vs. 4,50 $ pro 1.000 Minuten, ab 0,10 $/Stunde gegenüber 0,0045 $/Minute

• Batch-Durchsatz — etwa 162× Echtzeit gegenüber etwa 41× auf demselben Board

Lesen Sie diese Liste als zwei Spalten und nicht als ein einziges Urteil. OpenAI gewinnt bei der Latenz bis zum ersten Teilresultat mit klarem Vorsprung und bietet einen Kontextmechanismus, den Grok nicht hat. SpaceXAI gewinnt bei der Endgenauigkeit in beiden Modi, bei der Teilgenauigkeit im Streaming, beim Durchsatz und beim Batch-Preis mit großem Abstand. Es gibt keine Spalte, in der GPT Live Transcribe sowohl schneller als auch genauer ist als Grok Voice Transcribe 2.0; es gibt eine Spalte, in der es schneller ist, und das ist die früheste.

Auf welchem Batch-Pfad du dich tatsächlich befindest

Die Kluft zwischen 1,67 $ und 4,50 $ ist die am wenigsten mehrdeutige Zahl hier, und es lohnt sich, genau zu sein, warum es sie gibt. OpenAI senkte die Preise für diese Produktlinie um 25 %, als es GPT Transcribe einführte, aus der Ära von GPT-4o Transcribe, und 0,0045 $ pro Minute waren das Ergebnis. SpaceXAI ließ seinen Batch-Tarif unverändert bei 0,10 $ pro Stunde, als es von Version 1.0 auf 2.0 wechselte — es verbesserte das Modell und verlangte denselben Preis, was schwieriger ist und ein besseres Signal dafür, wohin sich der Markt entwickelt. Microsofts MAI-Transcribe-2 landete bei exakt denselben 0,10 $ pro Stunde als zeitlich begrenztes Angebot, sodass die 1,67 $ pro 1.000 Minuten zur Preisuntergrenze der Frontier-Labore für Batch-Transkription geworden sind, statt nur die Werbezahl eines einzelnen Anbieters zu sein.

Bei zehntausend Stunden Audio pro Monat beträgt diese Lücke ungefähr 2.830 $ gegenüber 450 $. Für ein Podcast-Archiv, einen Rückstau an Anrufaufzeichnungen oder eine Mediathek, die nachträglich transkribiert wird, lässt der Preisunterschied jeden Genauigkeitsunterschied zwischen 2,3 % und 3,31 % WER winzig erscheinen. Bei einem Streaming-Agenten, bei dem die beiden Produkte gleich viel kosten, sind Genauigkeit und Latenz die einzigen Punkte, über die es noch zu streiten gibt.

Hinter diesen Preisen steckt ein struktureller Unterschied, den man benennen sollte: Grok Voice Transcribe 2.0 rechnet pauschal pro Audio-Stunde ab, GPT Live Transcribe pro Minute, Gemini 3.5 Transcribe Live hingegen pro Token – sowohl für Audio-Eingabe als auch für Text-Ausgabe. Nur bei einem der drei richtet sich Ihre Rechnung danach, was das Modell zu sagen beschließt. Wenn Ihr Volumen groß genug ist, dass Prognosen eine Rolle spielen, lassen sich die Pauschalpreise leichter gegenüber der Person rechtfertigen, die die Rechnung unterschreibt – und weil OrcaRouter die Listenpreise der Anbieter mit 0 % Aufschlag weitergibt, wäre eine anbieterseitige Senkung wie die 25 % von OpenAI bei uns am selben Tag live, an dem sie angekündigt wird, nicht erst bei der nächsten Verlängerung.

Was keines der beiden Modelle ist

GPT Transcribe und GPT Live Transcribe sind zwei Produkte, nicht eines mit einem Umschalter. Das Batch-Modell ist für abgeschlossene Dateien, gestreamte Dateitranskripte und festgeschriebene Turns in Realtime-Sitzungen zuständig und verarbeitet Audio nach OpenAIs eigenen Angaben etwa 34-mal schneller als Echtzeit – Artificial Analysis misst 41× in seiner Testumgebung. Das Streaming-Modell ist das teurere bei 0,017 US-Dollar pro Minute und dasjenige mit der 10-fach höheren Fehlerrate bei Teiltranskripten. Sich für OpenAI zu entscheiden bedeutet, sich zu entscheiden, welches dieser beiden Probleme man hat, denn der günstigere Endpunkt kann nicht die Aufgabe des anderen übernehmen.

Grok Voice Transcribe 2.0 ist ein Modell mit zwei Transportwegen: Dieselben Gewichte bedienen/v1/stt über REST für Dateien bis 500 MB undwss://api.x.ai/v1/stt über WebSocket für Live-Audio, wobei Zwischenergebnisse etwa alle 500 ms ausgegeben werden. Die Streaming-Rate ist genau doppelt so hoch wie die Batch-Rate und kein separat entwickeltes Produkt – das bedeutet, dass die Genauigkeit, die Sie bei Ihrem archivierten Audio messen, genau die Genauigkeit ist, die Sie live erwarten sollten. Es bedeutet außerdem, dass es kein zweites Modell zu bewerten gibt – ein Satz Prompts, ein Satz Schlüsselbegriffe, ein Satz Erwartungen.

Die Funktionsparität ist nahezu identisch, aber nicht vollständig. Beide liefern Zeitstempel auf Wortebene; Grok Voice Transcribe 2.0 hängt an jedes Wort einen Konfidenzwert, womit Sie Bereiche mit geringer Konfidenz mit einem Schwellenwert versehen können, statt dem gesamten Transkript gleichermaßen zu vertrauen. Beide bieten Sprecherdiarisierung, und bei Grok ist sie ohne Aufpreis enthalten. Beide beherrschen die inverse Textnormalisierung für Zahlen, Datumsangaben, Währungen und Kontaktdaten. Grok Voice Transcribe 2.0 ergänzt Multikanal-Transkription über bis zu 8 unabhängige Kanäle, die Entfernung von Füllwörtern und die Smart-Turn-Erkennung des Turn-Endes; die Besonderheiten von GPT Transcribe sind die Kontextkonditionierung auf Prompt-Ebene und, auf der Realtime-Seite, die automatische Übernahme früherer Turns. OpenAI hat für keines der beiden Modelle eine Anzahl unterstützter Sprachen veröffentlicht; Grok Voice Transcribe 2.0 dokumentiert Dutzende Sprachen mit Umschaltung während der Aufnahme und schriftlicher Formatierung für 25 davon.

Wie man entscheidet und wie man es testet

Wenn Sie einen Sprachagenten entwickeln, der antworten muss, bevor der Anrufer fertig ist, ist die Spalte für Teiltranskripte Ihre Entscheidungsvariable, und sie trennt die beiden Modelle sauber: Grok Voice Transcribe 2.0 ist bei Teiltranskripten um 2,9 Punkte genauer, braucht aber 0,23 Sekunden länger, um sie zu erzeugen. Wählen Sie SpaceXAI, wenn ein falsches Teiltranskript schlimmer ist als ein spätes – Routing, Eskalation, Compliance-ausgelöste Antworten. Wählen Sie OpenAI, wenn ein spätes Teiltranskript schlimmer ist als ein falsches und wenn Sie über das Fachvokabular verfügen, um den Kontextmechanismus zu füttern, sodass die Genauigkeitslücke kleiner wird. Messen Sie dann beide, denn weder das Teiltranskript-Verhalten des einen noch das des anderen Anbieters bei acht Stunden englischsprachiger Agentengespräche sagt voraus, was einer von beiden mit Ihrem Akzent, Ihrem Codec und Ihrem Jargon tun wird.

Wenn Sie Dateien transkribieren, ist die Entscheidung viel einfacher: 1,67 $ gegenüber 4,50 $ pro 1.000 Minuten und 2,3 % gegenüber 3,31 % WER – beide weisen in dieselbe Richtung. Der einzige Grund, für Batch-Arbeit bei GPT Transcribe zu bleiben, ist, dass der Mechanismus zur Kontextkonditionierung für Ihr Audio etwas bewirkt, das die rohe Genauigkeitslücke nicht ausgleichen kann – was bei hochgradig domänenspezifischen Aufnahmen durchaus möglich und testbar ist.

Keines der Transkriptionsmodelle steht heute im Katalog von OrcaRouter, also gehen die Aufrufe selbst an die API des jeweiligen Anbieters. Was aber hinter einem einzigen OrcaRouter-Schlüssel steckt, ist alles, wovon das Transkript gespeist wird: das Agentenmodell, der Summarizer, der Klassifizierer, der Code, der entscheidet, was mit dem Text geschehen soll. Genau dort taucht üblicherweise der zweite Vertrag auf – ein Anbieter für die Spracherkennung, ein anderer für das Modell, das über sie räsoniert – und das muss nicht sein. Ein Schlüssel für über 200 Modelle, automatisches Failover, wenn ein Anbieter schwächelt, und die Routing-DSL, wenn Sie eine Anfrage durch mehrere Modelle schicken und vergleichen wollen, bevor Sie sich festlegen. Das ist eine kleinere Behauptung als „wir routen Ihre Transkription“, und es ist die wahre.

Worauf man achten sollte, ist, ob OpenAI mit Genauigkeit statt mit Kontext antwortet. Das Unternehmen hat nun innerhalb eines Jahres zwei Transkriptionsgenerationen auf den Markt gebracht und einmal die Preise gesenkt; der Kontextmechanismus ist wirklich differenzierend, doch in der Rangliste, die die reine Transkription misst, liegt er derzeit hinter SpaceXAI und Microsoft. Wenn ein GPT Transcribe 2 mit intaktem Kontextmechanismus und einer auf den Bereich von 2 % gesenkten Fehlerquote kommt, kippt dieser Vergleich auf der Batch-Seite über Nacht — und der Streaming-Preis, der bereits identisch ist, macht das zu einem Rennen, das man im Auge behalten sollte.