xAI stellt Grok Voice 3.0 vor: ein Sprach-zu-Sprach-Modell für Sprachagenten

xAI kündigte Grok Voice 3.0 am 14. Oktober 2026 an und machte das Sprach-zu-Sprach-Modell über seine Voice-Agent-API für 0,08 $ pro Minute verfügbar. Das Unternehmen bezeichnete Grok Voice 3.0 als das intelligenteste Sprachmodell der Welt und erklärte, es stelle einen neuen Rekord bei der Lösung von Kundendienstanrufen auf – bei einer Latenz von unter einer Sekunde und geringeren Betriebskosten als andere Spitzenmodelle.

Laut xAI ermöglicht Grok Voice täglich Millionen von Gesprächen bei Tesla und SpaceX. Die neue Version wurde zum gleichen Preis wie ihr Vorgänger eingeführt.

Von xAI angeführte Benchmark-Ergebnisse

In seiner Ankündigung verwies xAI auf unabhängige Tests von Artificial Analysis vom 13. Oktober 2026. Demnach belegt Grok Voice 3.0 mit einer Punktzahl von 86,9 den ersten Platz im Speech-to-Speech-Index. Die zusammen mit der Ankündigung veröffentlichte Vergleichstabelle führt GPT-Live-1 (Astra, Mittel) mit 83,2, Gemini 3.8 Live (erweitertes Denken, hoch) mit 82,6 und Grok Voice 2.0 mit 81,3 auf.

Für die einzelnen Komponenten des Index meldete xAI 98,5 % im Sprachverständnis-Benchmark Big Bench Audio, eine Elo-Präferenzwertung von 1070 in der Speech Agent Arena, eine Aufgabenerfolgsquote von 94,8 % sowie 97,0 % im Full Duplex Bench, der misst, wie natürlich ein Modell mit Pausen, Sprecherwechseln und Unterbrechungen umgeht. Die Werte für Grok Voice 2.0 in derselben Tabelle lagen bei 97,2 %, 1011, 94,6 % und 95,1 %.

Für tau-Voice, einen Benchmark auf Grundlage simulierter Kundendienstanrufe, meldete xAI für Grok Voice 3.0 einen Wert von 71,6 % und bezeichnete das Ergebnis als vergleichbar mit GPT-Live-1 (Astra), bei einer um 40 % geringeren Latenz. In der veröffentlichten Grafik sind für GPT-Live-1 (Astra, Mittel) 74,5 %, für Gemini 3.8 Live (erweitertes Denken, hoch) 68,6 % und für Grok Voice 2.0 56,5 % angegeben.

xAI berichtete außerdem, dass Artificial Analysis bei einem Big-Bench-Audio-Test die durchschnittlichen Kosten pro Aufgabe für Grok Voice 3.0 mit 0,025 $ ermittelte. Zum Vergleich: Für GPT-Live-1 (Astra, Mittel) lagen sie bei 0,030 $ und für GPT-Realtime-2.1 (hoch) bei 0,055 $.

So bewertet Artificial Analysis Sprachmodelle

Artificial Analysis definiert den Speech-to-Speech-Index als gleich gewichtete Gesamtwertung aus vier Komponenten: Sprachverständnis im Big Bench Audio, Leistung als Agent in tau-Voice, Präferenz in der Arena und Aufgabenerfolgsquote. Ein Modell muss in allen vier Komponenten Ergebnisse vorweisen, um eine Indexwertung zu erhalten.

Big Bench Audio umfasst 1.000 Audiofragen, die aus Big Bench Hard abgeleitet wurden. Je 250 Fragen entfallen auf die vier Kategorien Formale Fehlschlüsse, Navigation, Objektzählung und Lügen im Internet. Die Modelle erhalten jede Frage als Audiodatei und erzeugen eine Audioantwort, die als richtig oder falsch bewertet wird.

Bei tau-Voice ruft ein Sprachbenutzersimulator das getestete Modell an. Dieses fungiert als Kundendienstagent und hat Zugriff auf domänenspezifische Werkzeuge sowie ein Richtliniendokument. Für jede Aufgabe gibt es genau einen gültigen Endzustand der Datenbank. Bei der Bewertung wird der Endzustand mit diesem vorgegebenen Sollzustand verglichen; die dargestellten Ergebnisse sind, sofern verfügbar, Mittelwerte aus drei Durchläufen. Die Präferenzkomponente der Arena basiert auf einer paarweisen Elo-Wertung, die anhand von Versuchsteilnehmern berechnet wird. Diese absolvieren dasselbe Szenario mit zwei nicht identifizierten Modellen.

Full Duplex Bench v1 prüft den Umgang mit Pausen und den Sprecherwechsel. v1.5 ergänzt den Umgang mit Unterbrechungen durch Nutzer sowie mit bestätigenden Einwürfen, etwa wenn das Modell korrekt fortfährt, nachdem ein Anrufer „ja“ oder „in Ordnung“ gesagt hat. Artificial Analysis definiert die Zeit bis zur ersten Audioausgabe als die Anzahl der Sekunden, die benötigt werden, um das erste Audiotoken zu erzeugen.

Ergebnis von ServiceNows EVA-Bench

xAI berichtete, dass Grok Voice 3.0 mit 74 % die höchste Genauigkeit im Benchmark für Sprachagenten in Unternehmen von ServiceNow, EVA-Bench, erreichte. Bei gemeinsamer Bewertung von Genauigkeit und Kundenerlebnis war es zudem das leistungsstärkste Modell.

Nitin Aggarwal, Senior Director of Product Management für Agentic Evals und RAI bei ServiceNow, erklärte in einer zusammen mit der Ankündigung veröffentlichten Stellungnahme, Grok Voice 3.0 „setzt eine neue Pareto-Frontier auf EVA-Bench, dem Open-Source-Benchmark von ServiceNow, der Sprachagenten in mehr als 200 realistischen Unternehmensszenarien nach Genauigkeit und Nutzererlebnis bewertet.“

ServiceNow AI Research beschreibt EVA-Bench als ein Open-Source-Evaluierungsframework, das Sprachagenten anhand vollständiger, mehrteiliger gesprochener Dialoge in einer Bot-zu-Bot-Architektur misst. Der Benchmark umfasst drei Bereiche: Kundenservice mit 15 Werkzeugen und 50 Szenarien zu Umbuchungen nach Flugausfällen, freiwilligen Änderungen, Stornierungen und Gutscheinen; IT-Service-Management mit 59 Werkzeugen und 80 Szenarien; sowie Personalwesen mit 47 Werkzeugen und 83 Szenarien zu Leistungen, Einsatzplanung, Urlaub und Fragen zu Richtlinien. Die Agenten werden in zwei Dimensionen bewertet: EVA-A misst, ob der Agent die Aufgabe korrekt erledigt hat, und EVA-X die Qualität des Gesprächserlebnisses. EVA-Bench ist Teil der Benchmark-Suite NOWAI-Bench von ServiceNow.

Einsatz bei Tesla und Starlink

Laut xAI führt Grok Voice 3.0 täglich Millionen von Gesprächen in Tesla-Fahrzeugen. Fahrer können dort freihändig Connectors für Anfragen wie das Prüfen eines Kalenders oder das Beantworten einer E-Mail nutzen und Grok Bot für umfangreichere Aufgaben wie das Bestellen eines Kaffees oder das Reservieren eines Abendessens. Das Modell ermöglicht auch den Sprachmodus von Grok Bot.

xAI zufolge beantworten die Starlink-Callcenter mithilfe von Grok Voice täglich 20.000 Kundenanrufe in mehreren Sprachen. Etwa 70 % der Anfragen werden ohne menschliches Eingreifen gelöst, und jeder vierte Verkaufsgespräch endet mit einem Kauf, bevor der Anrufer auflegt. Ein einzelner Agent auf Basis von Grok Voice 3.0 verifiziert Kunden, behebt Hardwareprobleme, stellt Gutschriften aus und versendet Ersatzgeräte.

Preise und Verfügbarkeit

Grok Voice 3.0 ist in der Voice-Agent-API für 0,08 $ pro Minute beziehungsweise 4,80 $ pro Stunde verfügbar – zum selben Preis wie Grok Voice 2.0. Agenten, die grok-voice-latest verwenden, wurden automatisch umgestellt; Änderungen waren nicht erforderlich, so xAI.