Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Grok Voice: gesprochene Gespräche

Lektion 13 von 16 Aktualisiert am 3. November 2026 Anfänger
Auf dieser Seite
  1. Mit Grok sprechen
  2. Voice Agent: Echtzeit-Gespräch
  3. Text-to-Speech: Text laut vorlesen
  4. Was sich für Unternehmen ändert
  5. Was es kostet
  6. Kernaussagen

Aktualisiert am 3. November 2026, basierend auf den xAI-Seiten Text to Speech, Speech to Speech, Pricing und Rate limits: 28 integrierte Stimmen, aktuelle Preise, gleichzeitige Sitzungen pro Tarif und ein Code-Beispiel, das den xAI-Endpunkt POST /v1/tts verwendet. Quellen: Text to Speech · Pricing · Rate limits.

Mit Grok sprechen

Nach Text und Bildern kommt die Stimme. Sie können echte gesprochene Gespräche mit dem Assistenten führen, und Sie müssen sofort zwischen zwei Diensten unterscheiden, die häufig verwechselt werden: den Voice Agent, der für interaktive Echtzeit-Gespräche konzipiert ist, und die Text-to-Speech (TTS)-Funktion, die Text lediglich in Audio umwandelt. Der erste hört zu und antwortet; der zweite liest. Die falsche Wahl ist der häufigste Grund, warum Voice-Projekte enttäuschen.

Grok Voice Agent

Voice Agent: Echtzeit-Gespräch

Der Voice Agent ist der immersivste Dienst: Er ermöglicht es Ihnen, direkt mit Grok zu sprechen, als würden Sie mit einer Person reden. Er läuft auf einer WebSocket-Verbindung, die Audio in Echtzeit in beide Richtungen überträgt. Sie sprechen in Ihr Mikrofon, Grok hört zu und versteht Ihre Nachricht kontinuierlich, antwortet dann laut. Die Spracherkennung (VAD) für die Erkennung von Sprechpausen regelt Stille und Übergänge automatisch. Genau dieser letzte Punkt unterscheidet ein Gespräch von einem Austausch von Sprachnachrichten: Sie können zögern, ohne dass das System annimmt, Sie wären fertig, und können es unterbrechen, wenn es in die falsche Richtung geht.

Es stehen 28 integrierte Stimmen zur Verfügung (Stand: 3. November 2026), jede mit einer eigenen Persönlichkeit. Sie sollten basierend auf dem Anwendungsfall und nicht nach persönlichem Geschmack wählen. Die fünf ursprünglichen Stimmen, wie xAI sie beschreibt:

StimmeCharakter
EveEnergisch und aufgeweckt, britischer Akzent
AraWarm und freundlich
RexSelbstbewusst und klar
SalGlatt und ausgewogen
LeoAutoritär und kraftvoll, britischer Akzent

Die anderen 23, jüngeren Stimmen, werden von xAI auf der Text to Speech-Seite seiner Dokumentation nach Anwendungsfällen (Support, Erzählung, Bildung, Werbung, Wellness) gruppiert.

Die Wiedergabe geht über den Timbre der Stimme hinaus. Ausdrucksstarke Tags bereichern die Antworten: Pausen setzen einen natürlichen Rhythmus, Lachen lockert einen Moment auf, Flüstern erzeugt ein Gefühl von Nähe. Wenn sie sparsam eingesetzt werden, machen sie den Unterschied zwischen einer akzeptablen Stimme und einer aus, der man bis zum Ende zuhört; in jedem Satz haben sie den gegenteiligen Effekt.

Der Voice Agent kann während des Gesprächs auch Tools aufrufen: Echtzeit-Web-Suchen, Datenbankabfragen, Aufrufe benutzerdefinierter APIs. Sie bitten laut nach aktuellen Informationen, und Grok antwortet laut mit dem Ergebnis. Ein Support-Assistent kann den tatsächlichen Status einer Bestellung prüfen, anstatt eine generische Prozedur vorzulesen.

Text-to-Speech: Text laut vorlesen

TTS erfüllt einen einfacheren Bedarf: die Umwandlung von geschriebenen Texten in gesprochene Audioinhalte. Sie wird verwendet, um Erzählungen für Videos oder Podcasts zu generieren, automatisierte Sprachnachrichten zu produzieren, Textinhalte für Menschen mit eingeschränkter Sehkraft zugänglich zu machen sowie Sprachankündigungen und Benachrichtigungen zu verbreiten. Der Dienst deckt 20 Sprachen ab und kann die Sprache auch automatisch erkennen.

Der API-Aufruf besteht nur aus wenigen Zeilen:

import os
import requests

response = requests.post(
    "https://api.x.ai/v1/tts",
    headers={"Authorization": f"Bearer {os.environ['XAI_API_KEY']}"},
    json={
        "text": "Willkommen in diesem Kurs über Grok.",
        "voice_id": "eve",
        "language": "en",
    },
)
with open("welcome.mp3", "wb") as f:
    f.write(response.content)

Das Ergebnis ist eine MP3-Audio-Datei, die sofort abgespielt oder in eine Bearbeitung eingefügt werden kann.

Was sich für Unternehmen ändert

Der erste Bereich ist der Kundenservice: Als Voice Assistant eingesetzt, übernimmt der Voice Agent häufige Fragen und führt Echtzeit-Suchen durch, nimmt wiederkehrende Anrufvolumina auf, ohne dass Anrufer warten müssen. Dasselbe Prinzip lässt sich auf bestehende Telefonie übertragen: xAI kann Ihre Nummern selbst über SIP beantworten, und Frameworks wie LiveKit oder Pipecat lassen sich anschließen, ohne die Rufinfrastruktur neu aufzubauen.

TTS dient hauptsächlich der Content-Produktion: Ihre Artikel, Berichte und Präsentationen erhalten eine Audio-Version, wobei eine Stimme gewählt wird, die den gewünschten Tonfall trifft. In beiden Fällen sollte Barrierefreiheit von Anfang an Teil des Designs sein und nicht nachträglich hinzugefügt werden: Diese Fähigkeiten machen KI für Menschen nutzbar, die von Text-Schnittstellen ausgeschlossen werden.

Was es kostet

Der Voice Agent kostet 0,08 USD pro Minute, also 4,80 USD pro Stunde, plus 0,004 USD pro Texteingabe. Auf dem Einstiegs-Tarif können ein Team 10 gleichzeitige Sitzungen öffnen, auf höheren Tarifen bis zu 200. Text-to-Speech kostet 15 USD pro Million Zeichen, mit 50 Anfragen pro Sekunde und 100 gleichzeitigen Sitzungen auf dem Einstiegs-Tarif. Prüfen Sie diese Kapazitätsgrenzen vor jedem öffentlichen Launch: Sie bestimmen, wie viele Anrufe Sie parallel bearbeiten können, und eine Kampagne, die diese Grenzen überschreitet, führt zu Warteschlangen, nicht zu höheren Rechnungen.

Preise geprüft am 3. November 2026. Die Preise ändern sich häufig: Bevor Sie etwas budgetieren, prüfen Sie die aktuellen Tarife auf der offiziellen xAI-Preis-Seite.

Kernaussagen

  • Der Voice Agent ermöglicht Echtzeit-gesprochene Gespräche mit Grok über WebSocket
  • 28 integrierte Stimmen stehen zur Verfügung, mit unterschiedlichen Persönlichkeiten und Anwendungsfällen
  • TTS wandelt Text in Audio um (standardmäßig MP3) in 20 Sprachen
  • Der Voice Agent kann während des Gesprächs Tools verwenden (Web-Suche, APIs)
  • Standard-Telefonie-Protokolle werden für die Unternehmensintegration unterstützt