Sprachagent und Text-to-Speech
Auf dieser Seite
Aktualisiert am 3. November 2026. Basierend auf den Seiten Preise, Ratenlimits, Text-to-Speech und den xAI-Release-Notes: Der Sprachagent kostet 0,08 USD pro Minute (nicht 0,05 USD), Text-to-Speech (TTS) 15 USD pro Million Zeichen (nicht 4,20 USD), gleichzeitige Sitzungen pro Tarifstufe (nicht 100 oder 30 Minuten pro Sitzung), TTS verfügbar seit März 2026; Tarife gelten automatisch für Sprachmodelle, für Imagine ist der Kontakt zum Vertrieb erforderlich. Quellen: Preise · Ratenlimits · Release-Notes.
Audio-Fähigkeiten von Grok
xAI bietet über seine API zwei Audio-Dienste an: den Sprachagenten (Speech-to-Speech-API), der seit Dezember 2025 für Echtzeit-Gespräche verfügbar ist, und Text-to-Speech (TTS), der seit März 2026 für die Sprachsynthese zur Verfügung steht. Mit diesen Diensten können Sie vollständige sprachbasierte Gesprächsschnittstellen erstellen, von automatisierten Telefonzentralen bis hin zu eingebetteten Sprachassistenten.
Sprachagenten-API
Die Sprachagenten-API ermöglicht die Erstellung bidirektionaler Echtzeit-Gespräche. Der Nutzer spricht, das Modell hört zu, versteht die Eingabe und antwortet mündlich – alles mit einer Latenz, die für ein natürliches Gespräch ausreicht.
Wichtige Funktionen
- Modell:
grok-voice-3.0, auf das der Aliasgrok-voice-latestverweist - Gleichzeitige Sitzungen: 10 bei der Einstiegsstufe, dann 20, 50, 100 und 200 je nach Tarifstufe
- Preise: 0,08 USD pro Minute oder 4,80 USD pro Stunde, plus 0,004 USD pro Texteingabe
- Echtzeit: Latenz ist auf natürliche Gespräche optimiert
Anwendungsfälle
Der Sprachagent ist für Szenarien konzipiert, in denen eine sprachbasierte Interaktion mehr Wert bietet als Text:
- Automatisierter Kundenservice – Telefonische Begrüßung, Weiterleitung von Anrufen, Antworten auf häufig gestellte Fragen
- Eingebettete Sprachassistenten – in mobilen Apps oder IoT-Geräten
- Sprachunterricht – Bildungsunterstützung über Sprache
- Barrierefreiheit – Sprachschnittstelle für Nutzer, die nicht oder nicht gerne tippen
Kostenaspekte
Mit einem Preis von 4,80 USD pro Stunde ist der Sprachagent für kurze, gelegentliche Interaktionen wirtschaftlich. Die Kosten können sich jedoch bei Hochvolumen-Diensten erheblich erhöhen. Eine Call-Center-Einheit, die monatlich 1.000 Stunden Gesprächszeit abwickelt, würde ein Budget von 4.800 USD darstellen.
Das Tarifsystem gilt auch für Sprachmodelle, genau wie für Textmodelle: Die Tarifstufe hängt von Ihrem kumulierten Umsatz ab und sinkt nie. Um die Limits für Imagine zu erhöhen, müssen Sie jedoch den xAI-Vertrieb kontaktieren.
Text-to-Speech (TTS)
Der TTS-Dienst wandelt Text in Sprache mit hochwertigen synthetischen Stimmen um. Er wird nach dem Volumen des umgewandelten Textes abgerechnet.
Preise und Limits
| Dienst | Kosten | Limit |
|---|---|---|
| Text-to-Speech | 15 USD / 1 Mio. Zeichen | 50 Anfragen pro Sekunde und 100 gleichzeitige Sitzungen bei der Einstiegsstufe |
Um Ihre Kosten zu schätzen: Ein Blogbeitrag mit 5.000 Zeichen würde etwa 0,075 USD für die Umwandlung in Audio kosten. Ein Hörbuch mit 500.000 Zeichen würde etwa 7,50 USD kosten.
Verfügbare Stimmen
xAI bietet 28 integrierte Stimmen an (Stand 3. November 2026), die sowohl für TTS als auch für den Sprachagenten gemeinsam genutzt werden, mit verschiedenen Tönen und Verwendungszwecken, sowie benutzerdefinierte Stimmen, die aus einem kurzen Audioausschnitt erstellt werden. Sie wählen die Stimme zum Zeitpunkt der API-Anfrage aus, was es ermöglicht, die Stimme an den Kontext anzupassen – eine professionelle Stimme für einen Bericht, eine warme Stimme für ein Tutorial.
TTS-Anwendungen
- Automatisierte Podcasts – Wandeln Ihre Blogbeiträge in Audioinhalte um
- Vorlesung – Fügen Sie Ihren Bildungsanwendungen eine Audioschicht hinzu
- Barrierefreiheit – Machen Sie Textinhalte für sehbehinderte Nutzer zugänglich
- Sprachbenachrichtigungen – Gesprochene Warnungen und Erinnerungen in Anwendungen
- Mehrsprachige Inhalte – Erstellen Sie Audioversionen in verschiedenen Sprachen
Sprachagent vs. TTS: Welcher Dienst ist der richtige?
Der Unterschied ist einfach:
- Sprachagent: Für interaktive Echtzeit-Gespräche. Der Nutzer spricht, das Modell antwortet. Es ist bidirektional.
- TTS: Für die einseitige Umwandlung von Text in Sprache. Keine Interaktion, lediglich Sprachsynthese.
Wenn Sie einen Gesprächsassistenten erstellen, benötigen Sie den Sprachagenten. Wenn Sie lediglich Text vorlesen möchten, reicht TTS aus.
Integration in eine bestehende Architektur
Die Audio-Dienste von Grok integrieren sich in dieselbe API wie die Text- und Bildmodelle. Sie verwenden dieselben API-Schlüssel, dasselbe Abrechnungssystem und dasselbe Dashboard unter console.x.ai.
Diese Vereinheitlichung vereinfacht die Architektur erheblich: Ein einzelnes Projekt kann Grok 4.5 für das Schlüsseln, grok-build-0.1 für Code, Grok Imagine für Visualisierungen und den Sprachagenten für mündliche Interaktion nutzen, alles mit einem einzigen Entwicklerkonto.
Preise verifiziert am 3. November 2026 – Preise ändern sich regelmäßig: Bevor Sie eine Budgetberechnung vornehmen, prüfen Sie die aktuelle Preisliste auf der offiziellen xAI-Preiseite.
Wichtige Erkenntnisse
- Der Sprachagent kostet 0,08 USD/Min (4,80 USD/Stunde) für Echtzeit-Gespräche
- TTS kostet 15 USD pro Million Zeichen für die Sprachsynthese
- Sprachagent: 10 bis 200 gleichzeitige Sitzungen je nach Tarifstufe
- TTS: 100 gleichzeitige Anfragen
- Sprachagent = bidirektional, TTS = einseitig
- Tarifsteigerungen für Stimme/Imagine erfordern eine manuelle Anfrage